Матн ба гуфторComment

Kokoro як модели матн- ба- сухан бо 82 миллион параметр мебошад, ки аз синфи вазнинии худ хеле баланд аст. Бо вуҷуди андозаи хурди худ, он сухани табиӣ ва ифодакунандаро ба таври назаррас истеҳсол мекунад. Kokoro забонҳои гуногунро, аз ҷумла англисӣ, японӣ, хитоӣ ва корейсро бо овозҳои гуногуни ифодакунанда дастгирӣ мекунад. Он хеле тез кор мекунад - эҷоди аудио қариб 100 маротиба тезтар аз вақти воқеӣ дар GPU.

Piper - ин муҳаррики сабук барои матн ба сухан аст, ки бо Rhasspy таҳия шудааст ва аз VITS ва larynx истифода мебарад. Он пурра дар CPU кор мекунад, ки ин барои дастгоҳҳои периферӣ, автоматикунонии хона ва барномаҳое, ки TTS- ро талаб мекунанд, идеалӣ аст. Бо зиёда аз 100 овоз дар 30+ забонҳо, Piper гуфтугӯи табииро бо суръати воқеӣ ҳатто дар Raspberry Pi 4 пешниҳод мекунад.

VITS (Вараянси иқтибос бо омӯзиши рақобатӣ барои охирин- ба- охирин Матн- ба- Забон) - усули параллелӣ аз охирин то охирин TTS, ки садои табииро нисбат ба намунаҳои ду марҳилаи ҷорӣ эҷод мекунад. Он иқтибоси гуногунро бо нормализатсияи равандҳои васеъ ва омӯзиши рақобатӣ қабул мекунад, ки ба беҳтаршавии табиӣ оварда мерасонад.

MeloTTS аз тарафи MyShell. ai китобхонаи бисёрзабони TTS мебошад, ки забони англисиро (Америка, Британия, Ҳиндустон, Австралия), испаниро, франсузиро, хитоиро, япониро ва корейиро дастгирӣ мекунад. Он хеле тез аст, матнро бо суръати наздики вақти воқеӣ танҳо дар CPU коркард мекунад. MeloTTS барои истифодаи истеҳсолот тарҳрезӣ шудааст ва ҳам CPU ва ҳам GPU- ро дастгирӣ мекунад.

Барк аз сӯи Suno як модели матн ба аудиои асосӣ мебошад, ки метавонад суханронии бисёрзабони хеле воқеиро эҷод кунад, инчунин дигар садоҳо ба монанди мусиқӣ, садои фонӣ ва таъсирҳои садо. Он метавонад алоқаҳои ғайризабониро ба монанди хандидан, гиря кардан ва гиря кардан ба вуҷуд орад. Барк зиёда аз 100 пешфарзи овоздиҳандаро ва 13+ забонро дастгирӣ мекунад.

Барк хурд - ин версияи дистиллшудаи моделҳои Барк мебошад, ки баъзе сифатҳои аудиоиро барои суръати тезтар ва талаботи хотираи камтар иваз мекунад. Он қобилияти Баркро барои эҷоди сухан бо эҳсосот, табассум ва забонҳои гуногун нигоҳ медорад.

CosyVoice 2 аз тарафи лабораторияи Tongyi- и Alibaba ба сифати сухани инсонӣ бо интизории хеле паст мерасад, ки онро барои барномаҳои вақти воқеӣ идеалӣ месозад. Он усули квантизатсияи скалярии ниҳоиро барои синтези равон истифода мебарад ва нусхабардории овози zero- shot, синтези байни забонҳо ва назорати эҳсосоти майда- ғафсро дастгирӣ мекунад. Он аз бисёр системаҳои TTS- и тиҷоратӣ дар арзёбиҳои субъективӣ беҳтар аст.

Dia аз Nari Labs як матни 1. 6B параметри ба гуфтугӯи модел махсусан барои эҷоди бисёр- сухангӯи диалог тарҳрезӣ шудааст. Он метавонад табиӣ- садои сӯҳбатҳо байни ду сухангӯ бо мувофиқи- гирифтани, prosody, ва эҳсосотӣ ифода. Dia барои эҷоди podcast- style мундариҷа, аудиокитоб диалогҳо, ва интерактивӣ гуфтугӯи AI комил аст.

Parler TTS - ин матн ба гуфтугӯи моделест, ки тавсифоти овози забони табииро барои идоракунии гуфтугӯи эҷодшуда истифода мебарад. Ба ҷои интихоби овозҳои пешфарз, шумо овози хоҳишшударо тавсиф мекунед (масалан, "садои гарми зан бо акценти каме англисӣ, суханронии суст ва равшан") ва Parler гуфтугӯи мувофиқи ин тавсифотро эҷод мекунад. Ин барои барномаҳои эҷодӣ хеле мутобиқ аст.

GLM- TTS аз Zhipu AI системаи матн- ба- сухан аст, ки дар асоси архитектураи Llama бо мувофиқати равон сохта шудааст. Он ба хатогии камтарини аломатҳо дар байни моделҳои TTS- и кушодаи сарчашмаҳо мерасад, яъне он ба таври дақиқтарин талаффуз мекунад. GLM- TTS забони англисиро ва забони хитоиро бо клонкунии овоз аз 3- 10 сония намунаҳои аудиоӣ дастгирӣ мекунад.

IndexTTS- 2 системаи пешрафтаи матн ба сухан аст, ки дар синтези овози 0- фишанг бо назорати эҳсосоти майда- ғафсӣ бартарӣ дорад. Он метавонад суханро бо садоҳои эҳсосоти махсус, ба монанди хушбахт, ғамгин, хашмгин ё тарсончагон бе талаботи маълумоти махсуси эҳсосотӣ эҷод кунад. Намуна вектори эҳсосотро барои идоракунии ифодаи эҳсосоти сухани эҷодшуда истифода мебарад.

Spark TTS аз ҷониби SparkAudio модели матн- ба- сухан аст, ки клонкунии овозро бо эҳсосоти идорашаванда ва услуби суханронӣ якҷоя мекунад. Бо истифодаи танҳо 5 сония аудиои истинод, он метавонад овозро клон кунад ва баъд суханронӣ бо эҳсосоти гуногун, суръат ва услубро бо нигоҳ доштани шахсияти овози клоншударо эҷод кунад. Spark TTS системаи идоракунии асосӣ ба саволро истифода мебарад.

GPT- SoVITS якҷоя кардани GPT- услуби забон моделсозии бо SoVITS (Singing Voice Инференсия тавассути Тарҷума ва Синтез) барои қудрати чанд- shots овози клонинги. Бо камтар аз 5 сонияҳои аудиои истинод, он метавонад дақиқ клонинг овоз ва эҷоди сухани нав бо нигоҳ доштани хусусиятҳои беназир сухангӯ. Он дар ҳам сухан ва ҳам синтез овози суруд.

Orpheus - ин моделҳои калони матн- ба- сухан аст, ки ба ифодаи эҳсосоти инсонӣ мерасад. Дар зиёда аз 100, 000 соати маълумотҳои гуногуни сухан, он дар эҷоди сухан бо эҳсосоти табиӣ, таъкид ва услубҳои суханронӣ муваффақ аст. Orpheus метавонад суханро, ки аз сабтҳои инсонӣ фарқ намекунад, эҷод кунад.

Chatterbox аз тарафи Resemble AI як модел барои нусхабардории овози фаврӣ мебошад. Он метавонад ҳар як овозро аз як намунаи аудиоӣ бо дақиқии назаррас такрор кунад, на танҳо оҳанг, балки услуби суханронӣ ва нуқтаҳои эҳсосиро низ бигирад. Chatterbox инчунин дорои идоракунии эҳсосоти майда аст, ки ба шумо имкон медиҳад, ки садои эҳсосоти сухани эҷодшударо мустақилона аз шахсиятҳои овозӣ танзим кунед.

Tortoise TTS системаи худ- регрессивии бисёр- овозии матн- ба- сухан аст, ки сифати аудиоро аз суръат боло мегузорад. Он аз сохтори DALL- E барои эҷоди сухани хеле табиӣ бо прозодияи олӣ ва монандӣ ба сухангӯ истифода мебарад. Гарчанде ки аз бисёре аз дигар алтернативаҳо сусттар аст, Tortoise баъзе аз суханҳои синтетикии воқеии дар экосистемаи кушода дастрасро истеҳсол мекунад.

StyleTTS 2 синтези TTS- и дараҷаи инсониро бо истифодаи якҷоя кардани услуби диффузия бо машқи рақобатӣ бо истифодаи моделҳои калони забонҳои сухан ба даст меорад. Он сухани табиии баландтаринро дар байни моделҳои як- сухангӯ, рақобаткунанда бо сабтҳои инсонӣ, эҷод мекунад. StyleTTS 2 услуби моделсозии асосӣ барои гирифтани тамоми диапазони тағирёбии сухани инсон истифода мебарад.

OpenVoice аз тарафи MyShell. ai имкон медиҳад, ки овози фаврӣ бо назорати гранулӣ дар бораи услуби овоз, эҳсосот, акцент, ритми, таваққуфҳо ва интонатсия. Он метавонад овозро аз як клипҳои аудиоии кӯтоҳ клон кунад ва суханро дар бисёр забонҳо бо нигоҳ доштани шахсияти сухангӯ эҷод кунад. OpenVoice ҳамчунин ҳамчун конвертери овоз кор мекунад, ки ба табдилдиҳии овоз дар вақти воқеӣ имкон медиҳад.

Qwen3- TTS - ин 1. 7 миллиард параметри матн- ба- гуфтор модел аз дастаи Qwen- и Alibaba мебошад. Он се ҳолати пуштибонӣ мекунад: овозҳои пешфарз бо назорати эҳсосот (9 баландгӯяк), дубора сохтани овоз аз танҳо 3 сонияҳои аудио, ва ҳолати тарроҳии овози беназир, ки шумо овози хоҳишшударо дар забони табиӣ тавсиф мекунед. Он 10 забони бо ифодаи баланд ва прозоди табииро дар бар мегирад.

Sesame CSM (Conversational Speech Model) - ин як модели 1 миллиард параметр мебошад, ки махсусан барои эҷоди гуфтугӯи гуфтугӯи инсонӣ тарҳрезӣ шудааст. Он намунаҳои табиии гуфтугӯи инсониро дар бар мегирад, аз ҷумла вақти гардиш, ҷавобҳои канали бозгашт, вокуниши эҳсосотӣ ва раванди гуфтугӯи инсонӣ. CSM садоеро эҷод мекунад, ки ба ҷои сухани синтетикӣ, ба монанди гуфтугӯи табиии инсонӣ садо медиҳад.

Chatterbox Turbo аз ҷониби Resemble AI 350M параметри навсозии Chatterbox, ки то 6x суръати вақти воқеиро бо таъхири зери 200 мс таъмин мекунад. Он тегҳои паралингвистӣ ба монанди [лағз], [сар,] ва [шукуфтани] - ро бевосита дар матн дастгирӣ мекунад. Дар бар мегирад Perth watermarking дар ҳамаи аудиоҳои эҷодшуда барои пайгирии манбаъ.

Зонос v0. 1 аз Zyphra як модели параметри 1. 6B бо назорати ҳиссиётҳои майда бо чархзанандаҳо барои хурсандӣ, хашм, ғам, тарс ва ҳайрат аст. Он ҳам як Трансформатор ва ҳам як варианти нави SSM (модели фазои- ҳолати) - ро пешниҳод мекунад. Дар 200K+ соатҳои суханронии бисёрзабон бо клонкунии овози 0- 30 сонияҳои аудиои истинод омӯзонида шудааст.

Dia2 аз ҷониби Nari Labs як навсозии аввалияи Dia мебошад, ки дар вариантҳои параметрҳои 1B ва 2B дастрас аст. Он синтези аудиоро аз чанд нишонаи аввал оғоз мекунад, ки онро барои агентҳои овозии вақти воқеӣ ва каналҳои гуфтугӯ ба гуфтугӯ идеалӣ месозад. Диалоги бисёргӯяндаро бо [S1] / [S2] тегҳо ва нишонаҳои паралингвистӣ, ба монанди (лағз), (сар) дастгирӣ мекунад.

VoxCPM 1. 5 аз тарафи OpenBMB як модели нави TTS- и бе tokenizer мебошад, ки дар фазои пайваста ба ҷои tokens- и ҷудошуда кор мекунад. Он садои 44. 1kHz- и баландсифатро истеҳсол мекунад, дубора сохтани овозро аз 3- 10 сония дастгирӣ мекунад ва мутобиқатро дар абзацҳо нигоҳ медорад. Дубора сохтани байни забонҳо ба шумо имкон медиҳад, ки овози англисиро ба суханронии хитоӣ ва баръакс татбиқ кунед.

OuteTTS моделҳои забонҳои калонро бо қобилияти матн-ба-сухан бо нигоҳ доштани сохтори аслӣ васеъ мекунад. Он пуштибонии бисёри пуштибонҳоро дар бар мегирад, аз ҷумла llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, ва ҳатто баррасии браузер тавассути Transformers.js. Хусусиятҳои клонкунии садои Zero-shot тавассути профилҳои баландгӯякҳо, ки ҳамчун JSON захира шудаанд.

TADA (Text- Acoustic Dual Alignment) аз тарафи Hume AI як модели TTS- и пешрафта мебошад, ки халлуцинатсияҳоро тавассути сохтори нави дугонаи дугона, ки дар Llama 3. 2 сохта шудааст, нест мекунад. Дар вариантҳои 1B (Англисӣ) ва 3B (якчанд забонӣ) дастрас аст, TADA ба RTF- и 0. 09 - 5x тезтар аз моделҳои TTS- и LLM- асосӣ мерасад. Он то 700 сонияҳои аудиоии аудиоиро дастгирӣ мекунад ва гуфтугӯи эҳсосӣ бо халлуцинатсияҳои нуқра дар стандартҳои стандартӣ истеҳсол мекунад.

VibeVoice аз тарафи Microsoft дар ду навъ меояд: як навъи 1. 5B барои мундариҷаи дароз (то 90 дақиқа, 4 баландгӯяк) ва як навъи 0. 5B барои пахши мустақим бо ~200ms барои ибтидои аудио. Навъи 1. 5B дар подкастҳо ва китобҳои аудиоӣ бо садои баландгӯяк дар тӯли гузаришҳои дароз бартарӣ дорад. Таваҷҷӯҳ: Microsoft коди TTS- ро аз репозитория хориҷ кард ва садои эҷодшуда дорои радкунии AI- и шунаво мебошад.

Pocket TTS аз тарафи Kyutai (сохибони Moshi) як матни 100M параметри матн- ба- сухан модел аст, ки аз вазни худ зиёдтар аст. Он самаранок дар CPU кор мекунад, клонкунии садои zero- shot- ро аз як намунаи аудиоӣ дастгирӣ мекунад, ва сухани табиӣ- садоро истеҳсол мекунад. Андозаи хурди модел онро барои истифодаи периметри ва муҳити кам- ресурсӣ идеалӣ месозад.

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.

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.

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.

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.