> AI Teksto sa Pagsasalita

Ang Kokoro ay isang 82 milyong parameter na modelo ng text-to-speech na may mga punch na mas mataas sa timbang nito. Sa kabila ng maliit na sukat nito, ito ay lumilikha ng kapansin-pansin na natural at masining na pagsasalita. Sinusuportahan ng Kokoro ang maraming wika kabilang ang Ingles, Hapon, Intsik, at Koreano na may iba't ibang mga masining na boses.

Ang Piper ay isang lightweight text-to-speech engine na binuo ng Rhasspy na gumagamit ng VITS at larynx architectures. Ito ay tumatakbo ng buo sa CPU, na ginagawang perpekto para sa mga aparatong gilid, home automation, at mga application na nangangailangan ng offline TTS. Sa higit sa 100 mga boses sa 30+ wika, ang Piper ay naghahatid ng natural na tunog na pagsasalita sa real-time na bilis kahit na sa isang Raspberry Pi4.

Ang VITS (Variation Inference with adversarial learning for end-to-end Text-to-Speech) ay isang parallel end-to-end na paraan ng TTS na bumubuo ng mas natural na tunog na audio kaysa sa kasalukuyang dalawang-stage na modelo. Ito ay gumagamit ng variation inference na pinahusay ng normalisasyon ng daloy at isang adversarial na proseso ng pagsasanay, na nakamit ang isang makabuluhang pagpapabuti sa naturalness.

Ang MeloTTS ay isang multilingual na TTS library na sumusuporta sa Ingles (Amerikano, Briton, Indian, Australian), Espanyol, Pranses, Intsik, Hapon, at Koreano. Ito ay lubhang mabilis, pagpoproseso ng teksto sa malapit na real-time na bilis sa CPU lamang. MeloTTS ay dinisenyo para sa paggamit ng produksyon at sumusuporta sa parehong CPU at GPU pagbubuod.

Bark by Suno ay isang transformer-based na modelo ng text-to-audio na maaaring makabuo ng mataas na makatotohanang, multilingual na pananalita pati na rin ang iba pang mga audio tulad ng musika, background ingay, at mga epekto ng tunog. Maaari itong makabuo ng mga nonverbal na komunikasyon tulad ng tawa, paghinga, at pag-iyak. Bark sumusuporta sa higit sa 100 speaker presets at 13 + wika.

Ang Bark Small ay isang distilasyong bersyon ng modelong Bark na nagbebenta ng ilang kalidad ng audio para sa mas mabilis na mga bilis ng pag-uugnay at mas mababang mga kinakailangan sa memorya. Pinapanatili nito ang kakayahan ni Bark na makabuo ng pananalita na may mga emosyon, tawa, at maraming wika.

Ang CosyVoice2ng Tongyi Lab ng Alibaba ay nakakamit ng kalidad ng pagsasalita na maihahambing sa tao na may napakababang latency, na ginagawa itong perpekto para sa mga aplikasyon sa real-time. Ginagamit nito ang isang may hangganang scalar na kwantisasyon para sa streaming synthesis at sumusuporta sa zero-shot na cloning ng boses, cross-lingual synthesis, at fine-grained na kontrol sa emosyon.

Ang Dia ng Nari Labs ay isang 1.6B parameter na modelo ng text-to-speech na idinisenyo para sa pagbuo ng multi-speaker na dialogue. Maaari itong makabuo ng natural na tunog na mga pag-uusap sa pagitan ng dalawang tagapagsalita na may naaangkop na pag-ikot, prosody, at emosyonal na ekspresyon. Ang Dia ay perpekto para sa paglikha ng nilalaman ng estilo ng podcast, mga dialog ng audiobook, at interactive na pakikipag-usap na AI.

Ang Parler TTS ay isang modelong text-to-speech na gumagamit ng mga paglalarawan ng boses ng natural na wika upang kontrolin ang nabuong pagsasalita. Sa halip na pumili mula sa mga preset na boses, inilalarawan mo ang boses na gusto mo (halimbawa, "isang mainit na boses ng babae na may bahagyang British accent, nagsasalita nang dahan-dahan at malinaw") at ang Parler ay bumubuo ng pagsasalita na tumutugma sa paglalarawan na iyon. Ito ay ginagawang natatangi ang pagiging malawak para sa mga creative na aplikasyon.

Ang GLM-TTS ay isang sistemang text-to-speech na binuo sa arkitekturang Llama na may daloy na pagtutugma. Nakamit nito ang pinakamababang rate ng pagkakamali ng character sa mga modelong TTS na open-source, na nangangahulugang ito ay gumagawa ng pinakatumpak na pagbigkas.

Ang IndexTTS-2 ay isang advanced na sistemang text-to-speech na may kakayahang mag-synthesize ng boses na zero-shot na may fine-grained na kontrol sa emosyon. Maaari itong makabuo ng mga tunog na may mga tiyak na emosyonal na tono tulad ng masaya, malungkot, galit, o matakot nang hindi nangangailangan ng mga partikular na data sa pagsasanay sa emosyon. Ginagamit ng modelo ang mga vector ng emosyon upang tumpak na kontrolin ang ekspresyon ng emosyonal na tunog ng nabuong pagsasalita.

Ang Spark TTS ng SparkAudio ay isang modelo ng text-to-speech na pinagsasama ang cloning ng boses na may kontroladong damdamin at estilo ng pagsasalita. Gamit ang5segundo lamang ng reference audio, maaari itong mag-clone ng isang boses at pagkatapos ay makabuo ng pagsasalita na may iba't ibang mga damdamin, bilis, at estilo habang pinapanatili ang na-clone na pagkakakilanlan ng boses.

Ang GPT-SoVITS ay pinagsasama ang GPT-style na pagmomodelo ng wika sa SoVITS (Singing Voice Inference via Translation and Synthesis) para sa malakas na ilang-shot na cloning ng boses. Sa kaunting5segundo ng reference audio, maaari itong tumpak na i-clone ang isang boses at makabuo ng bagong pananalita habang pinapanatili ang natatanging katangian ng tagapagsalita.

Ang Orpheus ay isang malaking-scale na modelo ng text-to-speech na nakakamit ng emosyonal na ekspresyon sa antas ng tao. Nasanay sa higit sa 100,000 oras ng iba't ibang data ng pagsasalita, ito ay mahusay sa pagbuo ng pagsasalita na may natural na mga emosyon, diin, at mga istilo ng pagsasalita. Ang Orpheus ay maaaring makabuo ng pagsasalita na halos hindi makilala mula sa mga pag-record ng tao.

Ang Chatterbox by Resemble AI ay isang cutting-edge na zero-shot na modelo ng cloning ng boses. Maaari itong i-replicate ang anumang boses mula sa isang solong sample ng audio na may kapansin-pansin na katumpakan, na nakasabit hindi lamang ang timbre kundi pati na rin ang estilo ng pagsasalita at mga emosyonal na nuances. Ang Chatterbox ay may mga tampok din na fine-grained na kontrol sa emosyon, na nagbibigay-daan sa iyo upang ayusin ang emosyonal na tono ng nabuong pagsasalita nang malaya mula sa pagkakakilanlan ng boses.

Ang Tortoise TTS ay isang autoregressive na multi-voice text-to-speech system na nagbibigay-priyoridad sa kalidad ng audio sa bilis. Ginagamit nito ang DALL-E-inspired architecture upang makabuo ng mataas na natural na pagsasalita na may mahusay na prosody at pagkakatulad ng tagapagsalita. Habang mas mabagal kaysa sa maraming mga alternatibo, ang Tortoise ay gumagawa ng ilan sa mga pinaka-realistic na sintetikong pagsasalita na magagamit sa open-source ecosystem.

Ang StyleTTS2ay nakamit ang tao-level TTS synthesis sa pamamagitan ng pagsasama ng estilo ng pagkalat sa adversarial pagsasanay gamit ang malaking modelo ng wika ng pagsasalita. Ito ay lumilikha ng pinaka-natural na tunog ng pagsasalita sa mga modelo ng single-speaker, nakikipagkumpitensya sa mga tao na pag-record.

Ang OpenVoice by MyShell.ai ay nagbibigay-daan sa instant na pag-clone ng boses na may granular na kontrol sa estilo ng boses, damdamin, accent, ritmo, pauses, at intonasyon. Maaari itong mag-clone ng isang boses mula sa isang maikling audio clip at makabuo ng pagsasalita sa maraming wika habang pinapanatili ang pagkakakilanlan ng tagapagsalita. Ang OpenVoice ay gumagana din bilang isang tagapaglipat ng boses, na nagpapahintulot sa real-time na pagbabago ng boses.

Qwen3-TTS ay isang 1.7 bilyong parameter na modelo ng text-to-speech mula sa Qwen team ng Alibaba. Sinusuportahan nito ang tatlong mode: preset na boses na may kontrol sa damdamin (9 speakers), cloning ng boses mula sa3segundo lamang ng audio, at isang natatanging mode ng disenyo ng boses kung saan inilalarawan mo ang boses na gusto mo sa natural na wika. Tinatakpan nito ang 10 wika na may mataas na ekspresyon at natural na prosody.

Ang Sesame CSM (Conversational Speech Model) ay isang 1 bilyong parameter na modelo na idinisenyo para sa pagbuo ng mga pakikipag-usap na pagsasalita. Ito ay nag-modelo ng mga natural na pattern ng pakikipag-usap ng tao kabilang ang turn-pagkuha ng oras, mga tugon sa backchannel, emosyonal na reaksyon, at daloy ng pakikipag-usap.

Ang Chatterbox Turbo ay isang 350M parameter upgrade sa Chatterbox, na nagbibigay ng hanggang sa 6x na bilis sa real-time na may latency na 200ms. Sinusuportahan nito ang mga paralinggwistang mga tag tulad ng [tawa], [pagduduwal], at [pag-ungol] nang direkta sa teksto. Kasama ang Perth watermarking sa lahat ng nabuong audio para sa pagsubaybay sa pinagmulan.

Ang Zonos v0.1 ni Zyphra ay isang 1.6B parameter model na may fine-grained emotion control na may slider para sa kaligayahan, galit, kalungkutan, takot, at sorpresa. Nag-aalok ito ng parehong isang Transformer at isang bagong SSM (modelo ng estado-espasyal) na pagkakaiba-iba. Hinuli sa 200K + oras ng multilingual na pagsasalita na may zero-shot na cloning ng boses mula sa 10-30 segundo ng reference audio.

Ang Dia2 ni Nari Labs ay isang streaming-first upgrade sa Dia, na magagamit sa 1B at 2B parameter variants. Ito ay nagsisimulang mag-synthesize ng audio mula sa unang ilang mga token, na ginagawang perpekto para sa mga real-time na ahente ng boses at mga pipeline ng pagsasalita-sa-pagsasalita.

Ang VoxCPM 1.5 ay isang bagong tokenizer-free TTS model na gumagana sa patuloy na espasyo sa halip na mga hiwalay na token. Ito ay gumagawa ng mataas na katapatan 44.1kHz audio, sumusuporta sa zero-shot na cloning ng boses mula sa 3-10 segundo, at pinapanatili ang pagkakapareho sa mga talata.

Ang OuteTTS ay nagpapalawak ng mga malalaking modelo ng wika na may kakayahang text-to-speech habang pinapanatili ang orihinal na arkitektura. Sinusuportahan nito ang maraming mga backend kabilang ang llama.cpp (CPU / GPU), Hugging Face Transformers, ExLlamaV2, VLLM, at kahit na browser inference sa pamamagitan ng Transformers.js.

TADA (Text-Acoustic Dual Alignment) ng Hume AI ay isang makabagong TTS modelo na nag-aalis ng mga halimaw sa pamamagitan ng isang nobelang dual alituntunin architecture na itinayo sa Llama 3.2. Available sa 1B (Ingles) at 3B (multilingual) mga pagkakaiba-iba, TADA ay nakamit ng isang RTF ng 0.09 -5x mas mabilis kaysa sa mga katumbas na LLM-based na mga modelo TTS. Ito ay sumusuporta sa hanggang sa 700 segundo ng audio konteksto at gumagawa ng emosyonal na masining na pagsasalita na may zero halimaw sa mga pamantayan benchmarks.

Ang VibeVoice ng Microsoft ay may dalawang variant: isang 1.5B na modelo para sa mga mahabang-pormal na nilalaman (hanggang sa 90 minuto,4na tagapagsalita) at isang Realtime 0.5B na modelo para sa streaming na may ~200ms na unang latency ng audio. Ang 1.5B na variant ay mahusay sa mga podcast at audiobook na may pagkakapareho ng tagapagsalita sa mahabang mga talata. Tandaan: Ang Microsoft ay inalis ang TTS code mula sa repositoryo at ang nabuong audio ay kasama ang mga naririnig na AI disclaimer.

Ang Pocket TTS ni Kyutai (mga tagapaglikha ng Moshi) ay isang compact na 100M parameter na modelo ng text-to-speech na may kakayahang mag-punch ng mas mataas kaysa sa timbang nito. Mahusay itong gumagana sa CPU, sumusuporta sa zero-shot na cloning ng boses mula sa isang solong sample ng audio, at gumagawa ng natural na tunog na pagsasalita.

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.