உரையிலிருந்து பேசுName AI செயலிகள் இசை ஒலியை உரை ஆக்குName குரல் படிமம்Name குரல் வடிவமைப்பு சந்தை மேலும்

AI உரை- இருந்து- பேச்சுName

திறந்த மூல AI மாதிரிகளுடன் இயற்கையான ஒலியுடன் உரையை உரையாடலுக்கு மாற்றவும். பயன்படுத்துவதற்கு இலவசம், கணக்கு தேவையில்லை.

இலவச பதிவு
உங்கள் மொழியில் TTS குரல்கள் இன்னும் எங்களிடம் இல்லை. உங்களை சேர்க்க எங்களுக்கு உதவுங்கள்! உமது குரலை விற்றுவிடு
0/500 எழுத்துக்கள்
பதிவு செய் 5,000 எழுத்துகள் வரையறை

உங்களின் உரை SSML ஒட்டுகளில் சரியான கட்டுப்பாட்டிற்காக மடி:

<speak><prosody rate="slow">Slow speech</prosody></speak>

உணர்வுகளை சேர்த்து வழங்கு (மாடலிங் ஆதரவு மாறுபடும்):

தனிப்பயன் உச்சரிப்புகளை வரையறுக்கவும் (வார்த்தை = உச்சரிப்பு):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS உடன் இலவசமாக
உங்கள் உருவாக்கப்பட்ட ஒலி இங்கே தோன்றும். ஒரு மாதிரியை தேர்ந்தெடுத்து, உரை உள்ளிடவும், உருவாக்க க்ளிக் செய்யவும்.
ஒலி வெற்றிகரமாக உருவாக்கப்பட்டது
ஒலி பதிவிறக்கம் இணைப்பு 24 மணிநேரத்தில் காலாவதியாகும்
TTS.ai ஐ நேசிக்கிறீர்களா? உங்கள் நண்பர்களுக்குச் சொல்லுங்கள்!

மாதிரி விவரங்கள்

TADA

TADA

Standard

TADA (Text-Acoustic Dual Alignment) by Hume AI is a groundbreaking TTS model that eliminates hallucinations through a novel dual alignment architecture built on Llama 3.2. Available in 1B (English) and 3B (multilingual) variants, TADA achieves an RTF of 0.09 — 5x faster than comparable LLM-based TTS models. It supports up to 700 seconds of audio context and produces emotionally expressive speech with zero hallucinations on standard benchmarks.

உருவாக்குநர்: Hume AI
உரிமம்: MIT
வேகம் Fast
தரம்:
மொழிகள் 1 ஆங்கிலம்
விராம் 5GB
குரல் படிமம்Name ஆதரவில்லை
சிறப்பம்சங்கள்:
Zero hallucinations 5x faster than LLM TTS Emotional expression 700s audio context Dual alignment
சிறந்த:: High-quality hallucination-free speech, emotional expression, fast inference

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 1K எழுத்துக்களுக்கு செலவு
இலவசம் 0 புள்ளிகள் (வரம்பு இல்லாத)
இயல்பான 2 கடன்கள் / 1K எழுத்துக்கள்
பிரீமியம் 4 கடன்கள் / 1K எழுத்துக்கள்
மேலும் எழுத்துக்களை பெறு

AI உரை-இன்-பேச்சு எப்படி வேலை செய்கிறது

மூன்று எளிய படிகளில் தொழில்நுட்ப-தரமான குரல்களை உருவாக்கவும். தொழில்நுட்ப அறிவு தேவையில்லை.

அடியொன்று

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.

அடியொன்று

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).

அடியெடுத்து 3

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.

ஒலி நூல்கள்

முழு நூல்களையும் ஸ்டுடியோ தரமான உரையாடலுடன் இயற்கையான ஒலி புத்தகங்களாக மாற்றவும். Dia உடன் பல-ஒலிப்பேச்சு ஆதரவு எழுத்து உரையாடலுக்கு.

வீடியோ குரல் மேலாண்மை

யூடியூப், டிக்டாக், இன்ஸ்டாகிராம் ரீல்ஸ் மற்றும் குறுந்தகடுகளுக்கான தொழில்முறை குரல்களை உருவாக்கவும். 100+ குரல்கள் அல்லது உங்கள் சொந்தத்தைக் குளோன் செய்யவும்.

தொலைக்காட்சி நிகழ்ச்சிகள்

பல AI குரல்களுடனான சிறுநிரல்களிலிருந்து போட்காஸ்ட் நிகழ்வுகளை உருவாக்கவும். இயற்கையான இரண்டு ஒலிபெருக்கி உரையாடல்களுக்கான Dia ஐப் பயன்படுத்தவும்.

விளையாட்டு

தனியார் விளையாட்டுகள், பார்வை நூல்கள், மற்றும் பரிமாற்றம் செய்யும் கதைகள். NPC உரையாடல், கட்ஸ்கீன் குரல்கள், 30+ மொழிகள்.

மின்னணு கற்றல்

பயிற்சி பொருள்களை, வகுப்புகளை, பயிற்சி உள்ளடக்கங்களை ஒலியாக மாற்றவும். உலகளாவிய தளங்களுக்கு பல மொழி ஆதரவு. Name

அணுகக்கூடிய

இணையத்தளங்கள், ஆவணங்கள் மற்றும் பயன்பாடுகளை அணுகக்கூடியதாக்கு. திரை வாசிப்பவர் API ஒருங்கிணைப்பு மற்றும் கட்டுரை-இடது-ஒலி மாற்றம்.

தொலைபேசி அமைப்புகள்

இயற்கை AI குரல்களுடன் IVR அமைப்புகள், தொலைபேசி பட்டியல் மற்றும் வாடிக்கையாளர் சேவைகளை இயக்கவும். அழைப்பு மையங்களுக்கு குறைந்த-தாமதமான ஒளிபரப்பு.

சமூக ஊடகம்

ட்விட்டர்/X கருத்துரை, யூடியூப் குறுந்தகடுகள். இலவச மாதிரிகளுடன் விரைவான உருவாக்கம்.

ஒலிபரப்பு

டிவிச் TTS எச்சரிக்கைகள், உரையாடல்-குரல், AI கூட்டு-அமைப்பாளர்கள், மற்றும் டிஸ்கார்ட் ரோபோட்டுகள். குறைந்த தாமதம், 100+ குரல்கள், ஸ்ட்ரீம் எலெமெண்ட்ஸ் உடன்பாடு.

சந்தைப்படுத்தல்

விளம்பர வாக்குமூலம், விளக்க வீடியோக்கள், தயாரிப்புகள் மற்றும் விற்பனை அளிக்கைகள். ஒலி உள்ளடக்க உற்பத்திகளை ஊக்குவிக்கவும்.

இடமாற்றம் & உள்ளமைவு

30+ மொழிகளில் வீடியோவை மொழிபெயர்க்கவும், ஒத்த AI உடன். தானியங்கி மொழிபெயர்ப்பு மற்றும் பேசுபவர் கண்டறியுதல்.

தியானம் மற்றும் நலன்

வழிகாட்டப்பட்ட தியானம், தூக்கம் கதைகள், மூச்சு பயிற்சிகள், மற்றும் அமைதியான, அமைதியான AI குரல்கள் மூலம் உறுதிப்படுத்தல்.
அனைத்து பயன்பாடுகள் மற்றும் கருவிகளைக் காட்டு

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.

KokoroKokoro

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.

உருவாக்குநர்::
Hexgrad
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்:
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
விராம்:
1.5GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
இலவசம்
82M அளவுருக்கள் மிக வேகமான வெளிப்படையான குரல்கள் பன்மொழிName ஸ்டிரீம் ஆதரவு
சிறந்த:: குறைந்த கால தாமதத்துடன் உயர்தர TTS, ஒலிபரப்பு பயன்பாடுகள்Name
முயற்சிக்கவும் Kokoro

PiperPiper

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.

உருவாக்குநர்::
Rhasspy
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en, de, fr, es, it, pt, nl, pl, ru, zh, ja, ko, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi
விராம்:
0 (CPU only)
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
இலவசம்
சிபியு- நட்பு இணையமில்லாத நிலை 100+ குரல்கள் 30+ மொழிகள் SSML ஆதரவு
சிறந்த:: விரைவான முன்தோற்றங்கள், அணுகல் மற்றும் உட்பொதிந்த பயன்பாடுகள்Name
முயற்சிக்கவும் Piper

VITSVITS

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.

உருவாக்குநர்::
Jaehyeon Kim et al.
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en, zh, ja, ko
விராம்:
1GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
இலவசம்
முடிவிலிருந்து முடிவிற்குச் சேர்த்தல் இயற்கையான வரிவடிவம் வேகமான முடிவு பல ஒலிபெருக்கி
சிறந்த:: இயற்கையான வரிவடிவத்துடன் பொது- நோக்க உரை- இருந்து- பேச்சுName
முயற்சிக்கவும் VITS

MeloTTSMeloTTS

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.

உருவாக்குநர்::
MyShell.ai
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en, es, fr, zh, ja, ko
விராம்:
0.5GB (GPU optional)
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
இலவசம்
சிபியு- சிறந்த பல மொழிகள் பலவகை உச்சரிப்புகள் தயாரிப்பு- தயார் குறைந்த தாமதம்
சிறந்த:: விரைவான, பல மொழி TTS தேவைப்படும் உற்பத்தி பயன்பாடுகள்Name
முயற்சிக்கவும் MeloTTS

BarkBark

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.

உருவாக்குநர்::
Suno
உரிமம்::
MIT
வேகம்:
Slow
தரம்::
மொழிகள்:
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
விராம்:
5GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
2x
ஒலி விளைவுகள் சிரித்தல்/அழுதுகொண்டிருப்பது இசைத் தொகுப்பு 100+ ஒலிப்பேழைகள் பன்மொழிName
சிறந்த:: திறமையான ஒலி உள்ளடக்கம், உணர்ச்சிகள், ஒலி விளைவுகளுடன் ஒலி புத்தகங்கள்
முயற்சிக்கவும் Bark

Bark SmallBark 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.

உருவாக்குநர்::
Suno
உரிமம்::
MIT
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
விராம்:
2GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
2x
எளிய எடை முழு பார்க்கை விட வேகமானது உணர்ச்சிமயமான உரையாடல் பல மொழிகள்
சிறந்த:: முழுமையான பார்க் மிகவும் மெதுவாக இருக்கும் போது விரைவான படைப்பாளி ஒலி
முயற்சிக்கவும் Bark Small

CosyVoice 2CosyVoice 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.

உருவாக்குநர்::
Alibaba (Tongyi Lab)
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, ja, ko, fr, de, it, es
விராம்:
4GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
ஒலிபரப்பு சுழற்சி இல்லாத படிமமாக்கல் மொழியொட்டு உணர்வு கட்டுப்பாடு மனித சமநிலை
சிறந்த:: உண்மையான நேர பயன்பாடுகள், டிடிஎஸ், குரல் உதவியாளர்கள்
முயற்சிக்கவும் CosyVoice 2

Dia TTSDia 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.

உருவாக்குநர்::
Nari Labs
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en
விராம்:
4GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
2x
பல- ஒலிப்பேச்சு உரையாடல் உருவாக்கம் இயற்கையான சுழற்சி உணர்ச்சி வெளிப்பாடு 1.6B அளவுருக்கள்
சிறந்த:: பாட்டுக்கள், ஒலிப்புத்தக உரையாடல்கள், உரையாடல் உள்ளடக்கம்
முயற்சிக்கவும் Dia TTS

Parler TTSParler 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.

உருவாக்குநர்::
Hugging Face
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en
விராம்:
4GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
2x
குரல் விளக்கம் இயற்கை மொழி கட்டுப்பாடு மெதுவான குரல் உருவாக்கம் முன் அமைக்கப்பட்ட குரல்கள் தேவையில்லை
சிறந்த:: தனிப்பயன் குரல் குணங்கள் தேவைப்படும் உருவாக்கு பயன்பாடுகள்Name
முயற்சிக்கவும் Parler TTS

GLM-TTSGLM-TTS

Standard

ஜிஎல்எம்- டிடிஎஸ் ஜிபு AI யின் உரை- இருந்து- பேச்சு அமைப்பாகும். இது லாமா கட்டமைப்பின் மீது கட்டப்பட்டுள்ளது. இது திறந்த மூல டிடிஎஸ் மாதிரிகளில் குறைந்த எழுத்து பிழை விகிதத்தை அடைகிறது, அதாவது இது மிகவும் சரியான உச்சரிப்பை உருவாக்குகிறது. ஜிஎல்எம்- டிடிஎஸ் ஆங்கிலம் மற்றும் சீன மொழிக்கு ஆதரவு அளிக்கிறது. 3- 10 விநாடி ஒலி மாதிரிகளில் இருந்து குரல் ஒத்திசைவு.

உருவாக்குநர்::
Zhipu AI
உரிமம்::
GLM-4 License
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh
விராம்:
4GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
குறைந்த பிழை விகிதம் குரல் ஒப்புமை பாய்வு பொருத்தம் இயற்கையான வரிவடிவம்
சிறந்த:: அதிகபட்ச உச்சரிப்புத் துல்லியத்தைக் கொண்ட பயன்பாடுகள்Name
முயற்சிக்கவும் GLM-TTS

IndexTTS-2IndexTTS-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.

உருவாக்குநர்::
Index Team
உரிமம்::
Bilibili Model License
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh
விராம்:
4GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
உணர்வு கட்டுப்பாடு சுழற்சி உணர்வு வெக்டர்கள் வெளிப்பாட்டுச் சொற்கள் சிறிய அளவிலான கட்டுப்பாடு
சிறந்த:: உணர்ச்சிவசப்படுபவை, ஒலிப்புத்தகங்கள், மெய்நிகர் உதவியாளர்கள்Name
முயற்சிக்கவும் IndexTTS-2

Spark TTSSpark 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.

உருவாக்குநர்::
SparkAudio
உரிமம்::
CC BY-NC-SA 4.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh
விராம்:
4GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
குரல் ஒப்புமை உணர்வு கட்டுப்பாடு பாணி கட்டுப்பாடு வினவுதல் அடிப்படை 5- நொடிகள் படிமமாக்கல்
சிறந்த:: குளோனிங் குரல் மற்றும் உணர்ச்சி கட்டுப்பாட்டு உள்ளடக்க உருவாக்கம்
முயற்சிக்கவும் Spark TTS

GPT-SoVITSGPT-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.

உருவாக்குநர்::
RVC-Boss
உரிமம்::
MIT
வேகம்:
Slow
தரம்::
மொழிகள்:
en, zh, ja, ko
விராம்:
6GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
5- நொடி படிமமாக்கம் பாடும் குரல் சில-தொடக்கங்கள் கற்றல் உயர் நம்பகத்தன்மை மொழியொட்டு
சிறந்த:: குரல் ஒப்புமை, பாடல் சேர்ப்பு, உள்ளடக்க உருவாக்கி குரல் மறுபிறப்பு
முயற்சிக்கவும் GPT-SoVITS

OrpheusOrpheus

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.

உருவாக்குநர்::
Canopy Labs
உரிமம்::
Llama 3.2 Community
வேகம்:
Medium
தரம்::
மொழிகள்:
en
விராம்:
4GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
2x
மனித அளவு உணர்வு 100K மணிநேர பயிற்சி இயற்கை உறுதிப்படுத்தல் வெளிப்படையான உரையாடல்
சிறந்த:: உயர்தர உணர்ச்சிவசப்படுபவை, ஒலிப்புத்தகங்கள், குரல் நடிப்புகள்
முயற்சிக்கவும் Orpheus

ChatterboxChatterbox

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.

உருவாக்குநர்::
Resemble AI
உரிமம்::
MIT
வேகம்:
Medium
தரம்::
மொழிகள்:
en
விராம்:
4GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
4x
சுழற்சி இல்லாத படிமமாக்கல் உணர்வு கட்டுப்பாடு உயர் நம்பகத்தன்மை பாணி மாற்றம் ஒற்றை மாதிரிக் குறியீடு
சிறந்த:: உணர்ச்சி கட்டுப்பாட்டுடனும், உள்ளடக்க உருவாக்கத்துடனும் தொழில்முறை குரல் ஒத்திசைவுName
முயற்சிக்கவும் Chatterbox

Tortoise TTSTortoise 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.

உருவாக்குநர்::
James Betker
உரிமம்::
Apache 2.0
வேகம்:
Slow
தரம்::
மொழிகள்:
en
விராம்:
8GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
4x
மிக உயர்ந்த தரம் பல-குரல் டால்-இ கட்டமைப்பு குரல் படிமம் தானாகக் குறைதல்
சிறந்த:: ஒலிப்புத்தகங்கள், சிறந்த உள்ளடக்கம், தரம்-முதன்மை பயன்பாடுகள்
முயற்சிக்கவும் Tortoise TTS

StyleTTS 2StyleTTS 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.

உருவாக்குநர்::
Columbia University
உரிமம்::
MIT
வேகம்:
Medium
தரம்::
மொழிகள்:
en
விராம்:
4GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
4x
மனித-நிலை பாணி பரவல் எதிர்ப்புப் பயிற்சி இயற்கை மாறுபாடு உயர் நம்பகத்தன்மை
சிறந்த:: ஸ்டுடியோ தர ஒற்றை ஒலிபெருக்கி சேர்க்கை, தொழில்முறை உரையாடல்
முயற்சிக்கவும் StyleTTS 2

OpenVoiceOpenVoice

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.

உருவாக்குநர்::
MyShell.ai / MIT
உரிமம்::
MIT
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, ja, ko, fr, de, es, it
விராம்:
4GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
4x
உடனடி ஒப்புநோக்கு குரல் மாற்றம் உணர்வு கட்டுப்பாடு உச்சரிப்பு கட்டுப்பாடு பன்மொழிName
சிறந்த:: சிறிய அளவிலான பாணி கட்டுப்பாட்டுடனான குரல் மாற்றம், குரல் மாற்றம்
முயற்சிக்கவும் OpenVoice

Qwen3 TTSQwen3 TTS

Standard

Qwen3- TTS என்பது அலிபாபாவின் Qwen குழுவிலிருந்து 1.7 பில்லியன் அளவுரு உரை- இருந்து- பேச்சு மாதிரியாகும். இது மூன்று வகைகளை ஆதரிக்கிறது: உணர்வு கட்டுப்பாட்டுடனான முன் அமைக்கப்பட்ட குரல்கள் (9 ஒலிப்பேச்சு), ஒலியை3விநாடிகளில் ஒலிக்கச் செய்வது, மற்றும் இயற்கை மொழியில் நீங்கள் விரும்பும் குரலை விவரிக்கும் தனித்துவமான குரல் வடிவமைப்பு வகை. இது உயர்ந்த வெளிப்பாட்டுடன் மற்றும் இயற்கையான குரல்வழியில் 10 மொழிகளைக் கொண்டுள்ளது.

உருவாக்குநர்::
Alibaba (Qwen)
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, ja, ko, de, fr, ru, pt, es, it
விராம்:
7GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
குரல் ஒப்புமை 9 முன் அமைக்கப்பட்ட குரல்கள் உரையிலிருந்து குரல் வடிவமைப்பு உணர்வு கட்டுப்பாடு பத்து மொழிகள்
சிறந்த:: குரல் ஒத்தமைப்பு அல்லது தனிப்பயன் குரல் வடிவமைப்புடன் பல மொழி உள்ளடக்கம்
முயற்சிக்கவும் Qwen3 TTS

Sesame CSMSesame 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.

உருவாக்குநர்::
Sesame
உரிமம்::
Apache 2.0
வேகம்:
Slow
தரம்::
மொழிகள்:
en
விராம்:
8GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
4x
உரையாடல் இயற்கை நேரம் சுழற்சி பின் வழி 1B அளவுருக்கள்
சிறந்த:: AI உதவியாளர்கள், உரையாடல் ரோபோக்கள், உரையாடல் AI பயன்பாடுகள்
முயற்சிக்கவும் Sesame CSM

Chatterbox TurboChatterbox 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.

உருவாக்குநர்::
Resemble AI
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en
விராம்:
2GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
200msக்கு கீழ் தாமதம் மொழிக்குறிப்பு குறிகள் 6x உண்மையான நேரம் குரல் ஒப்புமை நீர்குறிப்பு
சிறந்த:: உண்மையான நேர குரல் செயலிகள், இயற்கையான ஒலிகளுடன் வெளிப்படுத்தும் பேச்சு
முயற்சிக்கவும் Chatterbox Turbo

ZonosZonos

Standard

ஜோனஸ் v0. 1 சைப்ரா ஒரு 1. 6B அளவுரு மாதிரி, மகிழ்ச்சி, கோபம், துக்கம், பயம் மற்றும் ஆச்சரியத்திற்குள்ளான சுழற்சிகளுடன் சிறிய- துண்டு உணர்வு கட்டுப்பாடு. இது ஒரு மாற்றி மற்றும் ஒரு புதிய SSM (நிலை- விண்வெளி மாதிரி) மாறுபாட்டை வழங்குகிறது. 200K+ மணிநேர பன்மொழி பேச்சில் பயிற்சி பெறப்பட்டது, 10- 30 விநாடிகள் தொடர்பு ஒலியிலிருந்து சுழற்சி- சுழற்சி குரல் ஒத்தமைப்பு.

உருவாக்குநர்::
Zyphra
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, ja, zh, fr, de
விராம்:
6GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
உணர்வு கட்டுப்பாடு குரல் ஒப்புமை எஸ்எஸ்எம் கட்டமைப்பு பல மொழிகள் பீச்/விகித கட்டுப்பாடு
சிறந்த:: உணர்வு கட்டுப்பாட்டுடனான வெளிப்படையான பேச்சு, குரல் வடிவமைப்பு ஸ்டூடியோName
முயற்சிக்கவும் Zonos

Dia 2Dia 2

Standard

Dia2 by Nari Labs isastream-first upgrade to Dia, available in 1B and 2B parameter variants. It starts synthesizing audio from the first few tokens, making it ideal for real-time voice agents and speech-to-speech pipelines. Supports multi-speaker dialogue with [S1]/[S2] tags and paralinguistic cues like (laughs), (coughs).

உருவாக்குநர்::
Nari Labs
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்:
en
விராம்:
4GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
2x
வெளியீட்டுத் தொடர் பல- ஒலிப்பேச்சு குறைந்த தாமதம் மொழிக்குறிப்பு 2நிமிட வெளியீடு வரை
சிறந்த:: உண்மையான நேர குரல் செயலிகள், உரையாடல் உருவாக்கம், ஒலிபரப்பு பயன்பாடுகள்
முயற்சிக்கவும் Dia 2

VoxCPMVoxCPM

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.

உருவாக்குநர்::
OpenBMB
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்:
en, zh
விராம்:
4GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
44. 1kHz ஒலி டாக்கனீசர்-இல்லாத மொழியொட்டிக் குறுக்கெழுத்து சூழல் உணர்வு லோரா நுணுக்கம்
சிறந்த:: உயர்-நம்பிக்கை ஒலி, ஒலிப்புத்தகம், நீண்ட-வடிவ உள்ளடக்கம் குரல் ஒழுங்குடன்
முயற்சிக்கவும் VoxCPM

OuteTTSOuteTTS

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.

உருவாக்குநர்::
OuteAI
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்:
en
விராம்:
2GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
இலவசம்
CPU ஐப் பயன்படுத்து உலாவி முடிவு குரல் ஒப்புமை பல பின்னணிகள் ஒலிப்பேச்சுப் பண்புகள்
சிறந்த:: முனை அமைப்பு, உலாவி அடிப்படையிலான TTS, குறைந்த வளச் சூழல்கள்
முயற்சிக்கவும் OuteTTS

TADATADA

Standard

TADA (Text- Acoustic Dual Alignment) by Hume AI ஒரு புதிய இரும அடுக்கை உருவாக்கி லாமா 3.2இல் உருவாக்கப்பட்ட ஒரு புதிய இரும அடுக்கை கட்டமைப்பின் மூலம் மலர்ச்சிகளை நீக்கும் ஒரு புதிய TTS மாதிரியாகும். 1B (ஆங்கிலம்) மற்றும் 3B (பல மொழிகள்) வகைகளில் கிடைக்கும், TADA ஒரு RTF ஐ அடைகிறது 0. 09 - 5x வேகமானது ஒப்பிடக்கூடிய LLM- அடிப்படையிலான TTS மாதிரிகளை விட. இது 700 விநாடிகள் வரை ஒலி சூழலை ஆதரிக்கிறது மற்றும் நிலையான அடிப்படைகளில் உணர்ச்சிகரமாக வெளிப்படுத்தும் உரையாடலை சுழல் மலர்ச்சியுடன் உருவாக்குகிறது.

உருவாக்குநர்::
Hume AI
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en
விராம்:
5GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
2x
சுழற்சி LLM TTS ஐ விட 5x வேகமானது உணர்ச்சி வெளிப்பாடு 700s ஒலி சூழல் இரட்டை ஒழுங்குபடுத்தல்
சிறந்த:: உயர்தரமான கனவு-இல்லாத பேச்சு, உணர்ச்சிபூர்வமான வெளிப்பாடு, விரைவான முடிவு
முயற்சிக்கவும் TADA

VibeVoiceVibeVoice

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.

உருவாக்குநர்::
Microsoft
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en, zh
விராம்:
4GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
2x
பல- ஒலிப்பேச்சு 90 நிமிடங்கள் வரை ப்ளூடூத் உருவாக்கம் ஒலிப்பேச்சு ஒழுங்கு 200ms ஒலிபரப்பு
சிறந்த:: பாட்டுக்கள், ஒலிப்புத்தகங்கள், நீண்ட வடிவ பல-ஒலிப்பேச்சு உள்ளடக்கம்
முயற்சிக்கவும் VibeVoice

Pocket TTSPocket 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.

உருவாக்குநர்::
Kyutai
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en, fr
விராம்:
1GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
இலவசம்
100M அளவுருக்கள் CPU ஐப் பயன்படுத்து குரல் ஒப்புமை ஒற்றை மாதிரிக் குளோனிங் முனை- தயாரான
சிறந்த:: இலகுவான அமைப்பு, சிபியு- மட்டும் சூழல்கள், விரைவான குரல் ஒத்தமைப்பு
முயற்சிக்கவும் Pocket TTS

Kitten TTSKitten TTS

Free

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.

உருவாக்குநர்::
KittenML
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்:
en
விராம்:
0GB
குரல் படிமம்Name:
இல்லை
1K எழுத்துக்களுக்கு செலவு:
இலவசம்
CPU-only inference Under 80MB model size 8 built-in voices Speed control ONNX-based 24kHz output
சிறந்த:: Fast lightweight TTS, edge deployment, low-latency applications
முயற்சிக்கவும் Kitten TTS

CosyVoice3CosyVoice3

Standard

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.

உருவாக்குநர்::
Alibaba (FunAudioLLM)
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்:
en, zh, ja, ko, de, es, fr, it, ru
விராம்:
4GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
2x
Bi-streaming Emotion control Voice cloning Speed/volume control Instruction following
சிறந்த:: Multilingual production TTS, real-time applications, voice cloning
முயற்சிக்கவும் CosyVoice3

MOSS-TTSMOSS-TTS

Premium

MOSS-TTS from OpenMOSS supports generation of up to 1 hour of continuous speech across 20 languages. Features token-level duration control, phoneme-level pronunciation control via IPA/Pinyin, and code-switching between languages. The 8B production model delivers state-of-the-art quality with zero-shot voice cloning from reference audio.

உருவாக்குநர்::
OpenMOSS
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
விராம்:
16GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
4x
Ultra-long generation 20 languages Voice cloning Duration control Pronunciation control Code-switching
சிறந்த:: Audiobooks, long-form content, multilingual production
முயற்சிக்கவும் MOSS-TTS

MegaTTS3MegaTTS3

Premium

MegaTTS3 from ByteDance uses a novel sparse alignment mechanism combined with a latent diffusion transformer. Features adjustable trade-off between speech intelligibility and speaker similarity for zero-shot voice cloning.

உருவாக்குநர்::
ByteDance
உரிமம்::
Apache 2.0
வேகம்:
Slow
தரம்::
மொழிகள்:
en, zh
விராம்:
8GB
குரல் படிமம்Name:
ஆம்
1K எழுத்துக்களுக்கு செலவு:
4x
Voice cloning Adjustable similarity Cross-lingual
சிறந்த:: High-fidelity voice cloning
முயற்சிக்கவும் MegaTTS3

KokoroKokoro

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.

உருவாக்குநர்::
Hexgrad
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்: en, ja, zh, ko, fr, de, it, pt, es, hi, ru
சிறந்த:: High-quality TTS with minimal latency, streaming applications
இலவசமாக முயற்சிக்கவும்

PiperPiper

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.

உருவாக்குநர்::
Rhasspy
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்: en, de, fr, es, it, pt, nl, pl, ru, zh, ja, ko, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi
சிறந்த:: Quick previews, accessibility, and embedded applications
இலவசமாக முயற்சிக்கவும்

VITSVITS

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.

உருவாக்குநர்::
Jaehyeon Kim et al.
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்: en, zh, ja, ko
சிறந்த:: General-purpose text-to-speech with natural prosody
இலவசமாக முயற்சிக்கவும்

MeloTTSMeloTTS

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.

உருவாக்குநர்::
MyShell.ai
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்: en, es, fr, zh, ja, ko
சிறந்த:: Production applications needing fast, multilingual TTS
இலவசமாக முயற்சிக்கவும்

OuteTTSOuteTTS

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.

உருவாக்குநர்::
OuteAI
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்: en
சிறந்த:: Edge deployment, browser-based TTS, low-resource environments
இலவசமாக முயற்சிக்கவும்

Pocket TTSPocket 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.

உருவாக்குநர்::
Kyutai
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்: en, fr
சிறந்த:: Lightweight deployment, CPU-only environments, quick voice cloning
இலவசமாக முயற்சிக்கவும்

Kitten TTSKitten 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.

உருவாக்குநர்::
KittenML
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்: en
சிறந்த:: Fast lightweight TTS, edge deployment, low-latency applications
இலவசமாக முயற்சிக்கவும்

BarkBark

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.

உருவாக்குநர்::
Suno
உரிமம்::
MIT
வேகம்:
Slow
தரம்::
மொழிகள்:
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
குரல் படிமம்Name:
இல்லை
Sound effectsLaughing/sighingMusic generation100+ speakersMultilingual
சிறந்த:: Creative audio content, audiobooks with emotion, sound effects
முயற்சிக்கவும் Bark

Bark SmallBark 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.

உருவாக்குநர்::
Suno
உரிமம்::
MIT
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
குரல் படிமம்Name:
இல்லை
LightweightFaster than full BarkEmotional speechMultilingual
சிறந்த:: Quick creative audio when full Bark is too slow
முயற்சிக்கவும் Bark Small

CosyVoice 2CosyVoice 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.

உருவாக்குநர்::
Alibaba (Tongyi Lab)
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, ja, ko, fr, de, it, es
குரல் படிமம்Name:
ஆம்
StreamingZero-shot cloningCross-lingualEmotion controlHuman-parity
சிறந்த:: Real-time applications, streaming TTS, voice assistants
முயற்சிக்கவும் CosyVoice 2

Dia TTSDia 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.

உருவாக்குநர்::
Nari Labs
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
இல்லை
Multi-speakerDialog generationNatural turn-takingEmotional expression1.6B parameters
சிறந்த:: Podcasts, audiobook dialogues, conversational content
முயற்சிக்கவும் Dia TTS

Parler TTSParler 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.

உருவாக்குநர்::
Hugging Face
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
இல்லை
Voice descriptionNatural language controlFlexible voice creationNo preset voices needed
சிறந்த:: Creative applications where you need custom voice characteristics
முயற்சிக்கவும் Parler TTS

GLM-TTSGLM-TTS

இயல்பான

GLM-TTS by Zhipu AI is a text-to-speech system built on the Llama architecture with flow matching. It achieves the lowest character error rate among open-source TTS models, meaning it produces the most accurate pronunciation. GLM-TTS supports English and Chinese with voice cloning from 3-10 second audio samples.

உருவாக்குநர்::
Zhipu AI
உரிமம்::
GLM-4 License
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh
குரல் படிமம்Name:
ஆம்
Lowest error rateVoice cloningFlow matchingNatural prosody
சிறந்த:: Applications requiring maximum pronunciation accuracy
முயற்சிக்கவும் GLM-TTS

IndexTTS-2IndexTTS-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.

உருவாக்குநர்::
Index Team
உரிமம்::
Bilibili Model License
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh
குரல் படிமம்Name:
ஆம்
Emotion controlZero-shotEmotion vectorsExpressive speechFine-grained control
சிறந்த:: Emotionally expressive content, audiobooks, virtual assistants
முயற்சிக்கவும் IndexTTS-2

Spark TTSSpark 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.

உருவாக்குநர்::
SparkAudio
உரிமம்::
CC BY-NC-SA 4.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh
குரல் படிமம்Name:
ஆம்
Voice cloningEmotion controlStyle controlPrompt-based5-second cloning
சிறந்த:: Content creation with cloned voices and emotional control
முயற்சிக்கவும் Spark TTS

GPT-SoVITSGPT-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.

உருவாக்குநர்::
RVC-Boss
உரிமம்::
MIT
வேகம்:
Slow
தரம்::
மொழிகள்:
en, zh, ja, ko
குரல் படிமம்Name:
ஆம்
5-second cloningSinging voiceFew-shot learningHigh fidelityCross-lingual
சிறந்த:: Voice cloning, singing synthesis, content creator voice replication
முயற்சிக்கவும் GPT-SoVITS

OrpheusOrpheus

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.

உருவாக்குநர்::
Canopy Labs
உரிமம்::
Llama 3.2 Community
வேகம்:
Medium
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
இல்லை
Human-level emotion100K hours trainingNatural emphasisExpressive speech
சிறந்த:: High-quality emotional speech, audiobooks, voice acting
முயற்சிக்கவும் Orpheus

Qwen3 TTSQwen3 TTS

இயல்பான

Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports three modes: preset voices with emotion control (9 speakers), voice cloning from just 3 seconds of audio, 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.

உருவாக்குநர்::
Alibaba (Qwen)
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, ja, ko, de, fr, ru, pt, es, it
குரல் படிமம்Name:
ஆம்
Voice cloning9 preset voicesVoice design from textEmotion control10 languages
சிறந்த:: Multilingual content with voice cloning or custom voice design
முயற்சிக்கவும் Qwen3 TTS

Chatterbox TurboChatterbox 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.

உருவாக்குநர்::
Resemble AI
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
ஆம்
Sub-200ms latencyParalinguistic tags6x real-timeVoice cloningWatermarking
சிறந்த:: Real-time voice agents, expressive speech with natural sounds
முயற்சிக்கவும் Chatterbox Turbo

ZonosZonos

இயல்பான

Zonos v0.1 by Zyphra is a 1.6B parameter model featuring fine-grained emotion control with sliders for happiness, anger, sadness, fear, and surprise. It offers both a Transformer and a novel SSM (state-space model) variant. Trained on 200K+ hours of multilingual speech with zero-shot voice cloning from 10-30 seconds of reference audio.

உருவாக்குநர்::
Zyphra
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, ja, zh, fr, de
குரல் படிமம்Name:
ஆம்
Emotion controlVoice cloningSSM architectureMultilingualPitch/rate control
சிறந்த:: Expressive speech with emotion control, voice design studio
முயற்சிக்கவும் Zonos

Dia 2Dia 2

இயல்பான

Dia2 by Nari Labs is a streaming-first upgrade to Dia, available in 1B and 2B parameter variants. It begins synthesizing audio from the first few tokens, making it ideal for real-time voice agents and speech-to-speech pipelines. Supports multi-speaker dialogue with [S1]/[S2] tags and paralinguistic cues like (laughs), (coughs).

உருவாக்குநர்::
Nari Labs
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
இல்லை
Streaming outputMulti-speakerLow latencyParalinguistic cuesUp to 2 min output
சிறந்த:: Real-time voice agents, dialogue generation, streaming applications
முயற்சிக்கவும் Dia 2

VoxCPMVoxCPM

இயல்பான

VoxCPM 1.5 by OpenBMB is a novel tokenizer-free TTS model that operates in continuous space rather than discrete tokens. It produces high-fidelity 44.1kHz audio, supports zero-shot voice cloning from 3-10 seconds, and maintains consistency across paragraphs. Cross-language cloning lets you apply an English voice to Chinese speech and vice versa.

உருவாக்குநர்::
OpenBMB
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்:
en, zh
குரல் படிமம்Name:
ஆம்
44.1kHz audioTokenizer-freeCross-lingual cloningContext-awareLoRA fine-tuning
சிறந்த:: High-fidelity audio, audiobooks, long-form content with voice consistency
முயற்சிக்கவும் VoxCPM

TADATADA

இயல்பான

TADA (Text-Acoustic Dual Alignment) by Hume AI is a groundbreaking TTS model that eliminates hallucinations through a novel dual alignment architecture built on Llama 3.2. Available in 1B (English) and 3B (multilingual) variants, TADA achieves an RTF of 0.09 — 5x faster than comparable LLM-based TTS models. It supports up to 700 seconds of audio context and produces emotionally expressive speech with zero hallucinations on standard benchmarks.

உருவாக்குநர்::
Hume AI
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
இல்லை
Zero hallucinations5x faster than LLM TTSEmotional expression700s audio contextDual alignment
சிறந்த:: High-quality hallucination-free speech, emotional expression, fast inference
முயற்சிக்கவும் TADA

VibeVoiceVibeVoice

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.

உருவாக்குநர்::
Microsoft
உரிமம்::
MIT
வேகம்:
Fast
தரம்::
மொழிகள்:
en, zh
குரல் படிமம்Name:
இல்லை
Multi-speakerLong-form (90 min)Podcast generationDialogueLow latency
சிறந்த:: Podcasts, dialogues, long-form narration, multi-speaker content
முயற்சிக்கவும் VibeVoice

CosyVoice3CosyVoice3

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.

உருவாக்குநர்::
Alibaba (FunAudioLLM)
உரிமம்::
Apache 2.0
வேகம்:
Fast
தரம்::
மொழிகள்:
en, zh, ja, ko, de, es, fr, it, ru
குரல் படிமம்Name:
ஆம்
Bi-streamingEmotion controlVoice cloningSpeed/volume controlInstruction following
சிறந்த:: Multilingual production TTS, real-time applications, voice cloning
முயற்சிக்கவும் CosyVoice3

ChatterboxChatterbox

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.

உருவாக்குநர்::
Resemble AI
உரிமம்::
MIT
வேகம்:
Medium
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
ஆம்
விராம்:
4GB
1K எழுத்துக்களுக்கு செலவு:
4x
Zero-shot cloningEmotion controlHigh fidelityStyle transferSingle sample cloning
சிறந்த:: Professional voice cloning with emotional control, content creation
முயற்சிக்கவும் Chatterbox

Tortoise TTSTortoise TTS

பிரீமியம்

Tortoise TTS is an autoregressive multi-voice text-to-speech system that prioritizes audio quality over speed. It uses DALL-E-inspired architecture to generate highly natural speech with excellent prosody and speaker similarity. While slower than many alternatives, Tortoise produces some of the most realistic synthetic speech available in the open-source ecosystem.

உருவாக்குநர்::
James Betker
உரிமம்::
Apache 2.0
வேகம்:
Slow
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
ஆம்
விராம்:
8GB
1K எழுத்துக்களுக்கு செலவு:
4x
Highest qualityMulti-voiceDALL-E architectureVoice cloningAutoregressive
சிறந்த:: Audiobooks, premium content, quality-first applications
முயற்சிக்கவும் Tortoise TTS

StyleTTS 2StyleTTS 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.

உருவாக்குநர்::
Columbia University
உரிமம்::
MIT
வேகம்:
Medium
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
இல்லை
விராம்:
4GB
1K எழுத்துக்களுக்கு செலவு:
4x
Human-levelStyle diffusionAdversarial trainingNatural variationHigh fidelity
சிறந்த:: Studio-quality single-speaker synthesis, professional narration
முயற்சிக்கவும் StyleTTS 2

OpenVoiceOpenVoice

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.

உருவாக்குநர்::
MyShell.ai / MIT
உரிமம்::
MIT
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, ja, ko, fr, de, es, it
குரல் படிமம்Name:
ஆம்
விராம்:
4GB
1K எழுத்துக்களுக்கு செலவு:
4x
Instant cloningVoice conversionEmotion controlAccent controlMultilingual
சிறந்த:: Voice cloning with fine-grained style control, voice conversion
முயற்சிக்கவும் OpenVoice

Sesame CSMSesame 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.

உருவாக்குநர்::
Sesame
உரிமம்::
Apache 2.0
வேகம்:
Slow
தரம்::
மொழிகள்:
en
குரல் படிமம்Name:
இல்லை
விராம்:
8GB
1K எழுத்துக்களுக்கு செலவு:
4x
ConversationalNatural timingTurn-takingBackchannel1B parameters
சிறந்த:: AI assistants, chatbots, conversational AI applications
முயற்சிக்கவும் Sesame CSM

MOSS-TTSMOSS-TTS

பிரீமியம்

MOSS-TTS from OpenMOSS supports generation of up to 1 hour of continuous speech across 20 languages. Features token-level duration control, phoneme-level pronunciation control via IPA/Pinyin, and code-switching between languages. The 8B production model delivers state-of-the-art quality with zero-shot voice cloning from reference audio.

உருவாக்குநர்::
OpenMOSS
உரிமம்::
Apache 2.0
வேகம்:
Medium
தரம்::
மொழிகள்:
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
குரல் படிமம்Name:
ஆம்
விராம்:
16GB
1K எழுத்துக்களுக்கு செலவு:
4x
Ultra-long generation20 languagesVoice cloningDuration controlPronunciation controlCode-switching
சிறந்த:: Audiobooks, long-form content, multilingual production
முயற்சிக்கவும் MOSS-TTS

MegaTTS3MegaTTS3

பிரீமியம்

MegaTTS3 from ByteDance uses a novel sparse alignment mechanism combined with a latent diffusion transformer. Features adjustable trade-off between speech intelligibility and speaker similarity for zero-shot voice cloning.

உருவாக்குநர்::
ByteDance
உரிமம்::
Apache 2.0
வேகம்:
Slow
தரம்::
மொழிகள்:
en, zh
குரல் படிமம்Name:
ஆம்
விராம்:
8GB
1K எழுத்துக்களுக்கு செலவு:
4x
Voice cloningAdjustable similarityCross-lingual
சிறந்த:: High-fidelity voice cloning
முயற்சிக்கவும் MegaTTS3

மாதிரி ஒப்பீட்டு அட்டவணை

மாதிரி உருவாக்குநர்: மிருகம் தரம்: வேகம் மொழிகள் குரல் படிமம்Name விராம் உரிமம்: கிரெடிட்ஸ்
Kokoro Hexgrad Free Fast 11 1.5GB Apache 2.0 இலவசம் பயன்படுத்து
Piper Rhasspy Free Fast 31 0 (CPU only) MIT இலவசம் பயன்படுத்து
VITS Jaehyeon Kim et al. Free Fast 4 1GB MIT இலவசம் பயன்படுத்து
MeloTTS MyShell.ai Free Fast 6 0.5GB (GPU optional) MIT இலவசம் பயன்படுத்து
Bark Suno Standard Slow 13 5GB MIT 2 பயன்படுத்து
Bark Small Suno Standard Medium 13 2GB MIT 2 பயன்படுத்து
CosyVoice 2 Alibaba (Tongyi Lab) Standard Medium 8 4GB Apache 2.0 2 பயன்படுத்து
Dia TTS Nari Labs Standard Medium 1 4GB Apache 2.0 2 பயன்படுத்து
Parler TTS Hugging Face Standard Medium 1 4GB Apache 2.0 2 பயன்படுத்து
GLM-TTS Zhipu AI Standard Medium 2 4GB GLM-4 License 2 பயன்படுத்து
IndexTTS-2 Index Team Standard Medium 2 4GB Bilibili Model License 2 பயன்படுத்து
Spark TTS SparkAudio Standard Medium 2 4GB CC BY-NC-SA 4.0 2 பயன்படுத்து
GPT-SoVITS RVC-Boss Standard Slow 4 6GB MIT 2 பயன்படுத்து
Orpheus Canopy Labs Standard Medium 1 4GB Llama 3.2 Community 2 பயன்படுத்து
Chatterbox Resemble AI Premium Medium 1 4GB MIT 4 பயன்படுத்து
Tortoise TTS James Betker Premium Slow 1 8GB Apache 2.0 4 பயன்படுத்து
StyleTTS 2 Columbia University Premium Medium 1 4GB MIT 4 பயன்படுத்து
OpenVoice MyShell.ai / MIT Premium Medium 8 4GB MIT 4 பயன்படுத்து
Qwen3 TTS Alibaba (Qwen) Standard Medium 10 7GB Apache 2.0 2 பயன்படுத்து
Sesame CSM Sesame Premium Slow 1 8GB Apache 2.0 4 பயன்படுத்து
Chatterbox Turbo Resemble AI Standard Fast 1 2GB MIT 2 பயன்படுத்து
Zonos Zyphra Standard Medium 5 6GB Apache 2.0 2 பயன்படுத்து
Dia 2 Nari Labs Standard Fast 1 4GB Apache 2.0 2 பயன்படுத்து
VoxCPM OpenBMB Standard Fast 2 4GB Apache 2.0 2 பயன்படுத்து
OuteTTS OuteAI Free Fast 1 2GB Apache 2.0 இலவசம் பயன்படுத்து
TADA Hume AI Standard Fast 1 5GB MIT 2 பயன்படுத்து
VibeVoice Microsoft Standard Fast 2 4GB MIT 2 பயன்படுத்து
Pocket TTS Kyutai Free Fast 2 1GB MIT இலவசம் பயன்படுத்து
Kitten TTS KittenML Free Fast 1 0GB Apache 2.0 இலவசம் பயன்படுத்து
CosyVoice3 Alibaba (FunAudioLLM) Standard Fast 9 4GB Apache 2.0 2 பயன்படுத்து
MOSS-TTS OpenMOSS Premium Medium 19 16GB Apache 2.0 4 பயன்படுத்து
MegaTTS3 ByteDance Premium Slow 2 8GB Apache 2.0 4 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- உடன் பொருந்தக்கூடிய REST API. அனைத்து 20+ மாதிரிகளுக்கும் ஒரு முடிவு. பைத்தான், ஜாவாஸ்கிரிப்ட், cURL மற்றும் Go SDKs. உண்மையான நேர பயன்பாடுகளுக்கு ஒளிபரப்பு ஆதரவு. பெரிய அளவிலான உள்ளடக்க உருவாக்கத்திற்கான தொகுப்பு செயல்பாடு. அசைவற்ற அறிவிப்புகளுக்கான வெப்ஹூக்ஸ். புரொ மற்றும் எண்டர்பிரைஸ் திட்டங்களில் கிடைக்கும்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

உரையிலிருந்து பேசு (TTS) என்பது எழுதப்பட்ட உரையை இயல்பான ஒலியுடன் பேசப்படும் ஒலியாக மாற்றும் ஒரு AI தொழில்நுட்பம். Kokoro, Chatterbox, மற்றும் CosyVoice2போன்ற நவீன நரம்பு TTS மாதிரிகள் ஆழமான கற்றலை பயன்படுத்தி, இயல்பான குரல், உணர்வு, மற்றும் ஒலியுடன் குறிப்பிடத்தக்க மனித ஒலியை உருவாக்குகின்றன.

இது உங்கள் தேவைகளை பொறுத்து இருக்கும். விரைவான முன்பார்வைகளுக்கு, Piper அல்லது MeloTTS (இலவசம், வேகம்). உயர்தரத்திற்கு, Kokoro அல்லது CosyVoice2(நிலையான நிலை) முயற்சிக்கவும். குரல் ஒத்திசைவுகளுக்கு, Chatterbox அல்லது GPT-SoVITS (பிரீமியம்) பயன்படுத்தவும். உரையாடல்/போட்காஸ்ட் உள்ளடக்கங்களுக்கு, Dia TTS முயற்சிக்கவும். ஒவ்வொரு மாதிரியும் வேறுபட்ட பலம் கொண்டது - சிறந்த பொருத்தத்தை கண்டுபிடிக்க முயற்சிக்கவும்.

ஆம்! TTS.ai Kokoro, Piper, VITS, மற்றும் MeloTTS மாதிரிகளுடன் இலவசமாக உரையிலிருந்து பேச்சிற்கு வழங்குகிறது. 500 எழுத்துக்கள் வரைக்கும் மற்றும் மணிக்கு3பிறப்புகளுக்கும் கணக்கு தேவையில்லை. 15 கிரெடிட்கள் பெறவும் அனைத்து மாதிரிகளையும் அணுகவும் இலவச கணக்கில் பதிவு செய்யவும்.

எங்கள் TTS மாதிரிகள் 30+ மொழிகளுக்கு ஆதரவு அளிக்கின்றன, அவற்றில் ஆங்கிலம், ஸ்பானிஷ், பிரெஞ்சு, ஜெர்மன், இத்தாலியன், போர்ச்சுகீசியன், சீனம், ஜப்பானியம், கொரியன், அரபி, ரஷ்ய, இந்தி மற்றும் பல உள்ளன. மொழிகள் மாடலிற்கு ஏற்ப மாறுபடுகின்றன.

ஆம், TTS.ai மூலம் உருவாக்கப்பட்ட ஒலியை வர்த்தக ரீதியாக பயன்படுத்தலாம். எங்கள் அனைத்து மாதிரிகளும் திறந்த மூல உரிமங்களைப் பயன்படுத்துகின்றன (MIT, Apache 2. 0). தனிப்பட்ட மாதிரி உரிமங்களைச் சரிபார்க்கவும். உங்கள் திட்டத்திற்கு நீங்கள் பயன்படுத்தும் குறிப்பிட்ட மாதிரியின் உரிமத்தைப் பரிசீலிக்கவும்.

TTS.ai MP3, WAV, OGG, மற்றும் FLAC வெளியீட்டு வடிவங்களை ஆதரிக்கிறது. MP3 என்பது இணைய இயக்கத்திற்கு முன்னிருப்பு. WAV மேலும் ஒலி செயலாக்கத்திற்கு பரிந்துரைக்கப்படுகிறது. நீங்கள் வடிவங்களுக்கு இடையே மாற்ற எங்கள் ஒலி மாற்றி கருவியை பயன்படுத்தி செய்யலாம்.

குரல் ஒத்தமைப்பு ஒரு குறிப்பிட்ட குரலை ஒரு குறுகிய ஒலி மாதிரியிலிருந்து (5-30 விநாடிகள்) மறுபடியும் உருவாக்க AI ஐ பயன்படுத்துகிறது. இலக்கு குரலின் தெளிவான பதிவை பதிவேற்றவும், Chatterbox, GPT-SoVITS, அல்லது OpenVoice போன்ற மாதிரிகள் அந்த குரலில் புதிய உரையை உருவாக்கும். தரம் தூய்மையான, நீண்ட குறிப்பு ஒலியுடன் மேம்படுகிறது.

இலவச பயனர்கள் ஒரு கோரிக்கைக்கு 500 எழுத்துக்கள் வரை உருவாக்க முடியும். பதிவு செய்யப்பட்ட பயனர்கள் ஒரு கோரிக்கைக்கு 5,000 எழுத்துக்கள் வரை பெறுகிறார்கள். நீண்ட உரைகளுக்கு, ஒலி துண்டுகளாக உருவாக்கப்பட்டு தானாகவே ஒன்றாக இணைக்கப்படுகிறது. API பயனர்கள் ஒரு கோரிக்கைக்கு 10,000 எழுத்துக்கள் வரை செயல்படுத்த முடியும்.

SSML (Speech Synthesis Markup Language) ஆதரவு மாதிரிக்கு மாதிரி மாறுபடும். Piper மற்றும் சில மற்ற மாதிரிகள் தற்காலிக நிறுத்தங்கள், உறுதிப்படுத்தல் மற்றும் உச்சரிப்பு கட்டுப்பாட்டுக்கான அடிப்படை SSML குறிகளை ஆதரிக்கின்றன. இயல்பான SSML ஆதரவில்லாத மாதிரிகளுக்கு, இயற்கையான எழுத்துப்பிழை மற்றும் வரி விலகல்களை பயன்படுத்தி வரிசைப்படுத்தலாம்.

ஆம், பெரும்பாலான மாதிரிகள் வேக மாற்றத்தை 0.5x முதல் 2.0x வரை ஆதரிக்கின்றன. சில மாதிரிகள், பார்க் மற்றும் பார்லர் போன்றவை, பீட் மற்றும் பாணி கட்டுப்பாட்டை அனுமதிக்கின்றன. நீங்கள் மேம்பட்ட அமைப்புப் பலகத்தில் அல்லது API வேக அளவுரு வழியாக வேக அளவுருக்களை அமைக்கலாம்.

ஆம், எங்கள் API மூலம் தொகுப்பு செயலாக்கம் கிடைக்கிறது. நீங்கள் ஒரே API அழைப்பில் அல்லது குறுநிரலில் பல உரை பகுதிகளை அனுப்பலாம், ஒவ்வொன்றும் தனித்தனி ஒலி கோப்புகளாக செயலாக்கப்படும் மற்றும் திரும்பும். இது ஒலி புத்தக அத்தியாயங்களுக்கு, e- learning பகுதிகளுக்கு அல்லது விளையாட்டு உரையாடல் குறுநிரல்களுக்கு சிறந்தது.

உங்கள் கணக்கு டேஷ்போர்டிலிருந்து ஒரு API விசை உருவாக்கவும், பின்னர் உங்கள் உரை, மாதிரி மற்றும் குரல் அளபுருகளுடன் எங்கள் REST API முடிவுக்கு POST கோரிக்கைகளை அனுப்பவும். நாங்கள் பைதான், ஜாவாஸ்கிரிப்ட் மற்றும் cURL இல் குறியீட்டு உதாரணங்களை வழங்குகிறோம். API OpenAI உடன் பொருந்தும், எனவே ஏற்கனவே உள்ள ஒருங்கிணைப்புகள் குறைந்த மாற்றங்களுடன் வேலை செய்கிறது.
5.0/5 (2)

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.

இலவச பதிவு விலைகளைக் காட்டு