AI உரை- இருந்து- பேச்சுName
திறந்த மூல AI மாதிரிகளுடன் இயற்கையான ஒலியுடன் உரையை உரையாடலுக்கு மாற்றவும். பயன்படுத்துவதற்கு இலவசம், கணக்கு தேவையில்லை.
உங்களின் உரை SSML ஒட்டுகளில் சரியான கட்டுப்பாட்டிற்காக மடி:
<speak><prosody rate="slow">Slow speech</prosody></speak>
தேர்ந்தெடுக்கப்பட்ட மாதிரி புரிந்து கொள்ளும் குறிகள் - உங்கள் உரைக்குள் ஒன்றை இழுக்க க்ளிக் செய்யவும் அது நடக்கும் இடம்:
இந்த மாதிரி வெறும் உரை படிக்கிறது, எனவே உள்ளமைந்த குறிகள் புறக்கணிக்கப்படும். குறி அடிப்படை உணர்வுகளுக்கு, Orpheus அல்லது Bark போன்ற ஒரு வெளிப்படுத்தும் மாதிரிக்கு மாறவும்.
தனிப்பயன் உச்சரிப்புகளை வரையறுக்கவும் (வார்த்தை = உச்சரிப்பு):
மாதிரி விவரங்கள்
Indic Parler TTS
Indic Parler TTS by AI4Bharat extends the Parler architecture to Indian languages, generating natural speech in Tamil, Bengali, Marathi, Gujarati, Kannada, Punjabi, Odia, Assamese, Hindi, Telugu, Malayalam and English. Like Parler, you describe the voice you want in plain language and the model matches it — no preset voices required. Trained on AI4Bharat speech corpora for authentic pronunciation and prosody across the Indian subcontinent.
| உருவாக்குநர்: | AI4Bharat |
| உரிமம்: | Apache 2.0 |
| வேகம் | மெதுவான |
| தரம்: | |
| மொழிகள் | 12 மொழிகள் |
| விராம் | 8GB |
| குரல் படிமம்Name | ஆதரவில்லை |
சிறந்த முடிவுகளுக்கான குறிப்புகள்
- இயல்பான இடைவெளிகளுக்கும், ஒலியெழுத்துகளுக்கும் சரியான எழுத்துப்பிழைகளை பயன்படுத்து
- எண்களையும் குறுக்கீடுகளையும் தெளிவாக உச்சரிப்பதற்கு எழுத்துப்பிழை நீக்கு
- வாக்கியங்களுக்கு இடையே குறுகிய இடைவெளிகளை உருவாக்குவதற்கு கால்குலேட்டர்களை சேர்க்கவும்
- நீண்ட தற்காலிக இடைவெளிகளுக்கு (...) பயன்படுத்தவும்
- மிக இயல்பான விளைவுகளுக்கு கோகோரோ அல்லது கோசிபோய்ஸ்2ஐ முயற்சிக்கவும்
- பல- ஒலிபெருக்கி உரையாடலுக்கும் ப்ளாட்ஃபாஸ்ட் உள்ளடக்கத்திற்கும் டையாவை பயன்படுத்து
எழுத்துப் பயன்பாடு
| மிருகம் | செலவு |
|---|---|
| இலவசம் | 0 புள்ளிகள் (வரம்பு இல்லாத) |
| இயல்பான | 2 கடன்கள் / 1K எழுத்துக்கள் |
| பிரீமியம் | 4 கடன்கள் / 1K எழுத்துக்கள் |
AI உரை-இன்-பேச்சு எப்படி வேலை செய்கிறது
மூன்று எளிய படிகளில் தொழில்நுட்ப-தரமான குரல்களை உருவாக்கவும். தொழில்நுட்ப அறிவு தேவையில்லை.
உங்களின் உரையை உள்ளிடு
உரையை உரையாடலுக்கு மாற்ற வேண்டுமானால், அதை உள்ளிடவும், ஒட்டவும் அல்லது ஏற்றவும். உள்நுழைந்த பயனர்களுக்கு ஒரு தலைமுறைக்கு 5000 எழுத்துக்கள் வரை ஆதரவு. உச்சரிப்பு, இடைவெளிகள் மற்றும் வலியுறுத்தல்களை மேம்படுத்துவதற்காக வெறும் உரை அல்லது SSML குறிகளை பயன்படுத்தவும்.
மாதிரி மற்றும் குரலை தேர்ந்தெடு
மூன்று நிலைகளில் 20+ AI மாதிரிகளை தேர்ந்தெடுக்கவும். உங்கள் உள்ளடக்கத்திற்கு பொருந்தக்கூடிய குரலை தேர்ந்தெடுக்கவும், உங்கள் இலக்கு மொழியை தேர்ந்தெடுக்கவும், 0.5x முதல் 2.0x வரை இயக்க வேகத்தை மாற்றவும், உங்கள் விரும்பிய வெளியீட்டு வடிவத்தை தேர்ந்தெடுக்கவும் (MP3, WAV, OGG, அல்லது FLAC).
உருவாக்கு & பதிவிறக்கு
உருவாக்கு என்பதை க்ளிக் செய்யவும் உங்கள் ஒலி நொடிகளில் தயாராகும். உள்ளமைந்த இயக்கியுடன் முன்பார்வை, தேர்ந்தெடுக்கப்பட்ட வடிவத்தில் பதிவிறக்குதல், அல்லது பகிரக்கூடிய இணைப்பை நகலெடுக்கவும். உங்கள் பணிப் பாய்ச்சலில் கூட்டு செயலாக்கத்திற்கும் ஒருங்கிணைப்பிற்கும் API யைப் பயன்படுத்தவும்.
உரையிலிருந்து பேசு பயன்பாட்டு நிலைகள்Name
AI-powered text-to-speech மக்களின் உருவாக்கம், உபயோகம் மற்றும் பல தொழில்களில் ஒலி உள்ளடக்கத்துடன் தொடர்பு கொள்வது ஆகியவற்றை மாற்றி அமைக்கிறது.
அனைத்து உரை- இருந்து- பேச்சு மாதிரிகள்
TTS.ai இல் கிடைக்கும் ஒவ்வொரு AI மாதிரிக்கும் விரிவான குறிப்புகள். தரம், வேகம், மொழி ஆதரவு, மற்றும் உங்கள் திட்டத்திற்கான சரியான மாதிரியைக் கண்டுபிடிப்பதற்கான அம்சங்களை ஒப்பிடவும்.
Kokoro
Free
கோகோரோ ஒரு 82 மில்லியன் அளவுரு உரை- இருந்து- பேச்சு மாதிரி, அதன் எடை வகுப்பிற்கு மேலே நுழைகிறது. அதன் சிறிய அளவு இருந்தபோதிலும், இது குறிப்பிடத்தக்க இயற்கையான மற்றும் வெளிப்படையான பேச்சை உருவாக்குகிறது. கோகோரோ ஆங்கிலம், ஜப்பானியம், சீனம் மற்றும் கொரியம் உள்ளிட்ட பல மொழிகளை ஆதரிக்கின்றது. இது பல்வேறு வெளிப்படையான குரல்களுடன் இயங்குகிறது. இது மிகவும் வேகமாக இயங்குகிறது - ஒரு ஜிபியுவில் உண்மையான நேரத்தை விட 100x வேகமாக ஒலியை உருவாக்குகிறது.
Hexgrad
Apache 2.0
தற்காலிக
en, ja, zh, fr, it, pt, es, hi
1.5GB
இல்லை
இலவசம்
Piper
Free
Piper என்பது Rhasspy உருவாக்கிய ஒரு எளிமையான உரையிலிருந்து பேச்சிற்கு இயந்திரம், VITS மற்றும் larynx கட்டமைப்புகளை பயன்படுத்துகிறது. இது முழுவதுமாக CPU யில் இயங்குகிறது, இது முனை சாதனங்களுக்கு, வீட்டு இயந்திரங்களுக்கு, மற்றும் இணையமில்லாத TTS தேவைப்படும் பயன்பாடுகளுக்கு மிகவும் பொருத்தமானது. 30+ மொழிகளில் 100 க்கும் மேற்பட்ட குரல்களுடன், Piper ஒரு Raspberry Pi4இல் கூட உண்மையான நேர வேகத்தில் இயற்கையான குரல்களை வழங்குகிறது.
Rhasspy
MIT
தற்காலிக
en, de, fr, es, it, pt, nl, pl, ru, zh, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi, ca, cy, fa, lv, sl, lb, eu, id, ku, ml, sq, te, ur
0 (CPU only)
இல்லை
இலவசம்
VITS
Free
VITS (முடிவு- முதல்- முடிவு உரை- இருந்து- பேச்சிற்கு எதிர்மறை கற்றல் கொண்ட மாறுபட்ட கற்பனை) என்பது ஒரு இணையான முடிவு- முதல்- முடிவு TTS முறையாகும், இது தற்போதைய இரு நிலை மாதிரிகளை விட இயல்பான ஒலியை உருவாக்குகிறது. இது இயல்பான ஓட்டங்களுடன் கூடிய மாறுபட்ட கற்பனை மற்றும் எதிர்மறை பயிற்சி செயல்முறையை ஏற்றுக் கொள்கிறது, இயல்பான ஒரு குறிப்பிடத்தக்க மேம்பாட்டை அடைகிறது.
Jaehyeon Kim et al.
MIT
தற்காலிக
en, de, es, fr, pt, nl, fi, hu, bg, ja, pl
1GB
இல்லை
இலவசம்
MeloTTS
Free
MyShell. ai ன் MeloTTS ஒரு பல மொழி TTS நிரலகம் ஆங்கிலம் (அமெரிக்க, பிரிட்டிஷ், இந்திய, ஆஸ்திரேலிய), ஸ்பானிஷ், பிரெஞ்சு, சீனம், ஜப்பானியம், மற்றும் கொரியன் ஆகியவற்றை ஆதரிக்கும். இது மிகவும் வேகமாக உள்ளது, CPU யில் மட்டுமே உரை செயல்படுத்தும் வேகம் உண்மையான நேர வேகத்திற்கு நெருக்கமாக உள்ளது. MeloTTS உற்பத்தி பயன்பாட்டிற்கு வடிவமைக்கப்பட்டுள்ளது மற்றும் CPU மற்றும் GPU ஆகியவற்றை ஆதரிக்கும்.
MyShell.ai
MIT
தற்காலிக
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
இல்லை
இலவசம்
Bark
Standard
சுனோவின் பார்க் ஒரு மாற்றி- அடிப்படையிலான உரையிலிருந்து ஒலி மாதிரியாகும், இது மிகவும் உண்மையான, பல மொழி பேசுதலை உருவாக்க முடியும், மேலும் இசை, பின்னணி இரைச்சல் மற்றும் ஒலி விளைவுகள் போன்ற மற்ற ஒலிகளையும் உருவாக்க முடியும். இது சிரித்தல், சிணுங்குதல் மற்றும் அழுதல் போன்ற வார்த்தை இல்லாத தொடர்புகளை உருவாக்க முடியும். பார்க் 100க்கும் மேற்பட்ட ஒலிப்பேச்சாளர் முன் அமைப்புகளையும் 13+ மொழிகளையும் ஆதரிக்கிறது.
Suno
MIT
மெதுவான
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
இல்லை
2x
Bark Small
Standard
பார்க் ஸ்மாலானது பார்க் மாதிரியின் ஒரு திறந்த பதிப்பு, இது சில ஒலி தரத்தை விரைவான முடிவு வேகங்களுக்காக மற்றும் குறைந்த நினைவக தேவைகளுக்காக மாற்றுகிறது. இது உணர்வுகள், சிரிப்பு மற்றும் பல மொழிகளுடன் பேச்சை உருவாக்கும் பார்க் திறனைக் கொண்டுள்ளது.
Suno
MIT
நடு
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
இல்லை
2x
CosyVoice 2
Standard
அலிபாபாவின் டொங்யி லேப் மூலம் காசிவாயஸ்2மனித- ஒப்பிடக்கூடிய பேச்சு தரத்தை மிகவும் குறைந்த தாமதத்துடன் அடைகிறது, இது உண்மையான நேர பயன்பாடுகளுக்கு சிறந்தது. இது ஒரு முடிவான அளவுகோல் குவான்டிசன் அணுகுமுறையை ஒலி ஒத்திசைவு மற்றும் சுழற்சி- ஷாட் குரல் ஒத்திசைவு, மொழிகள் இடையே ஒத்திசைவு மற்றும் சிறிய- விதைகள் உணர்வு கட்டுப்பாட்டை ஆதரிக்கிறது. இது பல வணிக TTS அமைப்புகளை தனிப்பட்ட மதிப்பீடுகளில் மேம்படுத்துகிறது.
Alibaba (Tongyi Lab)
Apache 2.0
நடு
en, zh, ja, ko, fr, de, it, es
4GB
ஆம்
2x
Dia TTS
Standard
நாரி லாப்ஸ் உருவாக்கிய டயா ஒரு 1.6B அளவுரு உரை- இருந்து- பேச்சு மாதிரியாகும், இது பல பேச்சாளர் உரையாடலை உருவாக்குவதற்காக உருவாக்கப்பட்டது. இது இரண்டு பேச்சாளர்களுக்கு இடையே இயற்கையான ஒலியுடன் உரையாடலை உருவாக்க முடியும், சரியான சுழற்சி, குரல், மற்றும் உணர்ச்சிபூர்வமான வெளிப்பாடு. டயா ப்ளாக்ஸ்டார்- ஸ்டைல் உள்ளடக்கத்தை உருவாக்க, ஒலி புத்தக உரையாடல்கள், மற்றும் உரையாடல் AI க்கு சிறந்தது.
Nari Labs
Apache 2.0
நடு
en
4GB
இல்லை
2x
Parler TTS
Standard
Parler TTS ஒரு உரை- இருந்து- பேச்சு மாதிரி, இயற்கை மொழி குரல் விவரங்களை பயன்படுத்தி உருவாக்கப்பட்ட பேச்சை கட்டுப்படுத்துகிறது. முன் அமைக்கப்பட்ட குரல்களை தேர்ந்தெடுப்பதற்கு பதிலாக, நீங்கள் விரும்பும் குரலை விவரிக்கலாம் (உதாரணமாக, "ஒரு மெதுவாக பேசும், தெளிவாக பேசும், சிறிய பிரிட்டிஷ் உச்சரிப்புடன் கூடிய ஒரு வெப்பமான பெண் குரல்") மற்றும் Parler அந்த விவரத்திற்கு பொருந்தக்கூடிய பேச்சை உருவாக்கும். இது உருவாக்கப்பட்ட பயன்பாடுகளுக்கு தனித்துவமான வசதிகளை அளிக்கிறது.
Hugging Face
Apache 2.0
நடு
en
4GB
இல்லை
2x
Indic Parler TTS
Standard
AI4Bharat இன் இந்தியப் பேச்சாளர் TTS இந்திய மொழிகளுக்கும் Parler கட்டமைப்பை விரிவுபடுத்துகிறது, தமிழ், பெங்காலி, மராத்தி, குஜராத்தி, கன்னடம், பஞ்சாபி, ஒடியா, அசாமிய, இந்தி, தெலுங்கு, மலையாள மற்றும் ஆங்கிலத்தில் இயற்கையான பேச்சை உருவாக்குகிறது. Parler போலவே, நீங்கள் விரும்பும் குரலை சாதாரண மொழியில் விளக்கலாம், மேலும் மாதிரி அதை பொருத்துகிறது - முன் அமைக்கப்பட்ட குரல்கள் தேவையில்லை. AI4Bharat பேச்சுக் கோப்பர்ஸ் மூலம் இந்திய துணைக்கண்டம் முழுவதும் உண்மையான உச்சரிப்பு மற்றும் குரல் அமைப்புக்கு பயிற்சி அளிக்கப்படுகிறது.
AI4Bharat
Apache 2.0
மெதுவான
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
8GB
இல்லை
2x
KhanomTan TTS
Standard
கானோம்டான் TTS ஒரு திறந்த தாய்லாந்து உரையிலிருந்து பேச்சிற்கு மாதிரி YourTTS பல மொழி கட்டமைப்பு உருவாக்கப்பட்டது. CC0 மற்றும் அனுமதிக்கப்பட்ட தாய்லாந்து corpora (TSync) மற்றும் பல மொழிகளுடன் பயிற்சி, இது பல பேச்சாளர்கள் குரல்களுடன் இயற்கை தாய்லாந்து பேச்சை வழங்குகிறது. ஒரு சுத்தமான, வணிக- பயன்பாட்டு விருப்பம் தாய்லாந்து - மொழி பெரும்பாலான திறந்த TTS மாதிரிகள் வணிகமற்ற உரிமங்கள் கீழ் மட்டுமே கவர்.
Wannaphong Phatthiyaphaibun
Apache 2.0
தற்காலிக
th
2GB
இல்லை
2x
IndexTTS-2
Standard
IndexTTS-2 ஒரு மேம்பட்ட உரை- இருந்து- பேச்சு அமைப்பு, இது சிறிய- துண்டு உணர்ச்சி கட்டுப்பாட்டுடன் சுழற்சி இல்லாத குரல் சேர்க்கையில் சிறந்து விளங்குகிறது. இது உணர்ச்சி- குறிப்பிட்ட பயிற்சி தரவு தேவைப்படாமல், மகிழ்ச்சி, துக்கம், கோபம், அல்லது பயம் போன்ற குறிப்பிட்ட உணர்ச்சிகரமான குரல்களை உருவாக்க முடியும். உருவான பேச்சின் உணர்ச்சிகரமான வெளிப்பாட்டை சரியாக கட்டுப்படுத்த இந்த மாதிரி உணர்ச்சி வெக்டர்களை பயன்படுத்துகிறது.
Index Team
Bilibili Model License
நடு
en, zh
4GB
ஆம்
2x
Spark TTS
Standard
ஸ்பார்க் டிடிஎஸ் ஸ்பார்க் ஆடியோவால் உருவாக்கப்பட்ட ஒரு உரையிலிருந்து பேச்சிற்கு மாடலாகும், இது குரல் ஒத்திசைவை கட்டுப்படுத்தக்கூடிய உணர்வு மற்றும் பேசும் பாணியுடன் இணைக்கிறது.5விநாடிகள் மட்டுமே குறிப்பு ஒலியை பயன்படுத்தி, இது ஒரு குரலை ஒத்திசைக்க முடியும், பின்னர் வேறுபட்ட உணர்வுகள், வேகங்கள் மற்றும் பாணிகளுடன் பேச்சை உருவாக்க முடியும், ஒத்திசைக்கப்பட்ட குரல் அடையாளத்தை பராமரிக்கும் போது. ஸ்பார்க் டிடிஎஸ் ஒரு வினவு அடிப்படையிலான கட்டுப்பாட்டு அமைப்பை பயன்படுத்துகிறது.
SparkAudio
CC BY-NC-SA 4.0
நடு
en, zh
4GB
ஆம்
2x
GPT-SoVITS
Standard
GPT-SoVITS GPT-style மொழி மாதிரியையும் SoVITS (Singing Voice Inference via Translation and Synthesis) ஐ இணைக்கிறது பலவீனமான சில-சொட்டு குரல் ஒத்தமைப்பிற்கு.5விநாடிகள் மட்டுமே உள்ள குறிப்பு ஒலியுடன், இது ஒரு குரலை சரியாக ஒத்தமைக்கவும், பேசுபவரின் தனித்துவமான குணங்களை பாதுகாக்கும் போது புதிய உரையை உருவாக்கவும் முடியும். இது பேசுதல் மற்றும் பாடல் குரல் ஒத்தமைப்பிலும் சிறந்தது.
RVC-Boss
MIT
மெதுவான
en, zh, ja, ko
6GB
ஆம்
2x
Orpheus
Standard
Orpheus ஒரு பெரிய அளவிலான உரை- இருந்து- பேச்சு மாதிரியாகும், இது மனித நிலை உணர்வுகளை வெளிப்படுத்துகிறது. 100, 000 மணிநேரத்திற்கும் அதிகமான பல்வேறு பேச்சு தரவுகளை பயிற்சி செய்தது, இது இயற்கையான உணர்வுகளுடன் பேசுவதில் சிறந்து விளங்குகிறது, வலியுறுத்தல், மற்றும் பேசும் பாணிகள். Orpheus மனித பதிவுகளிலிருந்து வேறுபடாத பேச்சை உருவாக்க முடியும்.
Canopy Labs
Llama 3.2 Community
நடு
en
4GB
இல்லை
2x
Chatterbox
Premium
Resemble AI இனால் உருவாக்கப்பட்ட சாட்டர்பாக்ஸ் ஒரு முதன்மை சுழற்சி குரல் ஒத்த மாதிரியாகும். இது ஒரே ஒலி மாதிரியில் இருந்து எந்த குரலையும் குறிப்பிடத்தக்க துல்லியத்துடன் ஒத்திருக்கச் செய்யும், ஒலியெழுத்தை மட்டும் அல்ல, பேசும் பாணி மற்றும் உணர்ச்சிகரமான நிறங்களைக் கைப்பற்றுகிறது. சாட்டர்பாக்ஸ் சிறிய- துண்டு உணர்ச்சி கட்டுப்பாட்டு வசதிகளையும் கொண்டுள்ளது, இது உங்களை உருவாக்கப்பட்ட உரையின் உணர்ச்சிகரமான குரலை குரல் அடையாளத்திலிருந்து தனியாக மாற்ற அனுமதிக்கிறது.
Resemble AI
MIT
நடு
en
4GB
ஆம்
4x
Tortoise TTS
Premium
Tortoise TTS ஒரு தானே திரும்பும் பல- குரல் உரை- இருந்து- பேச்சு அமைப்பு, இது வேகத்திற்கு மேலாக ஒலி தரத்திற்கு முன்னுரிமை அளிக்கிறது. இது DALL- E- ஐ அடிப்படையாகக் கொண்ட கட்டமைப்பை பயன்படுத்துகிறது, இது மிகவும் இயற்கையான பேச்சை உருவாக்குகிறது, சிறந்த குரல் மற்றும் பேச்சாளர் ஒற்றுமையை கொண்டுள்ளது. பல மாற்றுகளை விட மெதுவாக இருந்தாலும், Tortoise திறந்த மூல சூழலில் கிடைக்கக்கூடிய மிகவும் உண்மையான செயற்கை பேச்சை உருவாக்குகிறது.
James Betker
Apache 2.0
மெதுவான
en
8GB
ஆம்
4x
StyleTTS 2
Premium
StyleTTS2பெரிய பேச்சு மொழி மாதிரிகளை பயன்படுத்தி, பேச்சு மொழியை மாற்றி மாற்றி பயிற்சி செய்வதன் மூலம் மனித- மட்ட TTS சேர்க்கையை அடைகிறது. இது மனித பதிவுகளை எதிர்த்து, ஒற்றை- பேச்சாளர் மாதிரிகளிடையே மிகவும் இயற்கையாக ஒலிக்கும் பேச்சை உருவாக்குகிறது. StyleTTS2பயனுள்ள பேச்சு மாறுபாடுகளின் முழுமையான வரிசையைப் பெறுவதற்கு பரவுதல்- அடிப்படையிலான பேச்சு முறையைப் பயன்படுத்துகிறது.
Columbia University
MIT
நடு
en
4GB
இல்லை
4x
OpenVoice
Premium
MyShell. ai ன் OpenVoice உடனடி குரல் ஒத்தமைப்பை குரல் வடிவம், உணர்வு, உச்சரிப்பு, ரிதம், இடைவெளி மற்றும் உச்சரிப்பு ஆகியவற்றின் மீது ஒரு சிறிய கட்டுப்பாட்டைக் கொண்டுள்ளது. இது ஒரு குறுகிய ஒலிக் கிளிப்பிலிருந்து ஒரு குரலை ஒத்தமைக்க முடியும் மற்றும் பேசுபவரின் அடையாளத்தைப் பேணி பல மொழிகளில் பேசுவதை உருவாக்க முடியும். OpenVoice ஒரு குரல் மாற்றி போலவும் செயல்படுகிறது, உண்மையான நேர குரல் மாற்றத்தை அனுமதிக்கிறது.
MyShell.ai / MIT
MIT
நடு
en, zh, ja, ko, fr, es
4GB
ஆம்
4x
Qwen3 TTS
Standard
Qwen3- TTS என்பது அலிபாபாவின் Qwen குழுவிலிருந்து 1.7 பில்லியன் அளவுரு உரை- இருந்து- பேச்சு மாதிரியாகும். இது இரண்டு வகைகளை ஆதரிக்கிறது: உணர்வு கட்டுப்பாட்டுடனான முன் அமைக்கப்பட்ட குரல்கள் (9 பேச்சாளர்கள்), மற்றும் தனித்துவமான குரல் வடிவமைப்பு வகை, நீங்கள் விரும்பும் குரலை இயற்கை மொழியில் விவரிக்கும். இது உயர்ந்த வெளிப்பாட்டுடன் மற்றும் இயற்கையான குரல்வழியில் 10 மொழிகளைக் கொண்டுள்ளது.
Alibaba (Qwen)
Apache 2.0
நடு
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
இல்லை
2x
VieNeu-TTS-v2
Standard
VieNeu- TTS- v2 என்பது 10, 000+ மணிநேர இருமொழித் தரவுகளில் பயிற்சி அளித்த 300M அளவுரு வியட்நாமிய முதல் TTS மாதிரி. இது வடக்கு மற்றும் தெற்கு உச்சரிப்புகளைக் கொண்ட7முன்னிருப்பு குரல்களை, மற்றும் 3-5விநாடிகள் தொடர்பு ஒலியை உடனடி ஒலிக் குளோனிங் ஆகியவற்றை ஆதரிக்கின்றது. GGUF Q4 இன்ஃபெரென்ஸ் + ONNX ஒலி குறியாக்கி மூலம் முழுமையாக சிபியுவில் இயங்குகிறது - GPU தேவையில்லை, ~7விநாடிகளில் தலைமுறைகள் முடிகிறது. Qwen3 முதுகுத்தண்டு மீது கட்டப்பட்டது.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
தற்காலிக
vi, en
CPU
ஆம்
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) என்பது உரையாடல் உரையாடல் உருவாக்குவதற்காக உருவாக்கப்பட்ட 1 பில்லியன் அளவுரு மாதிரியாகும். இது மனித உரையாடல் இயல்பான மாதிரிகளை மாற்றி- எடுக்கும் நேரத்தை, பின் வழி பதில்களை, உணர்ச்சிகரமான விளைவுகளை, உரையாடல் ஓட்டத்தை உள்ளடக்கியது. CSM செயற்கை உரையாடல்களை விட இயல்பான மனித உரையாடல் போல ஒலியை உருவாக்குகிறது.
Sesame
Apache 2.0
மெதுவான
en
8GB
இல்லை
4x
Chatterbox Turbo
Standard
ரிசெம்பிள் AI யின் சாட்டர்பாக்ஸ் டார்ப் ஒரு 350 மெகாபைட் அளவுரு மேம்படுத்தல், சாட்டர்பாக்ஸ், 6x வரையான உண்மையான நேர வேகத்துடன் 200 மில்லிசெகண்ட் தாமதத்துடன் வழங்குகிறது. இது [சிரிப்பு], [காய்ச்சல்], மற்றும் [சிரிப்பு] போன்ற உரையில் நேரடியாக உள்ள பராலிங்கிஸ்டிக் குறிகளை ஆதரிக்கிறது. அனைத்து உருவாக்கப்பட்ட ஒலியில் பெர்த் நீர்குறிப்புகளை உள்ளடக்கியது.
Resemble AI
MIT
தற்காலிக
en
2GB
ஆம்
2x
VoxCPM
Standard
OpenBMB இன் VoxCPM 1.5 ஒரு புதிய டாக்கனாய்சர்-இல்லாத TTS மாதிரியாகும், இது தனித்த டாக்கன்களுக்கு பதிலாக தொடர்ச்சியான இடத்தில் செயல்படுகிறது. இது உயர்-நம்பிக்கையுடன் 44.1kHz ஒலியை உருவாக்குகிறது, 3-10 விநாடிகளில் சுழற்சி இல்லாத குரல் ஒத்தமைவை ஆதரிக்கிறது, மற்றும் பத்தியின் வழியாக ஒரே மாதிரியாக வைத்திருக்கிறது. மொழிகள் இடையே ஒத்தமைவு ஒரு ஆங்கில குரலை சீன உரையாடலுக்கு பயன்படுத்தவும், அதற்கு மாறாகவும் அனுமதிக்கிறது.
OpenBMB
Apache 2.0
தற்காலிக
en, zh
4GB
ஆம்
2x
Kani TTS 2
Free
Kani-TTS-2 by NineNineSix ஒரு மிகவும் எளிமையான 400M அளவுரு மாதிரி NVIDIA NanoCodec உடன் Liquid AI LFM2 பின்னணியில் கட்டப்பட்டுள்ளது. இது வெறும் 3GB VRAM ல் இயங்குகிறது மற்றும் A100 (RTF 0.2) இல் ~2 விநாடிகளில் ~10 விநாடிகள் பேசுகிறது. தற்போதைய பொது வெளியீடு ஆங்கிலத்தில் மட்டுமே `kani-tts-2-en` சோதனைப் புள்ளியை அனுப்புகிறது மற்றும் குரல் ஒத்திசைவிற்கு தேவையான ஒலியமைப்பு-உள்ளடக்க ஹோக்கை வெளிப்படுத்தாது - ஒத்திசைவிற்கு Chatterbox / IndexTTS2 / F5-TTS அல்லது ஆங்கிலமல்லாத Kokoro / MeloTTS ஐப் பயன்படுத்தவும்.
NineNineSix
Apache 2.0
தற்காலிக
en
3GB
இல்லை
இலவசம்
OuteTTS
Free
OuteTTS உரை-இன்-பேச்சு திறன்களுடன் பெரிய மொழி மாதிரிகளை விரிவாக்குகிறது, ஆனால் மூல கட்டமைப்பை பாதுகாக்கிறது. இது llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM மற்றும் Transformers.js மூலம் உலாவி இறுதியை உள்ளடக்கிய பல பின்னணிகளை ஆதரிக்கிறது. JSON ஆக சேமிக்கப்பட்ட ஒலிப்பேச்சு பண்புகளைக் கொண்டு சுழல்-சூடு குரல் ஒத்தமைப்பு.
OuteAI
Apache 2.0
மெதுவான
en
2GB
இல்லை
இலவசம்
VibeVoice
Standard
மைக்ரோசாப்ட் வின் வைப் வாசிப்பு இரண்டு வகைகளில் வருகிறது: நீண்ட-வடிவ உள்ளடக்கத்திற்கு 1.5B மாதிரி (90 நிமிடங்கள் வரை,4ஒலிப்பேச்சு) மற்றும் ~200ms முதல் ஒலி தாமதத்துடன் ஒலிப்பேச்சு ஒலிப்பதற்கு ஒரு ரியல்டைம் 0.5B மாதிரி. 1.5B வகை தொலைக்காட்சி நிகழ்ச்சிகள் மற்றும் ஒலிப்பேச்சு நூல்களில் சிறந்து விளங்குகிறது. குறிப்பு: மைக்ரோசாப்ட் TTS குறியீட்டை சேமிப்பகத்திலிருந்து நீக்கியது மற்றும் உருவாக்கப்பட்ட ஒலியில் கேட்கக்கூடிய AI நியாயப்படுத்தல்களும் உள்ளன.
Microsoft
MIT
தற்காலிக
en, zh
4GB
இல்லை
2x
Pocket TTS
Free
கியூடை (மோஷி உருவாக்கியவர்கள்) உருவாக்கிய போக்ஸ்ட் டிடிஎஸ் ஒரு சிறிய 100 மெகாபைட் அளவுரு உரை- இருந்து- பேச்சு மாதிரியாகும். இது அதன் எடையை விட அதிகமாக செயல்படுகிறது. இது சிபியுவில் சிறப்பாக இயங்குகிறது, ஒற்றை ஒலி மாதிரியில் இருந்து சுழல்- ஷாட் குரல் ஒத்தமைப்பை ஆதரிக்கிறது, மற்றும் இயற்கையான ஒலியை உருவாக்குகிறது. சிறிய மாதிரி அளவு, முனை விரிவாக்கத்திற்கும் குறைந்த வள சூழலுக்கும் சிறந்தது.
Kyutai
MIT
தற்காலிக
en, fr
1GB
ஆம்
இலவசம்
Kitten TTS
Free
KittenML யின் Kitten TTS என்பது ONNX யில் உருவாக்கப்பட்ட மிகவும் எளிமையான உரை- இருந்து- பேச்சிற்கு மாதிரியாகும். 15M முதல் 80M வரையிலான மாறுபாடுகளுடன் (25- 80 MB வட்டில்), இது GPU தேவைப்படாமல் CPU யில் உயர்தர பேச்சு சேர்க்கையை வழங்குகிறது. 8 உள்ளமைந்த குரல்கள், மாற்றக்கூடிய பேச்சு வேகம், மற்றும் எண்கள், நாணயங்கள் மற்றும் அலகுகளுக்கு உள்ளமைந்த உரை முன்செய்தல். முனை விரிவாக்கம் மற்றும் குறைந்த தாமத பயன்பாடுகளுக்கு சிறந்தது.
KittenML
Apache 2.0
தற்காலிக
en
0GB
இல்லை
இலவசம்
CosyVoice3
Standard
காசிவாயசு3அலிபாபாவின் FunAudioLLM குழுவின் புதிய வளர்ச்சியாகும். இது ~150ms தாமதத்துடன் இரு-வழித்தடத்தைக் கொண்டுள்ளது, உணர்வு/வேகம்/ஒலியளவுக்கான கட்டளை-அடிப்படையிலான கட்டுப்பாடு, மற்றும் சுழல்-சூடு ஒத்தமைப்பிற்கு மேம்படுத்தப்பட்ட ஒலியளவு.9மொழிகள் மற்றும் 18 சீன மொழிகளை ஆதரிக்கின்றது. RL-இயக்கமான வகை, state-of-the-art prosody ஐ வழங்குகிறது.
Alibaba (FunAudioLLM)
Apache 2.0
தற்காலிக
en, zh, ja, ko, de, es, fr, it, ru
4GB
ஆம்
2x
NAMAA Saudi TTS
Standard
NAMAA சவுதி TTS என்பது Resemble AI' s ChatterboxMultilingual இன் சவுதி அரேபிய சிறிய- மென்மை. NAMAA Space மூலம் உண்மையான சவுதி- மொழிபெயர்ப்பு உரையாடலில் பயிற்சி அளிக்கப்பட்டுள்ளது, இது இயற்கையான நவீன தரமான அரபி மற்றும் சவுதி உரையாடல் உச்சரிப்பை உருவாக்குகிறது, இது பொதுவான பல மொழி மாதிரிகளுடன் பொருந்தாது. Chatterbox' s zero- shot voice cloning மற்றும் reference audio prompts மூலம் உணர்வு கட்டுப்பாட்டைப் பெறுகிறது. முதல் திறந்த- எடை அரேபிய TTS TTS.ai இல் நிறுவப்பட்டது. Name
NAMAA Space
MIT
நடு
ar
6GB
ஆம்
2x
Darwin TTS
Standard
ஃபினால்- பெஞ்சின் டார்வின்- TTS- 1.7B- கிராஸ் என்பது Qwen3- TTS- 1.7B இன் ஒரு ஆராய்ச்சி மாறுபாடு, அங்கு 84 talker- FFN tensors (8.6%) α=3% ல் Qwen3- 1.7B- Base ல் இருந்து பொருத்தமான tensors களுடன் கலக்கப்படுகிறது. கலவை மீண்டும் பயிற்சி இல்லாமல் உருவாக்கப்படுகிறது மற்றும் கொரிய, ஆங்கிலம், ஜப்பானியம் மற்றும் சீன மொழிகளில் தெளிவான மொழிகள் கடந்து குரல் ஒத்தமைப்புகளை உருவாக்குகிறது. சுழல்- ஷாட் குரல் ஒத்தமைப்பு வடிவத்தில் செயல்படுகிறது (3 விநாடிகள் குறிப்பு ஒலி).
FINAL-Bench
Apache 2.0
நடு
en, ko, ja, zh
7GB
ஆம்
2x
MOSS-TTSD
Standard
MOSS-TTSD v1.0 திறந்த MOSS ஒரு 7B உரையாடல் மாதிரி ஒரு குறுகிய ஒலி வினவலில் இருந்து தொடரும். [S1] / [S2] குறிகள் மூலம்5ஒரே நேரத்தில் பேசுபவர்களை ஆதரிக்கிறது, 3-10s குறிப்பு ஒலியில் இருந்து சுழல்-வெடிப்பு குரல் ஒத்தமைப்பு, மற்றும் 20 மொழிகளில் 60 நிமிடங்கள் வரை ஒத்துழைக்கும் பல-திசை உரையாடல். MOSS-TTS யிலிருந்து வேறுபட்டது - TTSD ப்ளேஸ்டேஷன்/ஒலி புத்தகம்/இருமொழிப் பெயர்ப்பு பணிப் பாய்ச்சல்களுக்கு சிறப்பு.
OpenMOSS
Apache 2.0
நடு
en, zh
12GB
ஆம்
2x
Ming-Omni TTS
Free
InclusionAI யின் Ming-omni-tts-0.5B ஒரு ஒற்றை-மோடில் பேச்சு மாதிரியாகும். இது BailingMM நெருக்கமான முதுகுத்தண்டு மற்றும் Patch-by-Patch ஒலி குறியாக்கி ஆகியவற்றின் மீது கட்டப்பட்டுள்ளது. 44.1kHz வெளியீட்டை வழங்குகிறது (CD தரத்திற்கு நெருக்கமாக), 3+ விநாடிகள் குறிப்பிலிருந்து சுழல்-சொல் ஒலியை உருவாக்க உதவுகிறது, மற்றும் JSON வழிமுறைகள் மூலம் உள்ளமைந்த உணர்வு / மொழி / BGM கட்டுப்பாட்டை உள்ளடக்கியது. சிறந்த நிலைத்தன்மை — சீன அடிப்படைகளில் 0.83% WER.
inclusionAI
Apache 2.0
நடு
en, zh
3GB
ஆம்
இலவசம்
MOSS-TTS Nano
Free
MOSS-TTS-Nano-100M என்பது MOSS-TTS குடும்பத்தின் OpenMOSS இன் 100M-அளபுரு மாற்றம், தாமத-மாற்றியமைப்பு கட்டமைப்பை பகிர்ந்து கொள்கிறது. 8B மாதிரியின் உச்ச தரத்தை ~80x சிறிய எடைகள் மற்றும் மிகவும் குறைந்த விவரக்குறிப்பு VRAM க்கு மாற்றுகிறது, இலவச-தள மற்றும் உயர்-தொகுப்பு செயல்படுத்தல்களுக்கு இது பொருத்தமானது. அதே 20-மொழிகள்.
OpenMOSS
Apache 2.0
தற்காலிக
en, zh, de, es, fr, ja, it, ko, ru, ar, pt
2GB
ஆம்
இலவசம்
Kokoro
இலவசம்
Kokoro is an 82 million parameter text-to-speech model that punches well above its weight class. Despite its tiny size, it produces remarkably natural and expressive speech. Kokoro supports multiple languages including English, Japanese, Chinese, and Korean with a variety of expressive voices. It runs incredibly fast — generating audio nearly 100x faster than real-time on a GPU.
Hexgrad
Apache 2.0
தற்காலிக
Piper
இலவசம்
Piper is a lightweight text-to-speech engine developed by Rhasspy that uses VITS and larynx architectures. It runs entirely on CPU, making it ideal for edge devices, home automation, and applications requiring offline TTS. With over 100 voices across 30+ languages, Piper delivers natural-sounding speech at real-time speeds even on a Raspberry Pi 4.
Rhasspy
MIT
தற்காலிக
VITS
இலவசம்
VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) is a parallel end-to-end TTS method that generates more natural sounding audio than current two-stage models. It adopts variational inference augmented with normalizing flows and an adversarial training process, achieving a significant improvement in naturalness.
Jaehyeon Kim et al.
MIT
தற்காலிக
MeloTTS
இலவசம்
MeloTTS by MyShell.ai is a multilingual TTS library supporting English (American, British, Indian, Australian), Spanish, French, Chinese, Japanese, and Korean. It is extremely fast, processing text at near real-time speed on CPU alone. MeloTTS is designed for production use and supports both CPU and GPU inference.
MyShell.ai
MIT
தற்காலிக
Kani TTS 2
இலவசம்
Kani-TTS-2 by NineNineSix is an ultra-lightweight 400M parameter model built on a Liquid AI LFM2 backbone with NVIDIA NanoCodec. It runs in just 3GB VRAM and produces ~10 seconds of speech in ~2 seconds on an A100 (RTF 0.2). The current public release ships an English-only `kani-tts-2-en` checkpoint and does not expose the speaker-embedding hook needed for voice cloning — use Chatterbox / IndexTTS2 / F5-TTS for cloning, or Kokoro / MeloTTS for non-English.
NineNineSix
Apache 2.0
தற்காலிக
OuteTTS
இலவசம்
OuteTTS extends large language models with text-to-speech capabilities while preserving the original architecture. It supports multiple backends including llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, and even browser inference via Transformers.js. Features zero-shot voice cloning through speaker profiles saved as JSON.
OuteAI
Apache 2.0
மெதுவான
Pocket TTS
இலவசம்
Pocket TTS by Kyutai (creators of Moshi) is a compact 100M parameter text-to-speech model that punches well above its weight. It runs efficiently on CPU, supports zero-shot voice cloning from a single audio sample, and produces natural-sounding speech. The small model size makes it ideal for edge deployment and low-resource environments.
Kyutai
MIT
தற்காலிக
Kitten TTS
இலவசம்
Kitten TTS by KittenML is an ultra-lightweight text-to-speech model built on ONNX. With variants from 15M to 80M parameters (25-80 MB on disk), it delivers high-quality voice synthesis on CPU without requiring a GPU. Features 8 built-in voices, adjustable speech speed, and built-in text preprocessing for numbers, currencies, and units. Ideal for edge deployment and low-latency applications.
KittenML
Apache 2.0
தற்காலிக
Ming-Omni TTS
இலவசம்
Ming-omni-tts-0.5B by inclusionAI is a compact omni-modal speech model built on the BailingMM dense backbone with a Patch-by-Patch flow-matching audio decoder. Delivers 44.1kHz output (near CD quality), supports zero-shot voice cloning from a 3+ second reference, and includes built-in emotion / dialect / BGM control via JSON instructions. Excellent stability — 0.83% WER on Chinese benchmarks.
inclusionAI
Apache 2.0
நடு
MOSS-TTS Nano
இலவசம்
MOSS-TTS-Nano-100M is OpenMOSS's compact 100M-parameter variant of the MOSS-TTS family, sharing the delay-transformer architecture. Trades the 8B model's peak quality for ~80x smaller weights and dramatically lower per-request VRAM, making it suitable for free-tier and high-throughput deployments. Same 20-language reach.
OpenMOSS
Apache 2.0
தற்காலிக
Bark
இயல்பான
Bark by Suno is a transformer-based text-to-audio model that can generate highly realistic, multilingual speech as well as other audio like music, background noise, and sound effects. It can produce nonverbal communications like laughing, sighing, and crying. Bark supports over 100 speaker presets and 13+ languages.
Suno
MIT
மெதுவான
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
இல்லை
Bark Small
இயல்பான
Bark Small is a distilled version of the Bark model that trades some audio quality for significantly faster inference speeds and lower memory requirements. It retains Bark's ability to generate speech with emotions, laughter, and multiple languages.
Suno
MIT
நடு
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
இல்லை
CosyVoice 2
இயல்பான
CosyVoice 2 by Alibaba's Tongyi Lab achieves human-comparable speech quality with extremely low latency, making it ideal for real-time applications. It uses a finite scalar quantization approach for streaming synthesis and supports zero-shot voice cloning, cross-lingual synthesis, and fine-grained emotion control. It outperforms many commercial TTS systems in subjective evaluations.
Alibaba (Tongyi Lab)
Apache 2.0
நடு
en, zh, ja, ko, fr, de, it, es
ஆம்
Dia TTS
இயல்பான
Dia by Nari Labs is a 1.6B parameter text-to-speech model designed specifically for generating multi-speaker dialogue. It can produce natural-sounding conversations between two speakers with appropriate turn-taking, prosody, and emotional expression. Dia is perfect for creating podcast-style content, audiobook dialogues, and interactive conversational AI.
Nari Labs
Apache 2.0
நடு
en
இல்லை
Parler TTS
இயல்பான
Parler TTS is a text-to-speech model that uses natural language voice descriptions to control the generated speech. Instead of selecting from preset voices, you describe the voice you want (e.g., "a warm female voice with a slight British accent, speaking slowly and clearly") and Parler generates speech matching that description. This makes it uniquely flexible for creative applications.
Hugging Face
Apache 2.0
நடு
en
இல்லை
Indic Parler TTS
இயல்பான
Indic Parler TTS by AI4Bharat extends the Parler architecture to Indian languages, generating natural speech in Tamil, Bengali, Marathi, Gujarati, Kannada, Punjabi, Odia, Assamese, Hindi, Telugu, Malayalam and English. Like Parler, you describe the voice you want in plain language and the model matches it — no preset voices required. Trained on AI4Bharat speech corpora for authentic pronunciation and prosody across the Indian subcontinent.
AI4Bharat
Apache 2.0
மெதுவான
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
இல்லை
KhanomTan TTS
இயல்பான
KhanomTan TTS is an open Thai text-to-speech model built on the YourTTS multilingual architecture. Trained on CC0 and permissively-licensed Thai corpora (TSync) alongside several other languages, it delivers natural Thai speech with multiple speaker voices. A clean, commercially-usable option for Thai — the language most open TTS models only cover under non-commercial licenses.
Wannaphong Phatthiyaphaibun
Apache 2.0
தற்காலிக
th
இல்லை
IndexTTS-2
இயல்பான
IndexTTS-2 is an advanced text-to-speech system that excels at zero-shot voice synthesis with fine-grained emotion control. It can generate speech with specific emotional tones like happy, sad, angry, or fearful without requiring emotion-specific training data. The model uses emotion vectors to precisely control the emotional expression of generated speech.
Index Team
Bilibili Model License
நடு
en, zh
ஆம்
Spark TTS
இயல்பான
Spark TTS by SparkAudio is a text-to-speech model that combines voice cloning with controllable emotion and speaking style. Using just 5 seconds of reference audio, it can clone a voice and then generate speech with different emotions, speeds, and styles while maintaining the cloned voice identity. Spark TTS uses a prompt-based control system.
SparkAudio
CC BY-NC-SA 4.0
நடு
en, zh
ஆம்
GPT-SoVITS
இயல்பான
GPT-SoVITS combines GPT-style language modeling with SoVITS (Singing Voice Inference via Translation and Synthesis) for powerful few-shot voice cloning. With as little as 5 seconds of reference audio, it can accurately clone a voice and generate new speech while preserving the speaker's unique characteristics. It excels at both speaking and singing voice synthesis.
RVC-Boss
MIT
மெதுவான
en, zh, ja, ko
ஆம்
Orpheus
இயல்பான
Orpheus is a large-scale text-to-speech model that achieves human-level emotional expression. Trained on over 100,000 hours of diverse speech data, it excels at generating speech with natural emotions, emphasis, and speaking styles. Orpheus can produce speech that is virtually indistinguishable from human recordings.
Canopy Labs
Llama 3.2 Community
நடு
en
இல்லை
Qwen3 TTS
இயல்பான
Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports two modes: preset voices with emotion control (9 speakers), and a unique voice design mode where you describe the voice you want in natural language. It covers 10 languages with high expressiveness and natural prosody.
Alibaba (Qwen)
Apache 2.0
நடு
en, zh, ja, ko, de, fr, ru, pt, es, it
இல்லை
VieNeu-TTS-v2
இயல்பான
VieNeu-TTS-v2 is a 300M parameter Vietnamese-first TTS model trained on 10,000+ hours of bilingual data. It supports seamless en-vi code-switching, 7 preset voices spanning Northern and Southern accents, and instant voice cloning from 3-5 seconds of reference audio. Runs entirely on CPU via GGUF Q4 inference + ONNX audio decoder — no GPU needed, generations finish in ~7 seconds. Built on a Qwen3 backbone.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
தற்காலிக
vi, en
ஆம்
Chatterbox Turbo
இயல்பான
Chatterbox Turbo by Resemble AI is a 350M parameter upgrade to Chatterbox, delivering up to 6x real-time speed with sub-200ms latency. It supports paralinguistic tags like [laugh], [cough], and [chuckle] directly in text. Includes Perth watermarking on all generated audio for provenance tracking.
Resemble AI
MIT
தற்காலிக
en
ஆம்
VibeVoice
இயல்பான
VibeVoice from Microsoft generates long-form speech up to 90 minutes with support for 4 simultaneous speakers, making it ideal for podcasts and dialogues. The Realtime 0.5B variant achieves ~300ms latency for interactive use. Supports speaker tags for multi-turn dialogue generation.
Microsoft
MIT
தற்காலிக
en, zh
இல்லை
CosyVoice3
இயல்பான
CosyVoice3 is the latest evolution from Alibaba's FunAudioLLM team. It features bi-streaming inference with ~150ms latency, instruction-based control for emotion/speed/volume, and improved speaker similarity for zero-shot cloning. Supports 9 languages plus 18 Chinese dialects. RL-tuned variant delivers state-of-the-art prosody.
Alibaba (FunAudioLLM)
Apache 2.0
தற்காலிக
en, zh, ja, ko, de, es, fr, it, ru
ஆம்
NAMAA Saudi TTS
இயல்பான
NAMAA Saudi TTS is a Saudi Arabic fine-tune of Resemble AI's ChatterboxMultilingual. Trained by NAMAA Space on authentic Saudi-dialect speech, it produces natural Modern Standard Arabic and Saudi colloquial pronunciation that generic multilingual models cannot match. Inherits Chatterbox's zero-shot voice cloning and emotion control via reference audio prompts. The first open-weights Arabic TTS deployed on TTS.ai.
NAMAA Space
MIT
நடு
ar
ஆம்
Darwin TTS
இயல்பான
Darwin-TTS-1.7B-Cross by FINAL-Bench is a research variant of Qwen3-TTS-1.7B where 84 talker-FFN tensors (8.6%) are blended at α=3% with the matching tensors from Qwen3-1.7B-Base. The blend is built without retraining and produces noticeably crisper cross-lingual voice cloning across Korean, English, Japanese, and Chinese. Operates in zero-shot voice-clone mode (3 seconds reference audio).
FINAL-Bench
Apache 2.0
நடு
en, ko, ja, zh
ஆம்
MOSS-TTSD
இயல்பான
MOSS-TTSD v1.0 from OpenMOSS is a 7B dialogue text-to-speech model that continues conversations from a short audio prompt. Supports up to 5 simultaneous speakers via [S1]/[S2] tags, zero-shot voice cloning from 3-10s reference audio, and up to 60 minutes of coherent multi-turn dialogue across 20 languages. Distinct from MOSS-TTS — TTSD is specialized for podcast/audiobook/dubbing workflows.
OpenMOSS
Apache 2.0
நடு
en, zh
ஆம்
Chatterbox
பிரீமியம்
Chatterbox by Resemble AI is a cutting-edge zero-shot voice cloning model. It can replicate any voice from a single audio sample with remarkable accuracy, capturing not just the timbre but also the speaking style and emotional nuances. Chatterbox also features fine-grained emotion control, allowing you to adjust the emotional tone of the generated speech independently from the voice identity.
Resemble AI
MIT
நடு
en
ஆம்
4GB
4x
StyleTTS 2
பிரீமியம்
StyleTTS 2 achieves human-level TTS synthesis by combining style diffusion with adversarial training using large speech language models. It generates the most natural sounding speech among single-speaker models, rivaling human recordings. StyleTTS 2 uses diffusion-based style modeling to capture the full range of human speech variation.
Columbia University
MIT
நடு
en
இல்லை
4GB
4x
OpenVoice
பிரீமியம்
OpenVoice by MyShell.ai enables instant voice cloning with granular control over voice style, emotion, accent, rhythm, pauses, and intonation. It can clone a voice from a short audio clip and generate speech in multiple languages while maintaining the speaker identity. OpenVoice also functions as a voice converter, allowing real-time voice transformation.
MyShell.ai / MIT
MIT
நடு
en, zh, ja, ko, fr, es
ஆம்
4GB
4x
Sesame CSM
பிரீமியம்
Sesame CSM (Conversational Speech Model) is a 1 billion parameter model designed specifically for generating conversational speech. It models the natural patterns of human conversation including turn-taking timing, backchannel responses, emotional reactions, and conversational flow. CSM generates audio that sounds like a natural human conversation rather than synthetic speech.
Sesame
Apache 2.0
மெதுவான
en
இல்லை
8GB
4x
மாதிரி ஒப்பீட்டு அட்டவணை
| மாதிரி | உருவாக்குநர்: | மிருகம் | தரம்: | வேகம் | மொழிகள் | குரல் படிமம்Name | விராம் | உரிமம்: | கிரெடிட்ஸ் | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | தற்காலிக | 8 | 1.5GB | Apache 2.0 | இலவசம் | பயன்படுத்து | ||
| Piper | Rhasspy | Free | தற்காலிக | 42 | 0 (CPU only) | MIT | இலவசம் | பயன்படுத்து | ||
| VITS | Jaehyeon Kim et al. | Free | தற்காலிக | 11 | 1GB | MIT | இலவசம் | பயன்படுத்து | ||
| MeloTTS | MyShell.ai | Free | தற்காலிக | 6 | 0.5GB (GPU optional) | MIT | இலவசம் | பயன்படுத்து | ||
| Bark | Suno | Standard | மெதுவான | 13 | 5GB | MIT | 2 | பயன்படுத்து | ||
| Bark Small | Suno | Standard | நடு | 13 | 2GB | MIT | 2 | பயன்படுத்து | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | நடு | 8 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| Dia TTS | Nari Labs | Standard | நடு | 1 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| Parler TTS | Hugging Face | Standard | நடு | 1 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| Indic Parler TTS | AI4Bharat | Standard | மெதுவான | 12 | 8GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| KhanomTan TTS | Wannaphong Phatthiyaphaibun | Standard | தற்காலிக | 1 | 2GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| IndexTTS-2 | Index Team | Standard | நடு | 2 | 4GB | Bilibili Model License | 2 | பயன்படுத்து | ||
| Spark TTS | SparkAudio | Standard | நடு | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | பயன்படுத்து | ||
| GPT-SoVITS | RVC-Boss | Standard | மெதுவான | 4 | 6GB | MIT | 2 | பயன்படுத்து | ||
| Orpheus | Canopy Labs | Standard | நடு | 1 | 4GB | Llama 3.2 Community | 2 | பயன்படுத்து | ||
| Chatterbox | Resemble AI | Premium | நடு | 1 | 4GB | MIT | 4 | பயன்படுத்து | ||
| Tortoise TTS | James Betker | Premium | மெதுவான | 1 | 8GB | Apache 2.0 | 4 | பயன்படுத்து | ||
| StyleTTS 2 | Columbia University | Premium | நடு | 1 | 4GB | MIT | 4 | பயன்படுத்து | ||
| OpenVoice | MyShell.ai / MIT | Premium | நடு | 6 | 4GB | MIT | 4 | பயன்படுத்து | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | நடு | 10 | 7GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| VieNeu-TTS-v2 | Phạm Nguyễn Ngọc Bảo | Standard | தற்காலிக | 2 | CPU | Apache 2.0 | 2 | பயன்படுத்து | ||
| Sesame CSM | Sesame | Premium | மெதுவான | 1 | 8GB | Apache 2.0 | 4 | பயன்படுத்து | ||
| Chatterbox Turbo | Resemble AI | Standard | தற்காலிக | 1 | 2GB | MIT | 2 | பயன்படுத்து | ||
| VoxCPM | OpenBMB | Standard | தற்காலிக | 2 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| Kani TTS 2 | NineNineSix | Free | தற்காலிக | 1 | 3GB | Apache 2.0 | இலவசம் | பயன்படுத்து | ||
| OuteTTS | OuteAI | Free | மெதுவான | 1 | 2GB | Apache 2.0 | இலவசம் | பயன்படுத்து | ||
| VibeVoice | Microsoft | Standard | தற்காலிக | 2 | 4GB | MIT | 2 | பயன்படுத்து | ||
| Pocket TTS | Kyutai | Free | தற்காலிக | 2 | 1GB | MIT | இலவசம் | பயன்படுத்து | ||
| Kitten TTS | KittenML | Free | தற்காலிக | 1 | 0GB | Apache 2.0 | இலவசம் | பயன்படுத்து | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | தற்காலிக | 9 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| NAMAA Saudi TTS | NAMAA Space | Standard | நடு | 1 | 6GB | MIT | 2 | பயன்படுத்து | ||
| Darwin TTS | FINAL-Bench | Standard | நடு | 4 | 7GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| MOSS-TTSD | OpenMOSS | Standard | நடு | 2 | 12GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| Ming-Omni TTS | inclusionAI | Free | நடு | 2 | 3GB | Apache 2.0 | இலவசம் | பயன்படுத்து | ||
| MOSS-TTS Nano | OpenMOSS | Free | தற்காலிக | 11 | 2GB | Apache 2.0 | இலவசம் | பயன்படுத்து |
மிகவும் விரிவான AI உரையிலிருந்து பேச்சிற்கு மேடைName
TTS.ai ஐ உரை-சொல் வசதிக்காக ஏன் தேர்வு செய்வது?
TTS.ai உலகின் சிறந்த திறந்த மூல உரையிலிருந்து பேச்சிற்கு மாதிரிகளை ஒரே, எளிதாக பயன்படுத்தக்கூடிய தளத்தில் ஒன்றாகக் கொண்டுவருகிறது. தனிப்பட்ட குரல் இயந்திரத்தில் உங்களை அடைத்து வைக்கும் சொந்த சேவைகளை விட TTS.ai உங்களுக்கு Coqui, MyShell, Amphion, NVIDIA, Suno, HuggingFace, Tsinghua University மற்றும் மேலும் பலவற்றுடன் முன்னணி ஆராய்ச்சி ஆய்வகங்களில் இருந்து 20+ மாதிரிகளை அணுக அனுமதிக்கிறது.
ஒவ்வொரு மாதிரியும் MIT, Apache 2.0, அல்லது அதே போன்ற அனுமதி உரிமங்களின் கீழ் திறந்த மூலமாக உள்ளது, உங்கள் திட்டங்களில் உருவாக்கப்பட்ட ஒலியைப் பயன்படுத்த உங்களுக்கு முழு வணிக உரிமைகள் உறுதிப்படுத்தப்படுகின்றன. உங்களுக்கு வேகமான, இலகுவான ஒலி சேர்க்கை தேவைப்பட்டாலும் அல்லது ஒலி புத்தகங்கள் மற்றும் போட்காஸ்டுகள்க்கான பிரீமியம் ஸ்டுடியோ தரமான வெளியீடு தேவைப்பட்டாலும், TTS.ai ஒவ்வொரு பயன்பாட்டு வழக்கத்திற்கும் சரியான மாதிரியைக் கொண்டுள்ளது.
இலவச மாதிரிகள், கணக்கு தேவையில்லை
மூன்று இலவச TTS மாதிரிகளுடன் உடனடியாகத் தொடங்கவும்: Piper (அதிக வேகம், எளிமை), VITS (உயர் தர நரம்பியல் சேர்க்கை), மற்றும் MeloTTS (பல மொழி ஆதரவு). பதிவு தேவையில்லை, கடன் அட்டை தேவையில்லை, தலைமுறைகளுக்கு வரம்புகள் தேவையில்லை. இலவச மாதிரிகள் ஆங்கிலம் மற்றும் பல மொழிகளுக்கு ஆதரவு அளிக்கின்றன, இயல்பான ஒலி வெளியீடு பெரும்பாலான பயன்பாடுகளுக்கு ஏற்றது.
ஜிபியு- விரைவுபடுத்தப்பட்ட செயலாக்கம்
அனைத்து TTS மாதிரிகளும் விரைவான, நிலையான உருவாக்க நேரங்களுக்கு ஏற்ற NVIDIA GPU களில் இயங்குகின்றன. இலவச மாதிரிகள் பொதுவாக2விநாடிகளுக்குள் ஒலியை உருவாக்குகின்றன. Kokoro, CosyVoice2மற்றும் Bark போன்ற நிலையான மாதிரிகள் சராசரியாக 3-5 விநாடிகள். Tortoise மற்றும் Chatterbox போன்ற உயர்ந்த தரமான பிரீமியம் மாதிரிகள், உரை நீளத்தைப் பொறுத்து 5-15 விநாடிகளில் செயல்படுகின்றன.
30+ மொழிகள் ஆதரவு
ஆங்கிலம், ஸ்பானிஷ், பிரெஞ்சு, ஜெர்மன், இத்தாலியன், போர்ச்சுகீசியன், சீனம், ஜப்பானியம், கொரியன், அரபி, இந்தி, ரஷ்ய மற்றும் பல மொழிகளில் பேசுவதற்கு வாய்ப்புகள் உள்ளன. பல மாதிரிகள் மொழிகள் வேறுபட்ட ஒழுங்கமைப்பை ஆதரிக்கின்றன, அதாவது நீங்கள் ஒரு மொழியில் பேசலாம், இது ஒருபோதும் பயிற்சி பெறாத மொழி. காசிவாயஸ்2மற்றும் ஜிபிடி- சோவிட்ஸ் மொழிகள் வேறுபட்ட குரல் ஒத்திசைவில் சிறந்தவை.
உருவாக்குநர்- தயாரான API
TTS.aiஐ உங்கள் பயன்பாடுகளில் ஒருங்கிணைக்க OpenAI-க்கு ஏற்ற REST API. அனைத்து 20+ மாதிரிகளுக்கும் ஒரு முடிவு. பைத்தான், ஜாவாஸ்கிரிப்ட், cURL மற்றும் Go SDKs. உண்மையான நேர பயன்பாடுகளுக்கு ஆதரவு. பெரிய அளவிலான உள்ளடக்க உருவாக்கத்திற்கு தொகுப்பு செயல்பாடு. அசைவற்ற அறிவிப்புகளுக்கு வெப்ஹூக்ஸ். API அணுகல் இலவசம் உள்ளிட்ட ஒவ்வொரு திட்டத்திலும் உள்ளடக்கப்பட்டுள்ளது.
அடிக்கடி கேட்கப்படும் கேள்விகள்
நாம் என்ன மேம்படுத்த முடியும்? உங்கள் கருத்துகள் பிரச்சினைகளை சரிசெய்ய உதவுகிறது.
உரையிலிருந்து பேச்சாக மாற்றுவதை இப்போது தொடங்கு
TTS.ai பயன்படுத்தி ஆயிரக்கணக்கான உருவாக்குபவர்களுடன் இணையுங்கள். புதிய கணக்குடன் 15,000 இலவச எழுத்துக்களை பெறுங்கள். பதிவு இல்லாமல் இலவச மாதிரிகள் கிடைக்கும்.