AI Metinden KonuşmayaName

Kokoro, ağırlık sınıfının çok üstünde bir performans gösteren 82 milyon parametreli bir metin-sözlü modeldir. Küçük boyutuna rağmen, dikkate değer derecede doğal ve ifade edici bir konuşma üretir. Kokoro, İngilizce, Japonca, Çince ve Korece gibi çoklu dilleri çeşitli ifade edici seslerle destekler. İnanılmaz derecede hızlı çalışır — GPU üzerinde gerçek zamanlı ses üretmekten neredeyse 100 kat daha hızlı.

Piper, Rhasspy tarafından geliştirilen ve VITS ve larynx mimarilerini kullanan hafif bir metin-söz motorudur. Tümüyle CPU üzerinde çalışır, bu da onu kenar cihazları, ev otomasyonu ve çevrimdışı TTS gerektiren uygulamalar için ideal hale getirir. 30'dan fazla dilde 100'den fazla sesle, Piper Raspberry Pi 4'te bile gerçek zamanlı hızlarda doğal sesli konuşma sağlar.

VITS (sondan sona Metin-Konuşmaya karşılık gelen öğrenme ile Varyasyonel İnceleme), mevcut iki aşamalı modellerden daha doğal ses çıkaran bir paralel sondan sona TTS yöntemidir. Normalleştirme akışlarıyla ve karşılıklı eğitim süreciyle artırılmış varyasyonel çıkarımı kabul ederek, doğallıkta önemli bir iyileşme sağlar.

MyShell.ai tarafından geliştirilen MeloTTS, İngilizce (Amerikan, İngiliz, Hint, Avustralya), İspanyolca, Fransızca, Çince, Japonca ve Korece'yi destekleyen çok dilli bir TTS kütüphanesidir. Aşırı hızlıdır, tek başına CPU'da neredeyse gerçek zamanlı bir hızla metin işleme yapabilir. MeloTTS üretim kullanımı için tasarlanmış ve hem CPU hem de GPU çıkarımlarını destekler.

Suno tarafından geliştirilen Bark, çok gerçekçi, çok dilli konuşmanın yanı sıra müzik, arka plan gürültüsü ve ses efektleri gibi diğer sesleri de üretebilir. Gülme, inleme ve ağlama gibi sözsüz iletişimleri de üretebilir. Bark 100'den fazla seslendirici önayarını ve 13'ten fazla dili destekler.

Bark Small, Bark modelinin belirgin olarak daha hızlı çıkarım hızları ve daha düşük bellek gereksinimleri için bazı ses kalitesini değiştiren bir damak versiyonudur.Bark'ın duygular, gülüşmeler ve çoklu dillerle konuşma üretme yeteneğini korumaktadır.

Alibaba'nın Tongyi Lab tarafından geliştirilen CosyVoice 2, gerçek zamanlı uygulamalar için ideal hale getiren son derece düşük gecikme ile insana benzeyen konuşma kalitesine ulaşmaktadır. Akışlı sentez için sonlu skaler kuantum yaklaşımı kullanır ve sıfır-atış ses klonlama, dil-arası sentez ve ince taneli duygu kontrolünü destekler.

Nari Labs tarafından geliştirilen Dia, çoklu konuşmacı diyalogları oluşturmak için özel olarak tasarlanmış 1.6B parametreli bir metin-sözlü modeldir. İki konuşmacı arasında uygun sıralama, prozodi ve duygusal ifade ile doğal sesli konuşmalar oluşturabilir. Dia podcast-stilinde içerik, sesli kitap diyalogları ve etkileşimli konuşmacı yapay zeka yaratmak için mükemmeldir.

Parler TTS, üretilen konuşmayı kontrol etmek için doğal dil ses tanımlamasını kullanan bir metin-sözlüğe modelidir. Önden ayarlanmış seslerden seçmek yerine, istediğiniz sesi tanımlayabilirsiniz (örneğin, "hafif İngiliz aksanlı sıcak bir kadın sesi, yavaş ve net konuşuyor") ve Parler bu tanıma uygun bir konuşma üretecektir. Bu, yaratıcı uygulamalar için eşsiz bir esneklik sağlar.

Zhipu AI tarafından geliştirilen GLM-TTS, Llama mimarisine dayalı ve akış eşleştirme özelliği ile bir metin-söz dönüştürme sistemidir. Açık kaynaklı TTS modelleri arasında en düşük karakter hata oranına sahiptir, bu da en doğru telaffuz anlamına gelir. GLM-TTS, 3-10 saniyelik ses örneklerinden ses klonlama ile İngilizce ve Çinceyi destekler.

IndexTTS-2, ince taneli duygu kontrolü ile sıfır-atış ses sentezinde mükemmel olan gelişmiş bir metin-söz dönüştürme sistemidir. Duygu-özel eğitim verileri gerektirmeden mutlu, üzgün, kızgın veya korku gibi belirli duygusal tonlarla konuşmayı oluşturabilir. Model, üretilen konuşmanın duygusal ifadesini doğru kontrol etmek için duygu vektörlerini kullanır.

SparkAudio tarafından geliştirilen Spark TTS, ses klonlamasını kontrol edilebilir duygu ve konuşma tarzı ile birleştiren bir metin-sözü modelidir. Sadece 5 saniyelik referans ses kullanarak, bir sesi klonlayabilir ve sonra klonlanmış ses kimliğini korurken farklı duygular, hızlar ve stillerle konuşma üretebilir. Spark TTS bir prompt tabanlı kontrol sistemi kullanır.

GPT- SoVITS, GPT- tarzı dil modellemeyi SoVITS (Translasyon ve Sintez yoluyla Şarkı Sesleri Sonuçlama) ile güçlü birkaç- vuruş ses klonlama için birleştirir. 5 saniyelik referans sesle, bir sesi doğru bir şekilde klonlayabilir ve konuşanın eşsiz özelliklerini korurken yeni bir konuşma oluşturabilir. Hem konuşma hem de şarkı ses sentezi konusunda mükemmeldir.

Orpheus, insan düzeyinde duygusal ifadeyi sağlayan büyük ölçekli bir metin-sözü modelidir. 100.000 saatten fazla çeşitli konuşma verileri üzerinde eğitilmiş, doğal duygular, vurgu ve konuşma tarzları ile konuşma üretmede mükemmeldir. Orpheus, insan kayıtlarından neredeyse ayırt edilemeyen konuşma üretebilir.

Resemble AI tarafından geliştirilen Chatterbox, son teknolojiyi kullanan sıfır-atış ses klonlama modelidir. Tek bir ses örneği üzerinden, sadece timbreyi değil, konuşma tarzını ve duygusal nitelikleri de yakalayarak, dikkat çekici bir doğrulukla herhangi bir sesi kopyalayabilir. Chatterbox ayrıca, ses kimliğinden bağımsız olarak üretilen konuşmanın duygusal tonunu ayarlama olanağı sağlayan ince taneli duygusal kontrol özelliklerine de sahiptir.

Tortoise TTS, ses kalitesine hıza göre öncelik veren bir otomatik gerilemeli çok sesli metin-söz dönüştürme sistemidir. DALL-E'den esinlenerek, mükemmel prozodik ve konuşan benzerlikleriyle son derece doğal bir konuşma üretmek için bir mimari kullanır. Birçok alternatiften daha yavaş olmasına rağmen, Tortoise açık kaynak ekosisteminde mevcut olan en gerçekçi sentetik konuşmalardan bazılarını üretir.

StyleTTS 2, büyük konuşma dil modelleri kullanarak, stil yayılımını ve karşıt eğitimi birleştirerek insan seviyesinde TTS sentezi sağlar. Tek konuşmacı modelleri arasında en doğal sesli konuşmayı üretir, insan kayıtlarıyla rekabet eder. StyleTTS 2, insan konuşma değişkenliğinin tüm yelpazesini yakalamak için yayılım tabanlı stil modelleme kullanır.

MyShell.ai tarafından geliştirilen OpenVoice, ses tarzı, duygu, aksan, ritim, durmalar ve intonasyon üzerinde ince kontrol ile anında ses klonlamasını sağlar. Kısa bir ses klipinden bir ses klonlayabilir ve konuşanın kimliğini korurken birden fazla dilde konuşmayı oluşturabilir. OpenVoice aynı zamanda gerçek zamanlı ses dönüşümüne olanak sağlayan bir ses dönüştürücüsü olarak da çalışır.

Qwen3-TTS, Alibaba'nın Qwen ekibinden gelen 1.7 milyar parametreli bir metin-söz-ediş modelidir. Üç modu destekler: duygu kontrolü ile önceden ayarlanmış sesler (9 hoparlör), sadece 3 saniyelik ses klonlama ve istediğiniz sesi doğal dil ile tanımladığınız eşsiz bir ses tasarımı modu. Yüksek ifade ve doğal prozodi ile 10 dilde desteklenir.

Sesame CSM (Conversational Speech Model) özel olarak konuşmayı üretmek için tasarlanmış 1 milyar parametreli bir modeldir. Dönüşüm zamanlaması, geri kanal yanıtları, duygusal tepkiler ve konuşma akışını da içeren insan konuşmasının doğal biçimlerini modeller. CSM sentetik konuşma yerine doğal bir insan konuşması gibi ses üretmektedir.

Resemble AI tarafından geliştirilen Chatterbox Turbo, Chatterbox'a 350M parametre yükseltmesidir, 200ms'in altında gecikme ile 6x'e kadar gerçek zamanlı hız sağlar. [laugh], [cough] ve [chuckle] gibi paralinguistik etiketleri doğrudan metin içinde destekler. Kaynak izleme için tüm üretilen seslerde Perth su işareti içerir.

Zyphra tarafından geliştirilen Zonos v0.1, mutluluk, öfke, üzüntü, korku ve sürpriz için kaydırma çubukları ile ince ince duygu kontrolü sunan 1.6B parametreli bir modeldir. Hem bir Transformer hem de yeni bir SSM (state-space model) varyantını sunmaktadır. 10-30 saniyelik referans seslerden sıfır-atış ses klonlama ile 200K+ saatlik çok dilli konuşma üzerinde eğitilmiştir.

Nari Labs tarafından geliştirilen Dia2, 1B ve 2B parametre çeşitlerinde mevcut olan Dia'nın ilk akışı için bir yükseltmedir. İlk birkaç işaretten ses sentezlemeye başlar, bu da onu gerçek zamanlı ses ajanları ve konuşma-sözleşme boru hatları için ideal hale getirir. [S1]/[S2] etiketleri ve (kahkaha), (öksürük) gibi paralinguistik işaretlerle çoklu konuşmacı diyalogu destekler.

OpenBMB tarafından geliştirilen VoxCPM 1.5, ayrık tokenler yerine sürekli uzay içinde çalışan yeni bir tokenizer-free TTS modelidir. Yüksek kaliteli 44.1kHz ses üretir, 3-10 saniyelik sıfır-atış ses klonlamasını destekler ve paragraflar arasında tutarlılığı sağlar. Diller arası klonlama, İngilizce bir sesi Çince konuşmaya ve tersine uygulamanıza olanak tanır.

OuteTTS, orijinal mimariyi korurken büyük dil modellerini metin-söz-ediş yetenekleriyle genişletir. llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM ve hatta Transformers.js aracılığıyla tarayıcı çıkarımı da dahil olmak üzere çoklu arka planları destekler. JSON olarak kaydedilmiş hoparlör profilleri aracılığıyla sıfır-atış ses klonlama özellikleri.

Hume AI tarafından geliştirilen TADA (Text-Acoustic Dual Alignment), Llama 3.2 üzerinde inşa edilmiş yeni bir çift yönlendirme mimarisiyle halüsinasyonları ortadan kaldıran bir TTS modelidir. 1B (İngilizce) ve 3B (çok dilli) varyantlarda mevcut olan TADA, karşılaştırmalı LLM tabanlı TTS modellerinden 0.09 - 5x daha hızlı bir RTF elde eder. 700 saniyeye kadar ses bağlamını destekler ve standart referanslarda sıfır halüsinasyonla duygusal olarak ifade edici konuşma üretir.

Microsoft tarafından VibeVoice iki çeşitte gelir: uzun form içeriği için 1.5B modeli (90 dakikaya kadar, 4 hoparlör) ve ~200ms ilk ses gecikmesi ile akış için bir Gerçek Zamanlı 0.5B modeli. 1.5B varyantı uzun bölümler boyunca hoparlör tutarlılığı ile podcast ve sesli kitaplarda üstündür. Not: Microsoft depodan TTS kodunu kaldırdı ve üretilen ses duyulan AI sorumluluk sınırlamalarını içerir.

Kyutai tarafından (Moshi'nin yaratıcıları) geliştirilen Pocket TTS, ağırlığının çok üzerinde bir performans gösteren kompakt 100M parametreli bir metin-söz dönüştürücü modelidir. CPU üzerinde verimli bir şekilde çalışır, tek bir ses örneğinden sıfır-atış ses klonlamasını destekler ve doğal sesli konuşma üretir. Küçük model boyutu onu kenar dağıtımı ve düşük kaynaklı ortamlar için ideal hale getirir.

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.