Metinden Söze

Kokoro 82 million parametrli metinden söze modeldir we öz agramy klasyndan has gowy işleýär. Kiçijik ululygyna garamazdan, ol örän nazik we beýanly sözi döredýär. Kokoro birnäçe dilleri goldaýar, şol sanda inglizçe, ýaponça, çinçe we koreýçe, dürli beýanly sesler bilen. Ol gaty tiz işleýär — GPU-da hakykat wagtyndan 100x tiz ses döredýär.

Piper VITS we larynx binagärliklerden peýdalanýan Rhasspy tarapyndan işlenip çykarylan ýeňil metinden söze enjamdyr. Ol doly CPU üstünde işleýär, bu ony edge enjamlar, öý awtomatlaşdyrma we off-line TTS talap edýän programler üçin ideal edýär. 30+ dilden 100 ses bilen, Piper Raspberry Pi 4-de hem hakykat wagtyň tizliginde tebigy sesli sözi hödürleýär.

VITS (Variasion Inference with adversarial learning for end-to-end Text-to-Speech) şu wagtky iki tapgyrly modellerden has has natural sounding audio döredýän bir TTS usuly. Ol normalizing flows bilen artdyrylan variasion inference we adversarial training prosesi kabul edip, naturalness-de bir uly gowylaşma gazanýar.

MeloTTS by MyShell.ai bir köp dilli TTS kitaphanasy bolup inglizçe (Amerikan, Britanik, Hindistan, Awstralýa), ispança, fransuzça, çinçe, japonça we koreýçe goldaýar. Ol gaty tiz, metini diňe CPU bilen hakykatdan ykjam tizlikte işleýär. MeloTTS öndürijilik ulanmak üçin işlenip taýýarlanyldy we hem CPU hem GPU inference goldaýar.

Suno tarapyndan Bark bir transformator esaslanan metinden ses modeldir, ol ýokary realistik, köp dilli sözi hemde beýleki sesleri, ýagny müzik, arka fon gürültüsüni we ses effektlerini döredip biler. Ol gülmek, öwmek we gygyrmak ýaly sözsüz aragatnaşygy döredip biler. Bark 100den gowrak sözçi öň bellemeleri we 13den gowrak dili goldaýar.

Bark Small Bark modeliň bir distilllenmiş wersiýasy bolup, ol belli bir ses hilinden has çalt netije çykarmak tizligi we has az ýat talaplary üçin alyş-çalşyp bilýär. Ol Bark'yň sözi duýgular, gülüşmeler we köp dil bilen döredip bilýänligini saklaýar.

Alibaba's Tongyi Lab tarapyndan döredilen CosyVoice 2 adama deňeşdirilen söz hilini aňsatlyk bilen gazanýar, ony hakykat wagtynda programmalar üçin ideal edýär. Ol ströming sintez üçin bir sonly skalar kwantlaşdyrma çemeleşmesini ulanýar we zero-shot ses klonlamany, cross-language syntez, we fin-grained emosiýa kontroly goldaýar. Ol subýektiw bahalarda köp tiz TTS sistemalardan üstün çykýar.

Nari Labs tarapyndan işlenip çykarylan Dia bir 1.6B parametrli metinden söze modeldir, aýratyn bir köp sözleýji dialogy döretmek üçin işlenip çykarylan. Ol iki sözleýji arasyna dogry aýlaw, prozodiya we duýgu beýany bilen dogry sesli söhbetdeşlik döretmäge ukyply. Dia podcast-style mazmun, audiokitap söhbetdeşlik, we interaktiw gürleşýän AI döretmek üçin täsindir.

Parler TTS bir metinden söze modeldir, ol döredilen sözi dolandyrmak üçin tebigy dil ses beýanyny ulanýar. Ön bellenen seslerden saýlamak ýerine, islän sesi beýan ediň (m.a., "a warm female voice with a slight British accent, speaking slowly and clearly") we Parler şol beýana laýyk ses döreder. Bu ony döredijilikli programler üçin özüne mahsus elýeterli edýär.

GLM-TTS Zhipu AI tarapyndan Llama binagärligi bilen öçüm deňlemeli metin-söz sistemasy. Ol açyk çeşme TTS modelleri arasynda iň az karakter hata derejesine ýetýär, munuň manysy ol iň dogry sözlemleri çykarýar. GLM-TTS 3-10 sekunt ses nusgalaryndan ses klonlama bilen ingliz we çin dilini goldaýar.

IndexTTS-2 bir ileri metin-söz sistemasy bolup, ol 0-şot ses sintezinde we gowy-gök emosiýa kontrol etmekde üstünlik gazanýar. Ol emosiýa spesifiki tälim bermegiň zerurlygy bolmadyk, şat, gahar, gaharlan ýa-da gorkan ýaly belli emosional tony bilen sözi döredip biler. Model, emotion vektorlary ulanyp, emotion ekspressini dogry kontrol etmek üçin sözi döredýär.

Spark TTS by SparkAudio ses klonlamany kontrol ediji emosiýa we gürleýiş stili bilen birikdirýän bir metinden-söz modeldir. Diňe 5 sekunt referens ses ulanyp, ol ses klonlap soňra dürli emosiýalar, tizlikler we stiller bilen gürleýişi döredip biler. Spark TTS bir soraga esaslanan kontrol sistemany ulanýar.

GPT-SoVITS GPT-style dil modellemesini SoVITS (Singing Voice Inference via Translation and Synthesis) bilen birikdirýär güýçli az-şot ses klonlamak üçin. 5 sekuntdan az referenç ses bilen, ol ses klonlap we täze sözi döredip we sözleýjiniň özboluşly häsiýetlerini saklaýar. Ol hem gürlemekde hemem aýdym aýtmakda ses sintez etmekde örän gowy.

Orpheus bir uly ölçegli metinden söze modeldir, ol adam derejesindäki duýgulary beýan eder. 100,000 sagatdan gowrak dürli duýgular maglumaty bilen taýýarlanan, ol dogry duýgular, üns, we duýgu stilleri bilen sözi döredip bilýär. Orpheus adam ýazgylaryndan tapawutly bolmadyk sözi döredip bilýär.

Resemble AI tarapyndan Chatterbox bir zero-shot ses klonlama modelidir. Ol bir ses nusgasyndan her bir sesi has dogrylyk bilen, diňe timbre däl, ýöne sözleme stili we duýgular bilen hem duýgulary saklaýar. Chatterbox şeýle hem size sesden tapawutly duýgular bilen sözlemeni düzetmäge mümkinçilik berýän duýgular kontroly bilen hem üpjün edýär.

Tortoise TTS bir awto-regresiw köp sesli metinden söze sistemasy bolup sesiň hiliniň tizligine öñlük berer. Ol DALL-E-den ilham alan binagärligi gowy prozody we sözleýjiň meňzeşligi bilen ýokary derejede nazik sözi döretmek üçin ulanýar. Birçok alternatiwlerden yavaşrak bolsada, Tortoise azat çeşme ekosistemasynda elýeterli iň hakykatçy sintetik sözi döretýär.

StyleTTS 2 adam derejeli TTS sintezini, uly söz dil modelleri ulanyp, stil diffýuziya bilen garşydaş tälimni birleşdirmek arkaly gazanýar. Ol bir sözleýji modelleri arasynda iň nazik sesli sözi döredýär, adam ýazgylary bilen bäsleşip. StyleTTS 2 adam sözüni üýtgetmegiň doly spektrini almak üçin diffýuziya esasly stil modellemesini ulanýar.

MyShell.ai tarapyndan OpenVoice sesiň stili, emosiýa, aksent, ritmi, duralma we intonasiýa üstünden has gowy kontrol bilen sesiň tiz klonlanmagy mümkin edýär. Ol sesiň gysga ses klipinden klonlanmagy we birnäçe dillerde sözi döretmegi mümkin edýär we sözleýjiniň kimligini saklaýar. OpenVoice bir ses konverteri bolup hem işleýär, real wagt ses transformasiýasyny mümkin edýär.

Qwen3-TTS Alibaba's Qwen team-den 1.7 milliard parametr metin-dan-söz modeldir. Ol üç mody goldaýar: emotion kontrol bilen öň bellenen sesler (9 sözleýji), ses klonlamak diňe 3 sekunt sesden, we bir özüne mahsus ses dizaýn mody siz isleýän sesi dogry dil bilen beýan edýäňiz. Ol 10 dili ýokary beýan we dogry prozodiya bilen goraýar.

Sesame CSM (Conversational Speech Model) 1 milliard parametrli modeldir, söhbetçilik üçin aýratyn işlenip düzülipdir. Ol adam söhbetçilikiň tebigy şablonlaryny, şol sanda aýlaw-almak wagtyny, arka kanal jogaplaryny, duýgu reaksiýalaryny we söhbetçilik akymyny modelleşdirýär. CSM sintetik gepçilikden has adam söhbetçilik ýaly ses döredýär.

Resemble AI tarapyndan Chatterbox Turbo Chatterbox üçin 350M parametr täzelemedir, 6x real wagt tizligine 200ms-den az wagtlyk gijäni getirýär. Ol [laugh], [cough], we [chuckle] ýaly paralingwistik taglary metinde dogrydan goldaýar. Perth suw markasyny ähli emele gelen seslerde içer.

Zonos v0.1 Zyphra tarapyndan 1.6B parametrli modeldir, bagt, gahar, keder, gork we şaşka üçin slaiderler bilen gowy-gök emosional kontroly bilen. Ol hem bir Transformator hemem täze SSM (hal-öz-öz-içi model) varianty hödürleýär. 200K+ sagat köp dilli sözleň bilen 10-30 sekuntlyk referans ses klonlama bilen taýýarlandy.

Dia2 Nari Labs tarapyndan Dia-a 1B we 2B parametrler bilen elýeterli bir stream-first täzelemedir. Ol sesleri ilkinji birnäçe tokenlerden sintez edip başlar, ony hakykat wagty ses agentleri we sözden söze geçirijiler üçin ideal edip goýýar. [S1]/[S2] taglar bilen köp-sözleýji dialogy we (laughs), (coughs) ýaly paralingvistik çyzgylary goldaýar.

VoxCPM 1.5 OpenBMB tarapyndan bir täze tokenizer-free TTS modeldir, ol diskret tokenlerden has dowamly boşlukda işleýär. Ol ýokary-düşünjeli 44.1kHz ses çykarýar, 3-10 sekuntdan zero-shot ses klonlama goldaýar, we paragraflar arasynda birmeňzeşligi saklaýar. Cross-language klonlama size ingliz sesini Çinçe söze ulanmak we tersine.

OuteTTS metinde-söze ukyplary bilen uly dil modellerini giňeldýär we özbaşdak binagärligi saklaýar. Ol llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, we hatda Transformers.js arkaly brauzer inferences bilen birnäçe arkadaklar goldaýar. JSON ýaly gaýd edilen sözleýji profiller arkaly zero-shot ses klonlama aýratynlyklary bar.

TADA (Text-Acoustic Dual Alignment) Hume AI tarapyndan Llama 3.2 üstünde bina edilen täze ikinji birikdirme binagärligi arkaly hallusinasiýalary ýok edýän bir täzelikçi TTS modelidir. 1B (Inglizçe) we 3B (çok dil) variantlarda elýeterli, TADA bir RTF 0.09 - 5x çaltlyk bilen deňeşdirilen LLM- esasly TTS modellerinden ýetişdirýär. Ol 700 sekunt audio konteksti goldaýar we standart benchmarkslarda hiç hallusinasiýalar bilen duýguly beýan eden sözi öndürýär.

Microsoft VibeVoice iki görnüşinde gelýär: 1.5B model uzak mazmun üçin (90 minuta çenli, 4 sözleýji) we REALTIME 0.5B model ~200ms ilkinji ses geçilişi bilen ströming üçin. 1.5B variant podkastlar we audiokitaplarda uzun sözleýji geçişleri bilen üstünlik gazanýar. Ýörelge: Microsoft TTS koduny repozytoriýadan aýyrdy we döreden ses eşidilýän AI jogapkärçilikden gaça durmagy içerýär.

Kyutai (Moshi-niň döredijileri) tarapyndan Pocket TTS bir 100M parametrli metinde-söze modeldir. Ol CPU-da çalt işleýär, bir ses nusgasyndan zero-shot ses klonlamany goldaýar, we dogry sesli sözi döredýär. Kiçi model ululygy ony edge depleniş we az-resursly töwerekler üçin ideal edýär.

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.