మాట్లాడటానికి II వచనము
ఓపెన్- సోడ్ AI మోడల్ తో వచనమును సహజ- ప్రాసెస్ అయిన పదముగా మార్చుము. ఉపయోగించుటకు ఉచితంగా, ఖాతా అవసరం లేదు.
ఖచ్చితమైన నియంత్రణ కొరకు మీ వచనాన్ని SSML టాగ్సును పునరాచరణ చేయుము:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ఎంపిక చేసిన మోడల్ అర్థం చేసుకుంటుంది. అది జరిగిన మీ వచనంలో ఒకదాని వేయి పెట్టండి:
ఈ నమూనా సాదా వచనము చదువుతుంది, అందువలన అంతర్-లైన్ టాగ్సు విస్మరించబడుతుంది. టాగ్ ఆధార భావన కొరకు, ఆర్ఫెయిస్ లేదా బార్క్ వంటి ఎడిస్బార్ నమూనాకు మారుతుంది.
నిర్దేశిత ఉచ్ఛారణలను (పదం = ఉచ్ఛారణ):
నమూనా వివరాలు
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.
| డెవలపర్: | AI4Bharat |
| లైసెన్స్: | Apache 2.0 |
| వేగము | నెమ్మదిగా |
| నాణ్యత: | |
| భాషలు | 12 భాషలు |
| విరేమ్ | 8GB |
| శబ్డం క్లుంకింగ్ | ప్రొటొకాల్ రకము కొరకు సహాయంలేదు |
మెరుగైన ఫలితాలకు సూచనలు
- స్వాభావిక ఆపరేటింగ్ను మరియు క్రమబద్ధీకరణను వుపయోగించుము
- విశదమైన ఉచ్ఛారణకు అచ్చుతప్పులు మరియు పదకోశాన్ని అచ్చుతప్పులుKCharselect unicode block name
- ప్రొఫైల్సు మధ్య ఖాళీల విరామంను సృష్టించుటకు కోకొలను జతచేయుము
- ఎక్కువసేపు ఆపివేయుట కొరకు ఎలిప్సైసిస్ (...) వుపయోగించుము
- కోకోరో లేక కోసీవోసిస్ 2 ను సహజ ఫలితాల కోసం ప్రయత్నించండి
- బహుళ- స్పీకర్ డైలాగ్ మరియు పోడ్కాస్ట్ సారము కొరకు Dia వుపయోగించుము
అక్షర వాడుక
| టిజర్ | ధర |
|---|---|
| ఖాళీ | 0 రేట్స్ (అపరిచిత) |
| ప్రామాణిక | 2 దేలు / 1K అక్షరాలు |
| ప్రిమియమ్ | 4 ఘనాలు / 1K అక్షరాలు |
సంభాషణకు సేదదీర్పునిచ్చే ఒక వచనం
ప్రొఫెషనల్- ప్రొఫెషనల్ స్పీకర్లు మూడు సాధారణ మెట్లలో తయారుచేయుము. ఏ సాంకేతిక పరిజ్ఞాన అవసరం లేదు.
మీ వచనం వ్రాయండి
మీరు అనుకొనుచున్న వచనాన్ని టైప్, అతికించండి లేదా అప్లోడ్ చేయుము. లాగ్అవుట్ వినియోగదారుల కొరకు 5,000 అక్షరాలకు మద్దతిస్తుంది. అధునాతన ఉచ్ఛారణ, నిలిపివేయు, నొక్కినప్పుడు SSML టాగ్సును చేర్చుము.
మోడల్ & స్వరాన్ని ఎంచుకొనుము
20+ AI మోడల్ను మూడు స్టైల్సులవద్ద యెంపికచేయుము. మీ సారానికి సరిపోయే స్వరాన్ని ఎంచుకోండి, లక్ష్యపు భాషను ఎంచుకోండి, 0. 5x నుండి 2.0x వరకు ప్లేబాక్ వేగమును సర్దుబాటుచేయుము, మీ అభీష్ట అవుట్పుట్ను (MP3, OAG, OGC, లేదా FLC) ఎంచుకోండి.
డౌన్లోడ్చేయి & g
మీ ఆడియోను సిద్దపరచండి మరియు మీ ఆడియోను సెకనులనందు సిద్దము చేయండి. వుద్దీపనము చేయబడిన ఆటతో ముందు వీక్షించు, లేదా మీరు ఎంచుకున్న ఫాంట్నందు డౌన్లోడ్చేయండి. తరువాతి ప్రక్రియకు పంపుటకు APIను వుపయోగించుము.
ఘర్షణలను అందించటానికి వచనం
AI-ప్రెస్-ప్రెషన్ టెక్చర్ ప్రజలు సృష్టించడానికి ఎలా రూపాంతరం ఉంది, తినడానికి, మరియు డజను కృత్రిమ పరిశ్రమలగుండా ఆడియో సారములతో ఆడటం.
సంభాషణల నమూనాలకు అన్ని వచనములు
Detailed specifications for every AI model available on TTS.ai. Compare quality, speed, language support, and features to find the perfect model for your project.
Kokoro
Free
కొకోరో ఒక 82 మిలియన్ డిగ్రీ- స్కేప్ మోడల్, అది బరువున్న తరగతి కంటే బాగా గుద్దుతుంది. అది ఎంతో పరిమాణంలో ఉన్నప్పటికీ, అది ఎంతో సహజ మరియు వ్యాసమునే తయారుచేస్తుంది. కోకోరో ఇంగ్లీషు, జపనీస్, చైనీస్, మరియు కొరియాలతోపాటు అనేక భాషలకు మద్దతిస్తుంది. అవాస్తనంగా GPU-நேரం కంటే వేగంగా నడుపుతుంది. ఇది GPU-நேரం కంటే వేగంతో నడుపుతుంది.
Hexgrad
Apache 2.0
వేగము
en, ja, zh, fr, it, pt, es, hi
1.5GB
వద్దు
ఖాళీ
Piper
Free
Piపర్ అనేది VITS మరియు Lycsnx భవనాలను రూపొందించిన చలనచిత్రమైన టెక్స్ట్ ఇంజన్. ఇది పూర్తిగా CPUపై నడుపుతుంది, toft పరికరాలు, హోమ్ మెటామానిక్ మరియు అనువర్తనములు అవసరం. 100 కంటే ఎక్కువ సౌలభ్యంతో, రాస్పెర్-తెరింగ్ టైపుల న నిజమైన థింగ్స్ను 4 కంటె ఎక్కువ కంటె ఎక్కువ థింగ్స్పానింగ్ - థంపై కూడా థింగ్ను అందించు
Rhasspy
MIT
వేగము
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)
వద్దు
ఖాళీ
VITS
Free
VITS (విస్పష్టంగా చివరి నుండి ముగింపు వచనం మాట్లాడటానికి) సమాంతరంగా ముగింపు TTS వుద్ఘాతం. అది ప్రస్తుత రెండు వేదికల కంటే ఎక్కువ సహజమైన ఆడియో మోడల్ ఉత్పత్తి చేస్తుంది. మరియు సాధారణ సమ్మేళనాలు మరియు సమ్మేళన తదుపరి శిక్షణను పెంచుతుంది, సహజంగా ప్రగతి సాధిస్తుంది.
Jaehyeon Kim et al.
MIT
వేగము
en, de, es, fr, pt, nl, fi, hu, bg, ja, pl
1GB
వద్దు
ఖాళీ
MeloTTS
Free
MEloTTS ను ఉపయోగించుట కోసం మరియు GPUferce కోసం రూపొందించబడింది.
MyShell.ai
MIT
వేగము
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
వద్దు
ఖాళీ
Bark
Standard
సన్నో ద్వారా బార్క్ అనునది రూపాంతరం-నిర్వహించిన పాఠము నమూనా. ఇది ఎంతో వాస్తవికమైన, బహుళభాషా భాషను, అలాగే సంగీతం వంటి ఇతర ఆడియో వినియోగాలను, అలాగే సంగీతము, బ్యాక్గ్రౌండు శబ్దం, మరియు సౌండ్ప్రదర్శన ప్రభావాలను ఉత్పత్తి చేస్తుంది. ఇది నవ్వు, నిట్టూర్పులు మరియు ఏడువటం వంటి నిష్పాక్షిక సందేశాలను ఉత్పత్తి చేస్తుంది. బార్క్ 100 కంటే ఎక్కువ స్పీకర్ సెట్ మరియు 13+ భాషలను మద్దతిస్తుంది.
Suno
MIT
నెమ్మదిగా
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
వద్దు
2x
Bark Small
Standard
Bark చిన్నది బర్క్ మోడల్ యొక్క కలిపే వర్షన్ ఆ కొన్ని ఆడియో నాణ్యతను నిగూఢమైన వేగంతో మరియు తక్కువ జ్ఞాపకశక్తిని ఉపయోగిస్తుంది. ఇది భావోద్వేగాలతో, నవ్వుతో మరియు అనేక భాషలతో మాట్లాడటం బార్క్ యొక్క సామర్థ్యాన్ని కాపాడుతుంది.
Suno
MIT
మీడియం
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
వద్దు
2x
CosyVoice 2
Standard
అలిబా 2 ద్వారా Cosyvoices Tonnie Lobie- కార్యశీలతలతో మానవ సామర్ధ్యాన్ని ఉన్నతీకరిస్తుంది, అది నిజమైన కాల ఉపయోగాలకు అనుగుణ్యంగా చేస్తుంది. ఇది స్ట్రీమింగ్ స్లయిడ్ సెంటర్స్ క్యులేషన్ను ఉపయోగిస్తుంది మరియు స్పాంటీస్ స్లింగ్ క్రెడిట్ క్రెడిసిజింగ్ క్యులింగ్ క్రెడిఫినిక్, క్రాస్ క్రెడిఫినిసింగ్ సెంట్రస్ మరియు మంచి సెక్రెడిసిజరీనిన్స్ నియంత్రాలు నియంత్రించుతుంది. అనేక వాణిజ్య వ్యవస్థలను నియంత్రిస్తుంటారు.
Alibaba (Tongyi Lab)
Apache 2.0
మీడియం
en, zh, ja, ko, fr, de, it, es
4GB
అవును
2x
Dia TTS
Standard
Dia Dia Ni Labbs ఒక 1. 2- స్లైడర్ డైలాగ్- డైలాగ్- ను ప్రత్యేకంగా బహుళ- స్పీకర్ డైలాగ్ను సృష్టించుటకు రూపొందించిన 1. 2- ఎడిటర్ల మధ్య సహజ- క్రమపద్దతి సంభాషణలను ఉత్పత్తి చేయగలదు. ఇది డియా పోడ్కాస్ట్- శైలి, ఆడియోపుస్తకాలు, మరియు డైలాగ్బాక్స్ సంభాషణలు సృష్టించడానికి పరిపూర్ణంగా ఉంటుంది.
Nari Labs
Apache 2.0
మీడియం
en
4GB
వద్దు
2x
Parler TTS
Standard
పాలెర్ TS అనేది ఒక వచన - టూర్ - ఉపయుక్త మోడల్, సృష్టించిన పదాలను నియంత్రించడానికి సహజమైన పదకోశాలను ఉపయోగిస్తుంది. మీరు ముందుస్థాయి నుండి ఎంచుకునే బదులు, (ఉ. దా., "చదమైన బ్రిటీష్ ఉచ్ఛారణతో మరియు స్పష్టంగా మాట్లాడు") ను వర్ణిస్తారు, మరియు పాలర్మేన్ ఆ వివరణను సవ్యంగా సమ్మేళనాలు చేస్తుంది.
Hugging Face
Apache 2.0
మీడియం
en
4GB
వద్దు
2x
Indic Parler TTS
Standard
లార్డర్లాగే మీరు కూడా ఆ స్వరాన్ని నిర్వచిస్తారు, మీ స్వరాన్ని మీరు నిర్వచిస్తారు, మీ స్వరాన్ని స్పృహతో స్పృహ కోల్పోయేలా చేయరు, అంటే ముందుమాటలున్న భారతదేశంలోని సర్క్యూట్ అధికారిక భాషకు, భారతదేశం అంతటా వ్రాయబడింది.
AI4Bharat
Apache 2.0
నెమ్మదిగా
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
8GB
వద్దు
2x
KhanomTan TTS
Standard
KanomTTTS ఓ ఓపెన్ పాఠము - టూట్ మోడల్. మీTTS స్పెషల్ స్పెషల్ న నిర్మించబడిన నిష్పాక్ష పాఠశాల. సి0 మరియు నిబద్ధతలేని థాయి- స్పీకర్తో పాటు (TCTCS) ఇతర భాషల్లో శిక్షణ పొందిన, అది బహుళ స్పీకర్లతో థీ థింగ్స్తో సహజ థీమ్ను అందిస్తుంది. థేమ్కు శుభ్రంగా థింగ్- ఔషధం మోడల్ను మాత్రమే తెరుస్తుంది.
Wannaphong Phatthiyaphaibun
Apache 2.0
వేగము
th
2GB
వద్దు
2x
IndexTTS-2
Standard
ExtTS-2 ఒక ఆధునిక పాఠము-2 అనేది సున్నితమైన stat-TTS-న ప్రొఫైల్ స్వరం బాగా-హేట్-గ్రేస్ నియంత్రణతో నియంత్రిస్తుంది. ఇది సంభాషణను సంతోషంగా, విచారంగా, భావోద్వేగ సంబంధమైన, లేదా భయభ్రాంతితో తయారు చేయవచ్చు. మాదిరి రూపొందించబడిన మాటల భావోద్వేగ వ్యక్తీకరణను ఖచ్చితంగా నియంత్రించడానికి వెక్టర్లను ఉపయోగిస్తుంది.
Index Team
Bilibili Model License
మీడియం
en, zh
4GB
అవును
2x
Spark TTS
Standard
Strack-TStSts ఒక టెక్చర్- TSts అనేది స్వరాన్ని నియంత్రితమైన భావోద్వేగంతో మరియు మాట్లాడే శైలితో మిళితం చేస్తుంది. ఇది కేవలం 5 సెకనుల శ్రావ్యమైన ఆడియో ఉపయోగించి ఒక స్వరాన్ని క్లోన్ చేస్తుంది మరియు అది వివిధ భావోద్వేగాలతో, వేగంతో, శైలిలతో మాట్లాడగలదు మరియు శైలిలను ఆవిష్కరించగలదు. StS ఒక ప్రత్యర్- ఆధారిత వ్యవస్థను ఉపయోగిస్తుంది.
SparkAudio
CC BY-NC-SA 4.0
మీడియం
en, zh
4GB
అవును
2x
GPT-SoVITS
Standard
GPT- SOVITS GPT- Shift-Setting భాషను కలిపిస్తుంది (జాప్ స్పీచ్ మరియు సింథింగ్ ఇంటెస్) శక్తివంతమైన కొన్ని చలనచిత్రాలకు (Shift- synfers) తో చేరుస్తుంది. సంప్రదింపు ఆడియో 5 సెకన్లు పాటు, అది ఒక స్వరాన్ని కదులుతుంది మరియు ప్రసంగీకుడు యొక్క విశిష్ట లక్షణాలను కాపాడుతుంది. ఇది మాట్లాడటం మరియు పాడటం యొక్క రెండు స్వరాలను పెంచుతుంది.
RVC-Boss
MIT
నెమ్మదిగా
en, zh, ja, ko
6GB
అవును
2x
Orpheus
Standard
Orphius ఒక పెద్ద చలనచిత్ర పాఠము - చలనచిత్రం అది మానవ స్థాయి భావనను ఆపాదిస్తుంది. 100,000 వివిధ గంటలకు పైగా విభిన్నమైన పదకోశాలను తరువాత సహజ భావోద్వేగాలతో, ప్రాధాన్యతతో, మాట్లాడే శైలితో ఉత్పన్నం చేస్తుంది. ఆర్పాలిస్ సాధారణంగా మానవ రికార్డింగుల నుండి అసహజమైన విధంగా మాట్లాడగల భాషను ఉత్పన్నం చేయవచ్చు.
Canopy Labs
Llama 3.2 Community
మీడియం
en
4GB
వద్దు
2x
Chatterbox
Premium
Resmble Asterబాక్స్ ద్వారా కదులుతున్న ఒక దిద్దుబాటు-hegggoo-shom accle మోడల్. ఇది ఏ స్వరమూ గమనార్హమైన ఒక ఆడియో మాదిరి నుండి తొలగించవచ్చు, కేవలం tribreby కాదు, కానీ సంభాషణ శైలి మరియు మానసిక విమోచనాలు కూడా. చాటర్ బాక్స్ చక్కని భావోద్వేగ నియంత్రణను కూడా కలిగివుంది, ఆ స్వరం నుండి రూపొందించబడిన సంభాషణ యొక్క భావోద్వేగ చలనాన్ని మార్చడానికి అనుమతిస్తుంది.
Resemble AI
MIT
మీడియం
en
4GB
అవును
4x
Tortoise TTS
Premium
TTS ను స్వయంచాలకంగా టెస్టిక్ చేయండి అది వేగంతో ఆడియో నాణ్యతను ఉపయుక్తం చేస్తుంది. ఇది DALL- EE నిర్మాణాన్ని ఉపయోగిస్తుంది అద్భుతమైన స్వర సారూప్యతతో మరియు స్పెషల్ సారూప్యతతో మాట్లాడటానికి. చాలా మెరుగైన ప్రత్యామ్నాయాలకంటె నెమ్మదిగా, తెరుచుకైన కృత్రిమమైన కృత్రిమమైన పదకోశాన్ని ఉత్పత్తి చేస్తుంది.
James Betker
Apache 2.0
నెమ్మదిగా
en
8GB
అవును
4x
StyleTTS 2
Premium
స్టేట్TTS 2 మానవ స్థాయి టెస్టిక్స్ 2 మానవ స్థాయి డిటిటైన్ని పెద్ద భాషలోని మోడల్లను ఉపయోగించి డిటెక్స్ను కలుపడం ద్వారా సాధించు. ఇది ఒక వ్యక్తి- స్పీకర్ మోడల్ల మధ్య ఎంతో సహజమైన సంభాషణను ఉత్పన్నం చేస్తుంది. స్టేట్ 2 మానవ సంభాషణ యొక్క పూర్తి స్థాయిని గుర్తించడానికి diffusousన్ను ఉపయోగిస్తుంది.
Columbia University
MIT
మీడియం
en
4GB
వద్దు
4x
OpenVoice
Premium
Mrhal. ఓపెన్ వీసీస్ స్వర నియంత్రణతో స్వర నియంత్రణతో, భావోద్వేగంతో, ఉచ్చారణ, వాయిస్, వాయిస్, మరియు యాక్సిడేషన్ తో నిదానంగా కన్సోలేషన్ చేస్తుంది. ఇది ఒక చిన్న ఆడియో రిప్షన్ నుండి ఒక స్వరం క్లోన్ చేస్తుంది మరియు స్పీకర్ గుర్తింపును కాపాడుతూ అనేక భాషల్లో సంభాషణను తయారుచేస్తుంది. ఓపెక్సు వుడ్ విజువలైజ్ ఒక స్వర విరామం గా కూడా పనిచేస్తుంది, అది నిజమైన థింగ్- టైమ్ను అనుమతిస్తుంది.
MyShell.ai / MIT
MIT
మీడియం
en, zh, ja, ko, fr, es
4GB
అవును
4x
Qwen3 TTS
Standard
QWn3-TTS ఒక 1.7 బిలియన్ పారామితి- సారాంశం వచనం- అలిబా యొక్క క్వెంబి జట్టు నుండి. ఇది రెండు రకాలను ఆపాదిస్తుంది: భావావేశాలతో (9 ప్రసంగీకులు) మరియు మీరు సహజ భాషలో వివరించు స్వరం. ఇది 10 భాషలను అధిక స్పాదిస్తుంది మరియు సహజ ప్రాపణిక మరియు సహజ ప్రాపణిక prozoi తో కలుస్తుంది.
Alibaba (Qwen)
Apache 2.0
మీడియం
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
వద్దు
2x
VieNeu-TTS-v2
Standard
VeeNనే - vs-v2 వియత్నామీస్- డీటిమేషన్ వియత్నామీస్- టీ. ఇది 10,000++- గంటలపై శిక్షణ పొందిన 300 TTS మాడ్యూ- ట్రిలింగ్లను ఆపాదిస్తుంది. ఇది సముద్ర మలుపుల రంధ్రువైన థం, ఉత్తర మరియు దక్షిణ ఉచ్ఛారణల గీతలు, మరియు నిదానము 3- 5 సెకనుల నుండి క్షణమైన శబ్దాలు సౌండ్ ను మద్దతిస్తుంది. జి. జి. సి. సి. జి. యు. QF4 (చలనలనవికవ్యవస్థం) (G. QNEngNEner) = GUEner), GUX- QUnerME- కంటె సెకను మద్దతం. GU-SE-SEnett3- ordwepe.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
వేగము
vi, en
CPU
అవును
2x
Sesame CSM
Premium
సెసా సిఎమ్ (సంభాషణ పదకోశం) సంప్రదాయ పదజాలం కోసం ప్రత్యేకంగా రూపొందించబడిన 1 బిలియన్ పారామితి మోడల్. ఇది తిరిగి రాసేందుకు, వెనుకనుండి ప్రతిస్పందనలు, భావోద్వేగ ప్రతిస్పందనలు, సంభాషణల సవరింపు వంటి మానవ సంభాషణల సహజ నమూనాలను ఉదాహరించుతుంది. సిఎంఎమ్ ఆర్థోలస్ ఆ ఆడియోలు కృత్రిమంగా కృత్రిమంగా మాట్లాడడానికి బదులు మాంత్రిక సంభాషణను సృష్టిస్తుంది.
Sesame
Apache 2.0
నెమ్మదిగా
en
8GB
వద్దు
4x
Chatterbox Turbo
Standard
రీసెల్ ఎఎమ్ ఎల్ ద్వారా చార్టర్బాక్స్బాక్స్ను జారీచే 350M స్కేల్బాక్స్ను మాప్కు వదులుతుంది, వుపలభ్య- స్ట్రీమింగ్- థీమింగ్కేస్తో 6x- రియమ్ల థీమెయిల్ ఎంటిటిల్ను కర్తలముచేస్తుంది. [Chid], [cape], మరియు నేరుగా టెక్సార్నందు సృష్టించబడిన అన్ని ఆడియోలకొరకు స్లైసెన్స్లను చేర్చుతుంది. strantscarescape పాయింటర్లను stemscape stempe stall strebowscamp తరువాతిన Develsees stem.
Resemble AI
MIT
వేగము
en
2GB
అవును
2x
VoxCPM
Standard
OpenBMMA ద్వారా వోక్స్బిబిఎమ్ 1. 1 ఒక నోబుల్ కోస్టర్- ఉచిత TTS మోడల్, అది Dract DTS ను మద్దతిస్తుంది. అది హై-ఫైల్టీ 44.1kiz ఆడియోను ఉత్పత్తి చేస్తుంది, 3-10 సెకనుల నుండి సున్నా చలన చట్రాన్ని కలిగిస్తుంది మరియు பாராల మధ్యలో స్థిరపరుస్తుంది. క్రాస్ క్రేస్-క్లర్ మీరు ఒక ఆంగ్ల స్వరాన్ని చైనీస్ భాషకు మరియు ఉపయుక్త వాయిష్టుకు అన్వయించేందుకు అనుమతిస్తుంది.
OpenBMB
Apache 2.0
వేగము
en, zh
4GB
అవును
2x
Kani TTS 2
Free
Cany-TS-2 అనేది అత్యల్ప- కొడ్ స్పీకర్స్ల కొరకు అత్యద్భుతమైన 400 LFM2 మాడ్రిడ్ను NVIA NOCKCONతో నిర్మించిన ప్రదర్శన. అది కేవలం 3GRAMAM లో నడుస్తున్న మరియు 1802 (RT2) సెకన్లు (RTF2) లో భాషను తెలుస్తోంది. ప్రస్తుతం విడుదల చేస్తున్న ఇంగ్లీషు- బర్నిక్- బర్నిక్- 2- 2- ట్రెడ్ - లు (RTTD- QED- లు) ను తీసివేయడం లేదు మరియు స్పాట్బాక్స్ కోసం వుడ్బాల్బాక్స్ కోసం వుడ్బాక్స్ను ఉపయోగిస్తారు.
NineNineSix
Apache 2.0
వేగము
en
3GB
వద్దు
ఖాళీ
OuteTTS
Free
Lama.c/ GPUU (CPU), HCOP ముఖచిత్ర మార్పులను (ఎక్లాస్), ExLOV2, Volm. ofs. Jjs. స్ప్రెటర్ ప్రొఫక్టర్స్ ద్వారా దాచబడిన సౌలభ్యతల ద్వారా సౌలభ్యాలను మరియు స్ప్రెషర్ ప్రొఫైల్లను కూడా ఇది మద్దతిస్తుంది.
OuteAI
Apache 2.0
నెమ్మదిగా
en
2GB
వద్దు
ఖాళీ
VibeVoice
Standard
మైక్రోసాఫ్ట్ ద్వారా వైబివిస్ రెండు విస్తీర్ణతల్లో వస్తుంది: 1. 2B మోడల్ (దాదాపు 90 నిమిషాలు) మరియు 4 ప్రసంగీకు (దాదాపు, 4 నిమిషాలు) నిమిషం మోడల్ తో స్ట్రీనింగ్ ఫంక్షన్ స్ట్రీట్ థాయిస్. గమనికైన పోస్ట్స్ మరియు ఆడియోపుస్తకాలు చాలా ఎక్కువ స్ట్రిష్టంగా ఉంటుంది. గమనిక: మైక్రోఫోన్ TS strans లో నుండి తొలగించబడి మరియు ఆడియోను తయారుచేశారు ఒక విస్కార్మిక్ విస్కార్మిక్ విస్చేవిడ్.
Microsoft
MIT
వేగము
en, zh
4GB
వద్దు
2x
Pocket TTS
Free
Kauuti (mishi యొక్క రూపకల్పనలు) పోకట్TS అనేది కౌంట్బాక్స్ (మోషీ యొక్క రూపకల్పనలు) కౌంటీడి- టెస్టింగ్- లోకి లొంగుతుంది. అది సిపిఎంవై- గోప్యతా న సామర్ధ్యాన్ని బలపరుస్తుంది, ఒకే ఆడియో మాదిరినుండి సున్నిత- స్ట్రింగ్ను మ్యాచ్పాండర్ - సౌలభ్యతకు తో చేస్తుంది. చిన్న మోడల్ పరిమాణం ఇది థింగ్కు మరియు తక్కువ షెడ్యూల్స్మెంట్లకు అనుకూలమైనది చేస్తుంది.
Kyutai
MIT
వేగము
en, fr
1GB
అవును
ఖాళీ
Kitten TTS
Free
KetenML ద్వారా కిట్న్ టిటిస్ అపరిమిత టెక్స్ట్- నిర్మితమైన టెక్స్ట్ మోడల్. vels (25- 80 రాగిల్ నడుము) తో, GPU నిర్మితం నృత్యం గల సిపిఎంకు (CPU), GPU వర్తైన వేగం రాచని వేగంలేని వేగం, మరియు సంఖ్యలకు, మరియు డిజైన్పలభద్రతలను, మరియు నిర్మిత-నిర్మితమైన అనువర్తనములకు.
KittenML
Apache 2.0
వేగము
en
0GB
వద్దు
ఖాళీ
CosyVoice3
Standard
Cosyovos3 అనేది Alibba’s AlibALLM బృందం నుండి ఇటీవల పరిణామం. ఇది ద్విముఖంగా ఉత్పన్నమైన సౌలభ్యంతో, భావోద్వేగ/ స్పెషల్/ స్పెట్/ soved-buldy తో, మరియు మంచి ప్రసంగీకు అనువర్తమైన స్పీకర్స్. 9 భాషలు మరియు 18 చైనీస్ మాండర్స్ ట్రేస్ ట్రేస్ ను మద్దతకం ను మద్దతిస్తుంది.
Alibaba (FunAudioLLM)
Apache 2.0
వేగము
en, zh, ja, ko, de, es, fr, it, ru
4GB
అవును
2x
NAMAA Saudi TTS
Standard
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
మీడియం
ar
6GB
అవును
2x
Darwin TTS
Standard
డార్విన్-TS- 1. 7B- bros FINA- bases వలన వెర్నర్-TS- 1. Qn3-TS-TS- 1. 84 శాతం టానర్స్ (8% టాటర్=8.6% కిన్ - 1.7B-B-అమర్లు క్విన్ నుండి జతగా కలిసినవాటితో మిళితం. ఈ మిశ్రణం తిరిగి నిర్మించబడింది కాని తిరిగి రూపొందించబడింది.
FINAL-Bench
Apache 2.0
మీడియం
en, ko, ja, zh
7GB
అవును
2x
MOSS-TTSD
Standard
MOS- TSD vs. 0 ఓ చిన్న ఆడియో ప్రవేశం నుండి సంభాషణలను కొనసాగించే 7B డైలాగ్స్- డైలాగ్స్. SOR ను [S1] మరియు 3- 10 సార్లు నుంచి సున్నా- గోళ్ళు వున్న సున్నా- గోళ్ళు, మరియు 20 భాషల చుట్టూ ఒకేరకపు బహుళ డైలాగ్ డైలాగ్ల డైలాగ్ను నడుపుము. MOSSTS- ONStts/ vaddududads. TSts Statuss/ addududads కొరకు
OpenMOSS
Apache 2.0
మీడియం
en, zh
12GB
అవును
2x
Ming-Omni TTS
Free
Mings- ston- 5B - 0. 5B అనేది Bacti- bymoth- password- pask- passwder తో నిర్మించబడిన కాంపాక్ట్ Withing Wither- by- back- baseracker తో వుద్దేశించిన కాంపాక్ట్ Wither- baserack- bases (ఆడియో- Pask- pask- pather) తో. డిజైన్ అవుట్పేజీ (ఆడి- by- basesog), 3+ రెఫైల్మెంట్ల నుంచి 0- betware- basesmand J. J. JSON- stongnicksets (cling), J. stongmandmoc. J. stordmank- by)
inclusionAI
Apache 2.0
మీడియం
en, zh
3GB
అవును
ఖాళీ
MOSS-TTS Nano
Free
MOSS-NO-NO-100 MOS యొక్క ఒప్పందం MOS-parent మాంత్రికులు, తక్షణం-trans సమైక్య భవనాన్ని భాగస్వామ్యం. వర్తకులు, ~80x యొక్క శిఖరాగ్ర నాణ్యత యొక్క 8B మాదిరి యొక్క శిఖరాఖండం మరియు గణితాత్మకమైన VRAM ను అది ఉచిత మరియు అధిక ప్రయొపత్తులకు తగినది చేస్తుంది.
OpenMOSS
Apache 2.0
వేగము
en, zh, de, es, fr, ja, it, ko, ru, ar, pt
2GB
అవును
ఖాళీ
Kokoro
ఖాళీ
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
వేగము
Piper
ఖాళీ
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
వేగము
VITS
ఖాళీ
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
వేగము
MeloTTS
ఖాళీ
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
వేగము
Kani TTS 2
ఖాళీ
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
వేగము
OuteTTS
ఖాళీ
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
నెమ్మదిగా
Pocket TTS
ఖాళీ
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
వేగము
Kitten TTS
ఖాళీ
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
వేగము
Ming-Omni TTS
ఖాళీ
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
మీడియం
MOSS-TTS Nano
ఖాళీ
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
వేగము
Bark
ప్రామాణిక
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
నెమ్మదిగా
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
వద్దు
Bark Small
ప్రామాణిక
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
మీడియం
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
వద్దు
CosyVoice 2
ప్రామాణిక
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
మీడియం
en, zh, ja, ko, fr, de, it, es
అవును
Dia TTS
ప్రామాణిక
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
మీడియం
en
వద్దు
Parler TTS
ప్రామాణిక
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
మీడియం
en
వద్దు
Indic Parler TTS
ప్రామాణిక
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
నెమ్మదిగా
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
వద్దు
KhanomTan TTS
ప్రామాణిక
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
వేగము
th
వద్దు
IndexTTS-2
ప్రామాణిక
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
మీడియం
en, zh
అవును
Spark TTS
ప్రామాణిక
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
మీడియం
en, zh
అవును
GPT-SoVITS
ప్రామాణిక
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
నెమ్మదిగా
en, zh, ja, ko
అవును
Orpheus
ప్రామాణిక
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
మీడియం
en
వద్దు
Qwen3 TTS
ప్రామాణిక
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
మీడియం
en, zh, ja, ko, de, fr, ru, pt, es, it
వద్దు
VieNeu-TTS-v2
ప్రామాణిక
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
వేగము
vi, en
అవును
Chatterbox Turbo
ప్రామాణిక
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
వేగము
en
అవును
VoxCPM
ప్రామాణిక
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.
OpenBMB
Apache 2.0
వేగము
en, zh
అవును
VibeVoice
ప్రామాణిక
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
వేగము
en, zh
వద్దు
CosyVoice3
ప్రామాణిక
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
వేగము
en, zh, ja, ko, de, es, fr, it, ru
అవును
NAMAA Saudi TTS
ప్రామాణిక
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
మీడియం
ar
అవును
Darwin TTS
ప్రామాణిక
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
మీడియం
en, ko, ja, zh
అవును
MOSS-TTSD
ప్రామాణిక
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
మీడియం
en, zh
అవును
Chatterbox
ప్రిమియమ్
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
మీడియం
en
అవును
4GB
4x
Tortoise TTS
ప్రిమియమ్
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.
James Betker
Apache 2.0
నెమ్మదిగా
en
అవును
8GB
4x
StyleTTS 2
ప్రిమియమ్
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
మీడియం
en
వద్దు
4GB
4x
OpenVoice
ప్రిమియమ్
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
మీడియం
en, zh, ja, ko, fr, es
అవును
4GB
4x
Sesame CSM
ప్రిమియమ్
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
నెమ్మదిగా
en
వద్దు
8GB
4x
మోడల్ క్రీడల పట్టిక
| మోడల్ | డెవలపర్: | టిజర్ | నాణ్యత: | వేగము | భాషలు | శబ్డం క్లుంకింగ్ | విరేమ్ | లైసెన్స్: | మెటాలు | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | వేగము | 8 | 1.5GB | Apache 2.0 | ఖాళీ | ఉపయోగించు | ||
| Piper | Rhasspy | Free | వేగము | 42 | 0 (CPU only) | MIT | ఖాళీ | ఉపయోగించు | ||
| VITS | Jaehyeon Kim et al. | Free | వేగము | 11 | 1GB | MIT | ఖాళీ | ఉపయోగించు | ||
| MeloTTS | MyShell.ai | Free | వేగము | 6 | 0.5GB (GPU optional) | MIT | ఖాళీ | ఉపయోగించు | ||
| Bark | Suno | Standard | నెమ్మదిగా | 13 | 5GB | MIT | 2 | ఉపయోగించు | ||
| Bark Small | Suno | Standard | మీడియం | 13 | 2GB | MIT | 2 | ఉపయోగించు | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | మీడియం | 8 | 4GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| Dia TTS | Nari Labs | Standard | మీడియం | 1 | 4GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| Parler TTS | Hugging Face | Standard | మీడియం | 1 | 4GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| Indic Parler TTS | AI4Bharat | Standard | నెమ్మదిగా | 12 | 8GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| KhanomTan TTS | Wannaphong Phatthiyaphaibun | Standard | వేగము | 1 | 2GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| IndexTTS-2 | Index Team | Standard | మీడియం | 2 | 4GB | Bilibili Model License | 2 | ఉపయోగించు | ||
| Spark TTS | SparkAudio | Standard | మీడియం | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ఉపయోగించు | ||
| GPT-SoVITS | RVC-Boss | Standard | నెమ్మదిగా | 4 | 6GB | MIT | 2 | ఉపయోగించు | ||
| Orpheus | Canopy Labs | Standard | మీడియం | 1 | 4GB | Llama 3.2 Community | 2 | ఉపయోగించు | ||
| Chatterbox | Resemble AI | Premium | మీడియం | 1 | 4GB | MIT | 4 | ఉపయోగించు | ||
| Tortoise TTS | James Betker | Premium | నెమ్మదిగా | 1 | 8GB | Apache 2.0 | 4 | ఉపయోగించు | ||
| StyleTTS 2 | Columbia University | Premium | మీడియం | 1 | 4GB | MIT | 4 | ఉపయోగించు | ||
| OpenVoice | MyShell.ai / MIT | Premium | మీడియం | 6 | 4GB | MIT | 4 | ఉపయోగించు | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | మీడియం | 10 | 7GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| VieNeu-TTS-v2 | Phạm Nguyễn Ngọc Bảo | Standard | వేగము | 2 | CPU | Apache 2.0 | 2 | ఉపయోగించు | ||
| Sesame CSM | Sesame | Premium | నెమ్మదిగా | 1 | 8GB | Apache 2.0 | 4 | ఉపయోగించు | ||
| Chatterbox Turbo | Resemble AI | Standard | వేగము | 1 | 2GB | MIT | 2 | ఉపయోగించు | ||
| VoxCPM | OpenBMB | Standard | వేగము | 2 | 4GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| Kani TTS 2 | NineNineSix | Free | వేగము | 1 | 3GB | Apache 2.0 | ఖాళీ | ఉపయోగించు | ||
| OuteTTS | OuteAI | Free | నెమ్మదిగా | 1 | 2GB | Apache 2.0 | ఖాళీ | ఉపయోగించు | ||
| VibeVoice | Microsoft | Standard | వేగము | 2 | 4GB | MIT | 2 | ఉపయోగించు | ||
| Pocket TTS | Kyutai | Free | వేగము | 2 | 1GB | MIT | ఖాళీ | ఉపయోగించు | ||
| Kitten TTS | KittenML | Free | వేగము | 1 | 0GB | Apache 2.0 | ఖాళీ | ఉపయోగించు | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | వేగము | 9 | 4GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| NAMAA Saudi TTS | NAMAA Space | Standard | మీడియం | 1 | 6GB | MIT | 2 | ఉపయోగించు | ||
| Darwin TTS | FINAL-Bench | Standard | మీడియం | 4 | 7GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| MOSS-TTSD | OpenMOSS | Standard | మీడియం | 2 | 12GB | Apache 2.0 | 2 | ఉపయోగించు | ||
| Ming-Omni TTS | inclusionAI | Free | మీడియం | 2 | 3GB | Apache 2.0 | ఖాళీ | ఉపయోగించు | ||
| MOSS-TTS Nano | OpenMOSS | Free | వేగము | 11 | 2GB | Apache 2.0 | ఖాళీ | ఉపయోగించు |
సంభాషణ ప్లాన్లోకి అత్యంత ప్రావీణ్యమైన వచనం
TTS.ai వచనాల్ని పాఠ్యంగా ఎందుకు ఎంచుకోవాలి?
TTS.ai ప్రపంచంలోని ఉత్తమ తెరిచి ఉంచే పాఠము మోడల్ను ఒక చిన్న, సులభంగా ఉపయోగించే ప్లాట్ఫారమ్ లో సమన్వయం. ఒకే స్వర ఇంజిన్లో మీరు లాక్ చేసే ప్రసారమైన సేవలకు భిన్నంగా, TTS.ai మీరు Cquui, Myphone, Mephole, Museid, unvdi, సన్నో, Hevo, Hsuve, మరింత మొబైల్ యూనివర్సిటీ వంటి 20+ మోడల్లను అందిస్తుంది.
ప్రతి మోడల్ MIT, PHAT 2. 0, లేదా అదే పోడ్కాస్ట్ లైసెన్స్ క్రింద తెరుచుతుంది, మీ ప్రాజెక్టుల్లో ఉత్పత్తి చేయబడిన ఆడియోను ఉపయోగించేందుకు మీరు పూర్తి వాణిజ్య హక్కులను కలిగిఉంటుంది. మీరు నిజమైన- టైమ్ అప్లికేషన్స్ లేదా వుడ్ స్లైడ్-స్ కొరకు వుడ్-స్లైట్ అప్లైట్ ప్రోగ్రామ్స్ కావలెను లేదా TTS.ai, ప్రతి ఉపయోగానికీ సరైన మాదిరి ఉంది.
ఉచిత మోడల్లు, లెక్కలు అవసరం లేదు
మూడు ఉచిత TTS మోడల్లతో వెంటనే ప్రారంభించుము: Pypper (చాలా- తేలిక), వి. వి.వి. మీడియా (చాలా- హైనోడ్), మెలొట్రిస్ (multity- స్పెషల్), మరియు మెలొట్రిస్ (multity) తో తో. ఏ సంతకం, క్రెడిట్ కార్డు లేదు, క్రెడిట్ కార్డ్ లేదు. ఫ్రీ మోడల్ మరియు అనేక భాషలను చాలా ప్రాధాన్యమైన- ప్రయోగాలతో మద్దతిస్తుంది.
GPU-Acclient అయిన ప్రక్రియ
అన్ని TTS మోడల్ సమ్మేళనం NVIIA GPUS ఫార్మేట్ నిదానముగా నడుపుతుంది. స్థానిక మోడల్ కోకోరో, కోసినోస్ 2 మరియు బార్టోస్ 3- 5 సెకనుల వరకూ ఆడియోను తయారుచేస్తుంది. టోర్రప్ మరియు చాటర్బాక్స్ వంటి స్ట్రక్స్ వంటి స్ట్రక్స్ మోడల్లు, టొర్టోబ్బాక్స్ వంటి అధిక నాణ్యత, టూర్బాక్స్ వంటివి 5-15 సెకన్లలో థ్లనందు వుడ్ల వరకు వుంటాయి.
30+ భాషలు తోడ్పాటు
ఇటాలియన్, స్పానిష్, ఫ్రెంచ్, ఫ్రెంచ్, జర్మన్, ఫ్రెంచ్, పోర్చుగీస్, చైనీస్, చైనీస్, అరామిక్, హిందీ, రష్యన్, రష్యన్, ఇంకా చాలా భాషల్లో మాట్లాడటానికి మద్దతునిచ్చేవి అనేక మోడల్లు. మీరు అసలు స్వరంపై శిక్షణ పొందని భాషలో భాషను రూపొందించవచ్చు. కోసీవిస్ 2 మరియు GCOTS మరియు GPOTS ఏక స్వరంలో బాగా ప్రావీణ్యంగా పెరిగాయి.
డెవలపర్- రీడర్ API
మీ కార్యక్షేత్రాలకు TTS.aiని మా ఓపెన్- సారూప్యత APIతో ఎగ్జిక్యూట్ చేయండి. అన్ని 20+ మోడల్లకు ఒక ముగింపు పాయింట్. జావా, CLOR, CLS. G. SDKs. పెద్ద-நேர కార్యక్రమాలకు మద్దతును నడపడం. ఒక పెద్ద- స్కాన్ రీతత తంతులకు నడుపటం. ఒక సంప్రదాయ ప్రకటనల కోసం కొబ్బంది.
తరచూ అడగబడే ప్రశ్నలు
మనమేం మెరుగుపర్చుకోగలం?
వచనమును సంభాషణకు మార్చు
వేల సంఖ్యలో TTS.ai ఉపయోగించి చేరుకోండి 15,000 ఖాళీ అక్షరాలు ఒక కొత్త ఖాతా తో. ఉచిత మోడల్ లేకుండా అందుబాటులో ఉంది.