AI تېكىستتىن سۆزگە
ئېچىۋېتىلگەن مەنبەلىك AI نىڭ ياردىمىدە تېكىستنى تەبىئىي ئاۋازلىق سۆزلەشكە ئايلاندۇرۇش پروگراممىسى. ھەقسىز ئىشلىتىشكە بولىدۇ، ھېسابات كېرەك ئەمەس.
توغرا كونترول قىلىش ئۈچۈن تېكىستنى SSML تېگلىرى ئىچىگە ئايلاندۇرۇش:
<speak><prosody rate="slow">Slow speech</prosody></speak>
تاللانغان مودېل چۈشىنىدىغان تېگلەر - بىرىنى تېكىستىڭىزگە چۈشۈرۈش ئۈچۈن چېكىڭ:
بۇ مودىل ئاددىي تېكىستنى ئوقۇيدۇ، شۇڭا سۈرەتتە بار چەكلىمىلەر قوبۇل قىلىنمايدۇ. چەكلىمىلەرگە ئاساسەن ھېسسىياتنى ئىپادىلەش ئۈچۈن Orpheus ياكى Bark دەك ئىپادىلەش مودىلىغا ئۆزگەرتىشكە بولىدۇ.
خالىغان ئىپادىلەشنى بەلگىلەش (سۆز = ئىپادىلەش):
مودېل ئۇچۇرلىرى
Kokoro
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.
| ئىجاد قىلغۇچى: | Hexgrad |
| ئىجازەتنامە: | Apache 2.0 |
| تېزلىك | تېز |
| سۈپىتى: | |
| تىللار | 8 تىللار |
| VRAM | 1.5GB |
| ئاۋازنى كۆچۈرۈش پروگراممىسى | قوللىمايدۇ |
ياخشى نەتىجىلەر ئۈچۈن تەۋسىيەلەر
- تەبىئىي توقۇنۇش ۋە ئىپادىلەش ئۈچۈن توغرا يازما بەلگىلەرنى ئىشلىتىش
- سانلارنى ۋە قىسقارتمىلارنى ئېنىق ئوقۇش ئۈچۈن ئىملا قىلىش پروگراممىسى
- سۆزلەر ئارىسىدا قىسقا توقۇنۇشلارنى پەيدا قىلىش ئۈچۈن ۋاراقلارنى قوشۇش پروگراممىسى
- ئۇزۇن مەزگىللىك توقۇنۇش ئۈچۈن (...) نى ئىشلىتىڭ
- ئەڭ تەبىئىي ئاۋاز ئۈچۈن Kokoro ياكى CosyVoice 2 نى سىناپ بېقىڭ
- كۆپ ئاڭلىغۇچىلىق مۇنازىرە ۋە podcast مەزمۇنلىرى ئۈچۈن Dia نى ئىشلىتىش
قەرز ھەققى
| ھايۋان | قىممىتى |
|---|---|
| بوش | 0 كرېدىت (چەكلىمىسىز) |
| ئۆلچەملىك | 2 نومۇر / 1K ھەرپ |
| ئالىي دەرىجىلىك | 4 نومۇر / 1K ھەرپ |
AI تېكىستتىن سۆزگە قانداق ئىشلەيدۇ
ئۈچ ئاددىي باسقۇچتا كەسپىي سۈپەتلىك ئاۋاز قوزغىتىش پروگراممىسى. تېخنىكىلىق بىلىملەر كېرەك ئەمەس.
تېكىستنى كىرگۈزۈڭ
سۆزلەشكە ئايلاندۇرۇشنى خالايدىغان تېكىستنى كىرگۈزۈش، يېزىپ قويۇش ياكى يۈكلەش. كىرگەن ئىشلەتكۈچىلەر بىر قېتىمدا 5000 ھەرپنى قوللايدۇ. تېكىستنى ئىشلىتىش ياكى SSML تېگلىرىنى قوشۇش ئارقىلىق سۆزلەش، توختىتىش ۋە ئېنىقلاشنى باشقۇرغىلى بولىدۇ.
مودېل ۋە ئاۋازنى تاللا
20+ AI نىڭ ئۈچ دەرىجىدىن ئارتۇق نۇسخىسىنى تاللاڭ. مەزمۇنىڭىزغا ماس كېلىدىغان ئاۋازنى تاللاڭ، مەقسەت قىلغان تىلنى تاللاڭ، قويغۇچنىڭ تېزلىكىنى 0.5x دىن 2.0x گە تەڭشەپ، خالىغان چىقىرىش پىچىمىنى (MP3، WAV، OGG ياكى FLAC) تاللاڭ.
ھاسىل قىلىش ۋە چۈشۈرۈش
ياساش نى چېكىپ ئاۋازىڭىز بىر نەچچە سېكۇنت ئىچىدە تەييار بولىدۇ. ئىچىدىكى قويغۇ بىلەن ئالدىن كۆرۈش، تاللىغان پىچىم بويىچە چۈشۈرۈش ياكى ھەمبەھىرلەشكە بولىدىغان تور بېتىدىن كۆچۈرۈش. بۇ API نى كۆپ قېتىملىق ئىشلەش ۋە ئىشلەش جەريانىڭىزغا بىرلەشتۈرۈش ئۈچۈن ئىشلىتىڭ.
تېكىستتىن سۆزگە ئۆزگەرتىش
ئەقلىي ئىدراك كۈچىگە ئىگە تېكستتىن سۆزگە ئۆزگىرىش كىشىلەرنىڭ نۇرغۇن سانائەت ساھەلىرىدە ئاۋازلىق مەزمۇنلارنى يارىتىش، ئىشلىتىش ۋە ئالاقە قىلىش ئۇسۇلىنى ئۆزگەرتىدۇ.
بارلىق تېكىستتىن سۆزگە ئۆزگەرتىش مودېللىرى
TTS.ai دىكى ھەر بىر AI مودېلىنىڭ تەپسىلىي خاسلىقلىرى. سىزنىڭ قۇرۇلۇشىڭىز ئۈچۈن ئەڭ مۇۋاپىق بولغان مودېلنى تېپىش ئۈچۈن سۈپەت، تېزلىك، تىل قوللىشى ۋە ئىقتىدارلارنى سېلىشتۇرۇڭ.
Kokoro
Free
Kokoro 82 مىليون پارامېتىرلىق تېكىستتىن سۆزگە ئۆز دەرىجىسىدىن يۇقىرى ئۈنۈم بېرىدىغان پروگرامما. ئۇزۇنلۇقى كىچىك بولسىمۇ، ئەمما ئىنتايىن تەبىئىي ۋە ئىپادىلەشچان سۆزلەرنى ئىشلەپ چىقىرىدۇ. Kokoro ئىنگىلىزچە، ياپونچە، خەنزۇچە ۋە كورېيچە قاتارلىق نۇرغۇن تىللارنى قوللايدۇ ھەمدە ھەر خىل ئىپادىلەشچان ئاۋازلارنى قوللايدۇ. ئۇ ئىنتايىن تېز ئىشلەيدۇ - GPU دىكى ھەقىقىي ۋاقىتتىكىدىن 100 ھەسسە تېز ئاۋازلارنى ئىشلەپ چىقىرىدۇ.
Hexgrad
Apache 2.0
تېز
en, ja, zh, fr, it, pt, es, hi
1.5GB
ئۇنداق ئەمەس
بوش
Piper
Free
Piper Rhasspy تەرىپىدىن ياسالغان VITS ۋە larynx قۇرۇلمىسىنى ئىشلىتىدىغان يېنىك تېكىستتىن سۆزگە ئۆزگەرتكۈچ پروگرامما. ئۇ پۈتۈنلەي CPU نىڭ ئۈستىدە ئىشلەيدۇ، شۇڭا Edge ئۈسكۈنىلىرى، ئۆي ئاپتوماتىك سىستېمىسى ۋە توردىن سىرت TTS تەلەپ قىلىدىغان پروگراممىلارغا ماس كېلىدۇ. Piper 30 دىن ئارتۇق تىلدىكى 100 دىن ئارتۇق ئاۋاز بىلەن تەمىنلەيدۇ، Raspberry Pi 4 نىڭ ئۆزىدىمۇ تېز سۈرئەتتە تەبىئىي ئاۋازلىق سۆزلەشنى تەمىنلەيدۇ.
Rhasspy
MIT
تېز
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)
ئۇنداق ئەمەس
بوش
VITS
Free
VITS (ئاخىردىن ئاخىرغىچە تېكىستتىن سۆزگە ئۆزگىرىشچان ئىزاھلاش) ھازىرقى ئىككى باسقۇچلۇق مودېلغا قارىغاندا تېخىمۇ تەبىئىي ئاۋازنى پەيدا قىلىدىغان تەڭشەكلىك ئاخىردىن ئاخىرغىچە TTS ئۇسۇلىدۇر. ئۇ ئۆزگىرىشچان ئىزاھلاشنى نورماللاشتۇرۇش ئېقىمى ۋە ئۆزگىرىشچان تەربىيەلەش جەريانى بىلەن كۈچەيتىپ، تەبىئىيلىكنى زور دەرىجىدە ئاشۇرىدۇ.
Jaehyeon Kim et al.
MIT
تېز
en, de, es, fr, pt, nl, fi, hu, bg, ja, pl
1GB
ئۇنداق ئەمەس
بوش
MeloTTS
Free
MyShell.ai تەرىپىدىن ياسالغان MeloTTS ئىنگىلىزچە (ئامېرىكىلىق، بىرىتانىيەلىك، ھىندى، ئاۋسترالىيەلىك)، ئىسپانچە، فرانسۇزچە، خەنزۇچە، ياپونچە ۋە كورىيەچە تىللارنى قوللايدىغان كۆپ تىللىق TTS كىتابخانىسىدۇر. ئۇ ئىنتايىن تېز، پەقەت CPU نىڭ كۈچى بىلەن تېكىستنى رېئال ۋاقىتتىكى سۈرئەتتە ئىشلىتەلەيدۇ. MeloTTS ئىشلەپچىقىرىش ئۈچۈن ياسالغان بولۇپ CPU ۋە GPU نىڭ ھەممىسىنى قوللايدۇ.
MyShell.ai
MIT
تېز
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
ئۇنداق ئەمەس
بوش
Bark
Standard
Suno تەرىپىدىن ياسالغان Bark تېكىستتىن ئاۋازغا ئۆزگەرتكۈچ بولۇپ، كۆپ تىللىق سۆزلەش ۋە مۇزىكا، ئارقا كۆرۈنۈش ئاۋازلىرى ۋە ئاۋاز ئۈنۈمى قاتارلىق باشقا ئاۋازلارنى ھاسىل قىلىشقا ياردەم بېرىدۇ. Bark 100 دىن ئارتۇق ئاۋازلىغۇچ ۋە 13 دىن ئارتۇق تىلنى قوللايدۇ.
Suno
MIT
ئاستا
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
ئۇنداق ئەمەس
2x
Bark Small
Standard
Bark Small Bark مودېلىنىڭ بىر قىسىم ئاۋاز سۈپىتىنى تېخىمۇ تېز ئىزاھلاش سۈرئىتى ۋە ئېسىدە ساقلاش ئېھتىياجىنى تۆۋەنلىتىش ئۈچۈن ئۆزگەرتكەن نۇسخىسىدۇر. Bark نىڭ ھېسسىيات، خۇشاللىق ۋە كۆپ تىللىق سۆزلەش ئىقتىدارىنى ساقلاپ قالىدۇ.
Suno
MIT
ئوتتۇرا
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
ئۇنداق ئەمەس
2x
CosyVoice 2
Standard
Alibaba نىڭ Tongyi Lab تەرىپىدىن ياسالغان CosyVoice 2 ئادەم بىلەن سېلىشتۇرغىلى بولىدىغان سۆز سۈپىتىگە ئىگە بولۇپ، ئىنتايىن تۆۋەن كېچىكتۈرگۈچكە ئىگە، بۇ ئۇنى رېئال ۋاقىتتىكى پروگراممىلار ئۈچۈن ئەڭ مۇۋاپىق قىلىدۇ. ئۇ سۈرەتكە ئېلىش ئۈچۈن چەكلىك كۆلەملىك كۋانتلاش ئۇسۇلىنى قوللايدۇ ھەمدە ئاۋازنى زاۋۇتلاشنى قوللايدۇ، تىللار ئارىسىدىكى سېلىشتۇرۇشنى قوللايدۇ، ھەمدە ئىنچىكە ھېسسىيات كونترول قىلىشنى قوللايدۇ. ئۇ نۇرغۇن سودا TTS سىستېمىلىرىغا قارىغاندا ئۈنۈملۈكرەك.
Alibaba (Tongyi Lab)
Apache 2.0
ئوتتۇرا
en, zh, ja, ko, fr, de, it, es
4GB
ھەئە
2x
Dia TTS
Standard
Nari Labs تەرىپىدىن ياسالغان Dia 1.6B پارامېتىرلىق تېكىستتىن سۆزگە ئايلاندۇرۇش مودېلى بولۇپ، كۆپ ئاڭلىغۇچىلىق مۇنازىرە ھاسىل قىلىش ئۈچۈن ياسالغان. ئۇ ئىككى ئاڭلىغۇچىنىڭ مۇۋاپىق نۆۋەتلىشىش، سۆزلىشىش ئۇسۇلى ۋە ھېسسىيات ئىپادىلەش ئارقىلىق تەبىئىي ئاۋازلىق مۇنازىرە ھاسىل قىلىشىغا ياردەم بېرىدۇ. Dia podcast-style مەزمۇنلارنى، ئاۋازلىق كىتاب مۇنازىرىلىرىنى ۋە ئۆزئارا تەسىرلەندۈرگۈچ مۇنازىرە AI نى ھاسىل قىلىشقا ماس كېلىدۇ.
Nari Labs
Apache 2.0
ئوتتۇرا
en
4GB
ئۇنداق ئەمەس
2x
Parler TTS
Standard
Parler TTS تېكىستتىن سۆزگە ئۆزگەرتكۈچ(text-to-speech model) بولۇپ، ياسالغان سۆزنى كونترول قىلىش ئۈچۈن تەبىئىي تىلدىكى ئاۋاز چۈشەندۈرۈشلىرىنى ئىشلىتىدۇ. ئالدىن بەلگىلەنگەن ئاۋازلارنى تاللاشنىڭ ئورنىغا، سىز خالىغان ئاۋازنى چۈشەندۈرەلەيسىز(مەسىلەن، "بىر قىزنىڭ ئاۋازى، ئازراق ئىنگلىزچە ئاۋاز، ئاستا ۋە ئېنىق سۆزلەيدۇ")، Parler بۇ چۈشەندۈرۈشكە ماس كېلىدىغان سۆزنى ياسايدۇ. بۇ ئۇنى يارىتىش پروگراممىلىرى ئۈچۈن ئالاھىدە چىداملىق قىلىدۇ.
Hugging Face
Apache 2.0
ئوتتۇرا
en
4GB
ئۇنداق ئەمەس
2x
Indic Parler TTS
Standard
AI4Bharat تەرىپىدىن ياسالغان Indic Parler TTS Parler قۇرۇلمىسىنى ھىندى تىللىرىغا كېڭەيتىپ، تامىلى، بەنگلىز، مارات، گۇجىراتىل، كانادا، پەندىش، ئودىيا، ئاسام، ھىندى، تېلېگو، مالامالى ۋە ئىنگىلىز تىللىرىدا تەبىئىي سۆزلەشنى ھاسىل قىلىدۇ. Parler نىڭكىگە ئوخشاشلا، سىز ئاۋازنى ئاددىي تىلدا چۈشەندۈرسىڭىز، بۇ مودېل ئۇنىڭغا ماس كېلىدۇ - ئالدىن بەلگىلەنگەن ئاۋازلار كېرەك ئەمەس. AI4Bharat سۆزلەش قورالى ئارقىلىق تەلىم بېرىلگەن، ھىندىستان تەۋەلىكىدىكى راست ئېيتىلىش ۋە سۆزلىشىش ئۈچۈن.
AI4Bharat
Apache 2.0
ئاستا
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
8GB
ئۇنداق ئەمەس
2x
KhanomTan TTS
Standard
خانومتان TTS ئېچىۋېتىلگەن تايلاڭچە تېكىستتىن سۆزگە ئۆزگەرتكۈچ پروگرامما بولۇپ، كۆپ تىللىق YourTTS قۇرۇلمىسى ئاساسىدا ياسالغان. CC0 ۋە باشقا تىللار بىلەن بىرلىكتە ئىجازەت بېرىلگەن تايلاندچە corpus (TSync) نى ئاساس قىلىپ ياسالغان، كۆپ تىللىق تايلاڭچە سۆزلەشنى تەمىنلەيدۇ. تايلاڭچە ئۈچۈن تازىلىق، تىجارەت ئۈچۈن ئىشلىتىلىدىغان تاللاش. تايلاڭچە تىلنىڭ كۆپ قىسىم ئېچىۋېتىلگەن TTS پروگراممىلىرى تىجارەت ئۈچۈن ئەمەس.
Wannaphong Phatthiyaphaibun
Apache 2.0
تېز
th
2GB
ئۇنداق ئەمەس
2x
IndexTTS-2
Standard
IndexTTS-2 يۇقىرى دەرىجىلىك تېكىستتىن سۆزگە ئۆزگىرىش سىستېمىسى بولۇپ، ھېس-تۇيغۇلارنى كونترول قىلىش بىلەن ئاۋازنى بىرلەشتۈرۈش ئىقتىدارىغا ئىگە. بۇ سىستېما ھېس-تۇيغۇلارنى تەربىيەلەش سانلىق-مەلۇماتلىرىغا ئېھتىياجسىز ھالدا خۇشال، غەمكىن، غەزەپلەنگەن ياكى قورقۇنچلۇق قاتارلىق خاس ھېس-تۇيغۇلار بىلەن سۆزلەرنى ھاسىل قىلىدۇ. بۇ سىستېما ھاسىل قىلىنغان سۆزلەرنىڭ ھېس-تۇيغۇلىرىنى توغرا كونترول قىلىش ئۈچۈن ھېس-تۇيغۇ ۋەكتورلىرىنى ئىشلىتىدۇ.
Index Team
Bilibili Model License
ئوتتۇرا
en, zh
4GB
ھەئە
2x
Spark TTS
Standard
Spark TTS SparkAudio تەرىپىدىن ياسالغان تېكىستتىن سۆزگە ئۆزگەرتكۈچ بولۇپ، ئاۋازنى كۆچۈرۈشنى باشقۇرغىلى بولىدىغان ھېسسىيات ۋە سۆزلەش ئۇسلۇبى بىلەن بىرلەشتۈرىدۇ. پەقەت 5 سېكۇنتلۇق ئاۋازنى ئىشلىتىپ، ئاۋازنى كۆچۈرۈپ، ھەر خىل ھېسسىيات، تېزلىك ۋە سۆزلەش ئۇسلۇبى بىلەن سۆزلەشنى ھاسىل قىلىشقا بولىدۇ. Spark TTS تەكلىپكە ئاساسلانغان كونترول سىستېمىسىنى ئىشلىتىدۇ.
SparkAudio
CC BY-NC-SA 4.0
ئوتتۇرا
en, zh
4GB
ھەئە
2x
GPT-SoVITS
Standard
GPT-SoVITS GPT-style language modeling بىلەن SoVITS (Singing Voice Inference via Translation and Synthesis) نى بىرلەشتۈرۈپ، كۈچلۈك voice clone قىلىش پروگراممىسىدۇر. 5 سېكۇنتتىن ئاز ۋاقىت ئىچىدە ئاۋازنى تەپسىلىي ھالدا كۆچۈرۈپ، سۆزلىگۈچىنىڭ ئالاھىدىلىكلىرىنى ساقلاپ، يېڭى سۆزلەرنى ھاسىل قىلىشقا بولىدۇ. بۇ پروگرامما سۆزلەش ۋە ناخشا ئېيتىش ئاۋازىنى بىرلەشتۈرۈش جەھەتتە ناھايىتى ئۈنۈملۈك.
RVC-Boss
MIT
ئاستا
en, zh, ja, ko
6GB
ھەئە
2x
Orpheus
Standard
Orpheus ئىنسان دەرىجىلىك ھېسسىيات ئىپادىلەشنى قولغا كەلتۈرىدىغان چوڭ كۆلەملىك تېكىستتىن سۆزگە ئۆزگەرتىش مودېلى. 100،000 سائەتتىن ئارتۇق تۈرلۈك سۆز سانلىق-مەلۇماتىغا ئاساسەن تەربىيەلەنگەن، تەبىئىي ھېسسىيات، ئالاھىدىلىك ۋە سۆزلەش ئۇسلۇبىغا ئىگە سۆزلەرنى يارىتىشتا ئۈستۈنلۈككە ئىگە. Orpheus ئىنساننىڭ ئاۋازلىق خاتىرىسىدىن قەتئىي پەرقلەنمەيدىغان سۆزلەرنى يارىتىشقا قادىر.
Canopy Labs
Llama 3.2 Community
ئوتتۇرا
en
4GB
ئۇنداق ئەمەس
2x
Chatterbox
Premium
Resemble AI تەرىپىدىن ياسالغان Chatterbox ئەڭ يېڭى تىپتىكى ئاۋازنى تۇنۇشتۇرۇش پروگراممىسىدۇر. بۇ پروگرامما بىرلا ئاۋاز نۇسخىسىدىن ھەرقانداق ئاۋازنى تۇنۇشتۇرالايدۇ، پەقەت ئاۋازنىلا ئەمەس، يەنە سۆزلەش ئۇسلۇبىنى ۋە ھېسسىياتنىمۇ تۇنۇشتۇرالايدۇ. Chatterbox يەنە ھېسسىياتنى كونترول قىلىش ئىقتىدارىغا ئىگە بولۇپ، ئاۋازنى تونۇشتۇرۇشتىن ئايرىلىپ تۇرۇپ، ھاسىل قىلىنغان سۆزنىڭ ھېسسىياتلىق ئاۋازىنى تەڭشەش ئىقتىدارىغا ئىگە.
Resemble AI
MIT
ئوتتۇرا
en
4GB
ھەئە
4x
Tortoise TTS
Premium
Tortoise TTS ئۈننىڭ سۈپىتىنى تېزلىكتىن ئۈستۈن قويىدىغان كۆپ ئاۋازلىق تېكىستتىن سۆزلەش سىستېمىسىدۇر. بۇ سىستېما DALL-E تىن ئىلھام ئالغان قۇرۇلمىسىنى ئىشلىتىپ، ناھايىتى تەبىئىي ئاۋاز ۋە ئاڭلىغۇچىغا ئوخشايدىغان ئاۋازنى پەيدا قىلىدۇ. Tortoise نۇرغۇن ئالماشتۇرغۇچلارغا قارىغاندا تېزرەك بولسىمۇ، ئەمما ئېچىۋېتىلگەن مەنبەلىك ئېكولوگىيە سىستېمىسىدا ئەڭ راستچىل بولغان بىر قىسىم سىمۋوللۇق ئاۋازنى پەيدا قىلىدۇ.
James Betker
Apache 2.0
ئاستا
en
8GB
ھەئە
4x
StyleTTS 2
Premium
StyleTTS 2 چوڭ ئاۋاز تىلى مودېللىرىنى ئىشلىتىپ، ئاۋازنىڭ تارقىلىش ئۇسۇلى بىلەن قارشى تەرەپنىڭ تەربىيەلەش ئۇسۇلىنى بىرلەشتۈرۈپ، ئىنسان دەرىجىلىك TTS سىنىمىنى قولغا كەلتۈرىدۇ. ئۇ بىر ئاۋازلىق مودېللار ئىچىدە ئەڭ تەبىئىي ئاۋازلىق ئاۋازنى پەيدا قىلىدۇ. StyleTTS 2 ئاۋازنىڭ تارقىلىش ئۇسۇلىغا ئاساسەن ئاۋازنىڭ تەربىيەلەش ئۇسۇلىنى ئىشلىتىپ، ئىنسان ئاۋازىنىڭ بارلىق خىللىرىنى قولغا كەلتۈرىدۇ.
Columbia University
MIT
ئوتتۇرا
en
4GB
ئۇنداق ئەمەس
4x
OpenVoice
Premium
MyShell.ai تەرىپىدىن ياسالغان OpenVoice، ئاۋاز ئۇسلۇبى، ھېسسىيات، ئاۋاز كۈچەيتىش، رىتىم، توختىتىش ۋە ئىپادىلەش قاتارلىقلارنى تەپسىلىي كونترول قىلىپ، ئاۋازنى دەرھال كۆچۈرۈشكە ياردەم بېرىدۇ. ئۇ قىسقا ئاۋازنى كۆچۈرۈپ بىر قانچە تىلدا سۆزلەشكە ياردەم بېرىدۇ ھەمدە سۆزلىگۈچىنىڭ سۈپىتىنى ساقلايدۇ. OpenVoice يەنە ئاۋاز ئۆزگەرتكۈچ بولۇپ، راستىنلا ئاۋازنى ئۆزگەرتىشكە ياردەم بېرىدۇ.
MyShell.ai / MIT
MIT
ئوتتۇرا
en, zh, ja, ko, fr, es
4GB
ھەئە
4x
Qwen3 TTS
Standard
Qwen3-TTS Alibaba نىڭ Qwen گۇرۇپپىسىنىڭ 1.7 مىليارد پارامېتىرلىق تېكىستتىن سۆزگە ئۆزگەرتىش مودېلى. ئۇ ئۈچ خىل ھالەتنى قوللايدۇ: ھېسسىيات كونتروللۇقى بىلەن ئالدىن تەڭشەلگەن ئاۋازلار (9 ئاۋازلىق)، ئاۋازنى پەقەت 3 سېكۇنتلۇق ئاۋازدىن قۇرۇپ چىقىش، ۋە سىز خالىغان ئاۋازنى تەبىئىي تىلدا چۈشەندۈرەلەيدىغان ئالاھىدە ئاۋاز لايىھەلەش ھالىتى. ئۇ 10 تىلنى يۇقىرى ئىپادىلەش ۋە تەبىئىي ئاۋازلىق بىلەن قوللايدۇ.
Alibaba (Qwen)
Apache 2.0
ئوتتۇرا
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
ئۇنداق ئەمەس
2x
VieNeu-TTS-v2
Standard
VieNeu-TTS-v2 300M پارامېتىرلىق، 10 سائەتتىن ئارتۇق ئىككى تىللىق سانلىق-مەلۇماتلار ئاساسىدا تەلىم بېرىلگەن، ۋىيېتنامدىكى تۇنجى TTS مودىلىدۇ. ئۇ en-vi كود-ئۆتكىشىنى قوللايدۇ، شىمالىي ۋە جەنۇبىي ئاۋازلارنى ئۆز ئىچىگە ئالغان 7 خىل ئالدىن بەلگىلەنگەن ئاۋازنى قوللايدۇ، 3-5 سېكۇنتلۇق ئاۋازنى دەرھال клонلايدۇ. GGUF Q4 inference + ONNX ئاۋاز دىسكودىر ئارقىلىق CPU نىڭ ھەممىسىدە ئىشلەيدۇ - GPU نىڭ ھېچقانداق رولى يوق، 7 سېكۇنت ئىچىدە يېڭى ئەۋلادلارنى ياسايدۇ. Qwen3 ئاساسىدا ياسالغان.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
تېز
vi, en
CPU
ھەئە
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) 1 مىليارد پارامېتىرلىق مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن ياسالغان مۇناسىۋەتلىك سۆزلەرنى ھاسىل قىلىش ئۈچۈن
Sesame
Apache 2.0
ئاستا
en
8GB
ئۇنداق ئەمەس
4x
Chatterbox Turbo
Standard
Chatterbox Turbo by Resemble AI Chatterbox نىڭ 350M پارامېتىرلىق يېڭىلىنىشى بولۇپ، 6x لىق راستىنلا ۋاقىتلىق تېزلىك بىلەن 200ms لىق كېچىكۈشنى تەمىنلەيدۇ. ئۇ [laugh] ، [cough] ۋە [chuckle] قاتارلىقلاردەك مەخسۇس تىللاردىكى تېگلەرنى مەخسۇس تېكىستلەردە قوللايدۇ. بارلىق ياسالغان ئاۋازلارغا Perth سۇ بەلگىسى قوشۇپ، مەنبەنى ئىزدەپ چىقىرىدۇ.
Resemble AI
MIT
تېز
en
2GB
ھەئە
2x
VoxCPM
Standard
VoxCPM 1.5 OpenBMB نىڭ يېڭىچە tokenizerسىز TTS مودېلى بولۇپ، سىزىقچە توكىلاردىن بەكرەك داۋاملىق كەڭلىكتە ئىشلەيدۇ. ئۇ يۇقىرى سۈپەتلىك 44.1kHz ئاۋازنى ئىشلەپچىقىرىپ، 3-10 سېكۇنت ئىچىدە ئاۋازنى سىزىقچە توكىلاشنى قوللايدۇ، ھەمدە پاراگرافلار ئارىسىدىكى مۇۋاپىقلىقنى ساقلايدۇ. تىللار ئارىسىدىكى توكىلاش ئارقىلىق، سىز ئىنگىلىزچە ئاۋازنى خىتايچە سۆزگە ئىشلىتىپ، شۇنىڭغا قارشى تەرەپكە ئىشلىتىپ بولالايسىز.
OpenBMB
Apache 2.0
تېز
en, zh
4GB
ھەئە
2x
Kani TTS 2
Free
Kani-TTS-2 NineNineSix نىڭ LiquidAI LFM2 ئاساسىدا Nvidia NanoCodec بىلەن ياسالغان 400M پارامېتىرلىق ئىنتايىن يېنىك بىر مودېل. ئۇ پەقەت 3GB VRAM نىڭ ئىچىدە ئىشلەيدۇ ۋە ~2 سېكۇنتتا 10 سېكۇنت سۆزلەشكە (RTF 0.2) ئېرىشىدۇ. ئاۋازنى ئاۋازلىق يانفونغا كىرگۈزۈش ئارقىلىق ئاۋازنى سىزىشنى قوللايدۇ.
NineNineSix
Apache 2.0
تېز
en
3GB
ئۇنداق ئەمەس
بوش
OuteTTS
Free
OuteTTS چوڭ تىل مودېللىرىنى تېكىستتىن سۆزگە ئۆزگەرتىش ئىقتىدارىنى قوشۇپ، ئەسلى قۇرۇلمىسىنى ساقلاپ قالىدۇ. ئۇ llama.cpp (CPU/GPU)، Hugging Face Transformers، ExLlamaV2، VLLM ۋە Transformers.js ئارقىلىق توركۆرگۈنىڭ چۈشەنچىسىنى قوللايدۇ. JSON تىپىدا ساقلانغان ئاۋازلىق پروفېيىللار ئارقىلىق ئاۋازنى سىزىش ئىقتىدارى بار.
OuteAI
Apache 2.0
ئاستا
en
2GB
ئۇنداق ئەمەس
بوش
VibeVoice
Standard
Microsoft نىڭ VibeVoice نىڭ ئىككى خىل نۇسخىسى بار: ئۇزۇن مەزمۇنغا ئىشلىتىلىدىغان 1.5B نۇسخىسى (90 مىنۇتقىچە، 4 ئاۋازلىق) ۋە ~200ms ئاۋازلىق ۋاقىت كېچىكىشى بىلەن ئېقىپ كېتىدىغان Realtime 0.5B نۇسخىسى. 1.5B نۇسخىسى ئۇزۇن مەزمۇنغا ئىشلىتىلىدىغان podcast ۋە ئاۋازلىق كىتابلارغا ئىشلىتىلىدۇ. ئىزاھ: Microsoft TTS كودىنى ساقلىغۇچتىن چىقىرىۋەتكەن ۋە ئاۋازلىق ھۆججەتلەردە ئاۋازلىق AI نىڭ چەكلىمىلىرى بار.
Microsoft
MIT
تېز
en, zh
4GB
ئۇنداق ئەمەس
2x
Pocket TTS
Free
Pocket TTS Kyutai (Moshi نىڭ ياراتقۇچىسى) تەرىپىدىن ياسالغان 100M پارامېتىرلىق تېكىستتىن سۆزگە ئۆزىنىڭ ئېغىرلىقىدىنمۇ ئېغىر بولغان بىر كونتروللۇق. CPU نىڭ ئىقتىدارىنى ياخشى ئىشلىتىدۇ، بىرلا ئاۋاز نۇسخىسىدىن ئاۋازنى سىزىشنى قوللايدۇ، ۋە تەبىئىي ئاۋازلىق سۆزلەرنى ئىشلەتىدۇ. كىچىك چوڭلۇقى ئۇنى Edge نىڭ يان تەرەپكە ئورۇنلاشتۇرۇلۇشى ۋە ئاز مەنبەلىك مۇھىتلارغا ماس كېلىدۇ.
Kyutai
MIT
تېز
en, fr
1GB
ھەئە
بوش
Kitten TTS
Free
Kitten TTS by KittenML ONNX نىڭ ئاساسىدا ياسالغان ئىنتايىن يېنىك تېكىستتىن سۆزگە ئۆزگەرتكۈچ. 15M دىن 80M گە قەدەر پارامېتىر (دېسكىدا 25-80 MB) نىڭ تۈرلىرى بىلەن، CPU نىڭ گرافىكىلىق بىرلىككە كەلتۈرگۈچىگە ئېھتىياجسىز ھالدا يۇقىرى سۈپەتلىك سۆز بىرىكتۈرگۈچنى تەمىنلەيدۇ. 8 خىل ئىچىدە بار ئاۋاز، تەڭشەلگەن سۆز بىرلىككە كەلتۈرگۈچ، سانلار، پۇل بىرلىكلىرى ۋە بىرلىكلەر ئۈچۈن ئىچىدە بار تېكىست ئالدىن بىرلەشتۈرگۈچ. Edge نىڭ يانداش ۋە تۆۋەن ۋاقىتلىق پروگراممىلىرى ئۈچۈن ئەڭ ياخشى.
KittenML
Apache 2.0
تېز
en
0GB
ئۇنداق ئەمەس
بوش
CosyVoice3
Standard
CosyVoice3 Alibaba نىڭ FunAudioLLM گۇرۇپپىسىنىڭ يېڭىلىقلىرىدۇر. ئۇ ~150ms كېچىكىش بىلەن ئىككى خىل سۈرەتكە چۈشۈرۈشنى قوللايدۇ، ھېسسىيات/سۈرەت/ئېغىرلىقنى بۇيرۇق ئاساسىدا كونترول قىلىدۇ، ۋە سۆزلىگۈچىنىڭ سۈرەتكە چۈشۈرۈشنى چەكلەش ئۈچۈن ئۆزگەرتىلگەن ئوخشىماسلىقىنى قوللايدۇ. 9 تىلنى ۋە 18 خىل جۇڭگوچە سۆزلەرنى قوللايدۇ. RL-tuned تىپى ئەڭ يېڭى ئۇسلۇبتىكى سۆزلىشىشنى قوللايدۇ.
Alibaba (FunAudioLLM)
Apache 2.0
تېز
en, zh, ja, ko, de, es, fr, it, ru
4GB
ھەئە
2x
NAMAA Saudi TTS
Standard
NAMAA Saudi TTS بولسا Resemble AI نىڭ ChatterboxMultilingual نىڭ ساۋدىيە ئەرەبچە تەرجىمە نۇسخىسىدۇر. NAMAA Space نىڭ ساۋدىيە تىلىدىكى سۆزلەش ئۇسۇلى بىلەن تەربىيەلەنگەن، بۇ ساۋدىيە ئەرەبچىسىنىڭ زامانىۋىي ئۆلچەملىك ۋە ساۋدىيە تىلىدىكى سۆزلىشىش ئۇسۇلى بىلەن ئوخشاش بولمىغان. Chatterbox نىڭ ئاۋازنى سىزىش ۋە ئاۋازلىق تەكلىپ ئارقىلىق ھېسسىياتنى كونترول قىلىش ئىقتىدارىنى ئىگىلەيدۇ. TTS.ai نىڭ ئالدىنقى ئېچىۋېتىلگەن ئاۋازلىق تەرجىمە پروگراممىسى.
NAMAA Space
MIT
ئوتتۇرا
ar
6GB
ھەئە
2x
Darwin TTS
Standard
Darwin-TTS-1.7B-Cross by FINAL-Bench Qwen3-TTS-1.7B نىڭ تەتقىقات نۇسخىسى بولۇپ، 84 talker-FFN tensor (8.6%) α=3% لىق Qwen3-1.7B-Base نىڭ تەڭشىكى بىلەن ئارىلاشتۇرۇلغان. بۇ ئارىلاشما قايتا تەربىيەلەشسىز ياسالغان بولۇپ، كورىيە، ئىنگىلىز، ياپون ۋە خەنزۇ تىللىرىدا تېخىمۇ ئېنىق تىللار ئارىسىدىكى ئاۋازنى клонلاشنى مەيدانغا كەلتۈرىدۇ. 0-شوت ئاۋاز-كلونلاش ھالىتىدە ئىشلەيدۇ (3 سېكۇنتلۇق ئاۋازنى référence قىلىش).
FINAL-Bench
Apache 2.0
ئوتتۇرا
en, ko, ja, zh
7GB
ھەئە
2x
MOSS-TTSD
Standard
MOSS-TTSD v1.0 OpenMOSS نىڭ 7B مۇنازىرە تېكىستتىن سۆزگە ئۆزگەرتىش مودېلى بولۇپ، ئۇ قىسقا ئاۋازلىق تەكلىپتىن سۆزلىشىشنى داۋاملاشتۇرىدۇ. [S1]/[S2] نىڭ 5 گە قەدەر بىر ۋاقىتتا سۆزلىگۈچىنى قوللايدۇ، 3-10 سېكۇنتلۇق ئاۋازلىق رىقابەتتىن ئاۋازنى سىزىپ چىقىرىش، 20 تىلدا 60 مىنۇتقا قەدەر بىردەك كۆپ قېتىملىق مۇنازىرە قىلىشنى قوللايدۇ. MOSS-TTS دىن پەرقلىق — TTSD podcast/audiobook/dubbing ئىش يۈزلىنىشىگە دىققەت قىلىدۇ.
OpenMOSS
Apache 2.0
ئوتتۇرا
en, zh
12GB
ھەئە
2x
Ming-Omni TTS
Free
Ming-omni-tts-0.5B by inclusionAI BailingMM نىڭ تىك يان بوشلۇقى بىلەن Patch-by-Patch ئاۋاز رېكوردىرلاش سىستېمىسى بىلەن ياسالغان بىر كۆچمە omni-modal سۆزلەش مودېلى. 44.1kHz چىقىرىش (CD نىڭ سۈپىتىگە يېقىن)، 3+ سېكۇنتلۇق رىقابەتتىن zero-shot ئاۋازنى клонلاشنى قوللايدۇ، JSON بۇيرۇقى ئارقىلىق ئىچىگە ھېسسىيات / دىيالېك / BGM كونتروللۇقىنى كىرگۈزۈدۇ. مۇكەممەل تۇراقلىق — جۇڭگولۇق دەرىجە بويىچە 0.83% WER.
inclusionAI
Apache 2.0
ئوتتۇرا
en, zh
3GB
ھەئە
بوش
MOSS-TTS Nano
Free
MOSS-TTS-Nano-100M MOSS-TTS ئائىلىسىنىڭ OpenMOSS نىڭ 100M پارامېتىرلىق قىستۇرمىسى بولۇپ، كېچىكتۈرگۈچ-تېڭىشقۇچ قۇرۇلمىسىنى قوللايدۇ. 8B نىڭ ئەڭ يۇقىرى سۈپىتىنى ~80x كىچىكرەك ئېغىرلىق ۋە ھەربىر تەلەپكە قارىتا بەكلا تۆۋەن VRAM بىلەن ئالماشتۇرىدۇ، بۇ ئۇنى ھەقسىز دەرىجىلىك ۋە يۇقىرى سۈرئەتلىك ئورۇنلاشتۇرۇشقا ماسلاشتۇرىدۇ. ئوخشاش 20 تىلنى قوللايدۇ.
OpenMOSS
Apache 2.0
تېز
en, zh, de, es, fr, ja, it, ko, ru, ar, pt
2GB
ھەئە
بوش
Kokoro
بوش
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
تېز
Piper
بوش
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
تېز
VITS
بوش
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
تېز
MeloTTS
بوش
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
تېز
Kani TTS 2
بوش
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
تېز
OuteTTS
بوش
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
ئاستا
Pocket TTS
بوش
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
تېز
Kitten TTS
بوش
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
تېز
Ming-Omni TTS
بوش
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
ئوتتۇرا
MOSS-TTS Nano
بوش
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
تېز
Bark
ئۆلچەملىك
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
ئاستا
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ئۇنداق ئەمەس
Bark Small
ئۆلچەملىك
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
ئوتتۇرا
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ئۇنداق ئەمەس
CosyVoice 2
ئۆلچەملىك
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
ئوتتۇرا
en, zh, ja, ko, fr, de, it, es
ھەئە
Dia TTS
ئۆلچەملىك
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
ئوتتۇرا
en
ئۇنداق ئەمەس
Parler TTS
ئۆلچەملىك
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
ئوتتۇرا
en
ئۇنداق ئەمەس
Indic Parler TTS
ئۆلچەملىك
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
ئاستا
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
ئۇنداق ئەمەس
KhanomTan TTS
ئۆلچەملىك
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
تېز
th
ئۇنداق ئەمەس
IndexTTS-2
ئۆلچەملىك
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
ئوتتۇرا
en, zh
ھەئە
Spark TTS
ئۆلچەملىك
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
ئوتتۇرا
en, zh
ھەئە
GPT-SoVITS
ئۆلچەملىك
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
ئاستا
en, zh, ja, ko
ھەئە
Orpheus
ئۆلچەملىك
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
ئوتتۇرا
en
ئۇنداق ئەمەس
Qwen3 TTS
ئۆلچەملىك
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
ئوتتۇرا
en, zh, ja, ko, de, fr, ru, pt, es, it
ئۇنداق ئەمەس
VieNeu-TTS-v2
ئۆلچەملىك
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
تېز
vi, en
ھەئە
Chatterbox Turbo
ئۆلچەملىك
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
تېز
en
ھەئە
VoxCPM
ئۆلچەملىك
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
تېز
en, zh
ھەئە
VibeVoice
ئۆلچەملىك
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
تېز
en, zh
ئۇنداق ئەمەس
CosyVoice3
ئۆلچەملىك
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
تېز
en, zh, ja, ko, de, es, fr, it, ru
ھەئە
NAMAA Saudi TTS
ئۆلچەملىك
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
ئوتتۇرا
ar
ھەئە
Darwin TTS
ئۆلچەملىك
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
ئوتتۇرا
en, ko, ja, zh
ھەئە
MOSS-TTSD
ئۆلچەملىك
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
ئوتتۇرا
en, zh
ھەئە
Chatterbox
ئالىي دەرىجىلىك
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
ئوتتۇرا
en
ھەئە
4GB
4x
Tortoise TTS
ئالىي دەرىجىلىك
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
ئاستا
en
ھەئە
8GB
4x
StyleTTS 2
ئالىي دەرىجىلىك
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
ئوتتۇرا
en
ئۇنداق ئەمەس
4GB
4x
OpenVoice
ئالىي دەرىجىلىك
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
ئوتتۇرا
en, zh, ja, ko, fr, es
ھەئە
4GB
4x
Sesame CSM
ئالىي دەرىجىلىك
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
ئاستا
en
ئۇنداق ئەمەس
8GB
4x
مودېل سېلىشتۇرۇش جەدۋىلى
| مودېل | ئىجاد قىلغۇچى: | ھايۋان | سۈپىتى: | تېزلىك | تىللار | ئاۋازنى كۆچۈرۈش پروگراممىسى | VRAM | ئىجازەتنامە: | پۇل | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | تېز | 8 | 1.5GB | Apache 2.0 | بوش | ئىشلىتىش | ||
| Piper | Rhasspy | Free | تېز | 42 | 0 (CPU only) | MIT | بوش | ئىشلىتىش | ||
| VITS | Jaehyeon Kim et al. | Free | تېز | 11 | 1GB | MIT | بوش | ئىشلىتىش | ||
| MeloTTS | MyShell.ai | Free | تېز | 6 | 0.5GB (GPU optional) | MIT | بوش | ئىشلىتىش | ||
| Bark | Suno | Standard | ئاستا | 13 | 5GB | MIT | 2 | ئىشلىتىش | ||
| Bark Small | Suno | Standard | ئوتتۇرا | 13 | 2GB | MIT | 2 | ئىشلىتىش | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | ئوتتۇرا | 8 | 4GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| Dia TTS | Nari Labs | Standard | ئوتتۇرا | 1 | 4GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| Parler TTS | Hugging Face | Standard | ئوتتۇرا | 1 | 4GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| Indic Parler TTS | AI4Bharat | Standard | ئاستا | 12 | 8GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| KhanomTan TTS | Wannaphong Phatthiyaphaibun | Standard | تېز | 1 | 2GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| IndexTTS-2 | Index Team | Standard | ئوتتۇرا | 2 | 4GB | Bilibili Model License | 2 | ئىشلىتىش | ||
| Spark TTS | SparkAudio | Standard | ئوتتۇرا | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ئىشلىتىش | ||
| GPT-SoVITS | RVC-Boss | Standard | ئاستا | 4 | 6GB | MIT | 2 | ئىشلىتىش | ||
| Orpheus | Canopy Labs | Standard | ئوتتۇرا | 1 | 4GB | Llama 3.2 Community | 2 | ئىشلىتىش | ||
| Chatterbox | Resemble AI | Premium | ئوتتۇرا | 1 | 4GB | MIT | 4 | ئىشلىتىش | ||
| Tortoise TTS | James Betker | Premium | ئاستا | 1 | 8GB | Apache 2.0 | 4 | ئىشلىتىش | ||
| StyleTTS 2 | Columbia University | Premium | ئوتتۇرا | 1 | 4GB | MIT | 4 | ئىشلىتىش | ||
| OpenVoice | MyShell.ai / MIT | Premium | ئوتتۇرا | 6 | 4GB | MIT | 4 | ئىشلىتىش | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | ئوتتۇرا | 10 | 7GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| VieNeu-TTS-v2 | Phạm Nguyễn Ngọc Bảo | Standard | تېز | 2 | CPU | Apache 2.0 | 2 | ئىشلىتىش | ||
| Sesame CSM | Sesame | Premium | ئاستا | 1 | 8GB | Apache 2.0 | 4 | ئىشلىتىش | ||
| Chatterbox Turbo | Resemble AI | Standard | تېز | 1 | 2GB | MIT | 2 | ئىشلىتىش | ||
| VoxCPM | OpenBMB | Standard | تېز | 2 | 4GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| Kani TTS 2 | NineNineSix | Free | تېز | 1 | 3GB | Apache 2.0 | بوش | ئىشلىتىش | ||
| OuteTTS | OuteAI | Free | ئاستا | 1 | 2GB | Apache 2.0 | بوش | ئىشلىتىش | ||
| VibeVoice | Microsoft | Standard | تېز | 2 | 4GB | MIT | 2 | ئىشلىتىش | ||
| Pocket TTS | Kyutai | Free | تېز | 2 | 1GB | MIT | بوش | ئىشلىتىش | ||
| Kitten TTS | KittenML | Free | تېز | 1 | 0GB | Apache 2.0 | بوش | ئىشلىتىش | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | تېز | 9 | 4GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| NAMAA Saudi TTS | NAMAA Space | Standard | ئوتتۇرا | 1 | 6GB | MIT | 2 | ئىشلىتىش | ||
| Darwin TTS | FINAL-Bench | Standard | ئوتتۇرا | 4 | 7GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| MOSS-TTSD | OpenMOSS | Standard | ئوتتۇرا | 2 | 12GB | Apache 2.0 | 2 | ئىشلىتىش | ||
| Ming-Omni TTS | inclusionAI | Free | ئوتتۇرا | 2 | 3GB | Apache 2.0 | بوش | ئىشلىتىش | ||
| MOSS-TTS Nano | OpenMOSS | Free | تېز | 11 | 2GB | Apache 2.0 | بوش | ئىشلىتىش |
ئەڭ كەڭ كۆلەملىك AI تېكىستتىن سۆزگە ئۆزگەرتىش پروگراممىسى
تېكىستتىن سۆزگە ئۆزگەرتىش ئۈچۈن نېمە ئۈچۈن TTS.ai نى تاللاش كېرەك؟
TTS.ai دۇنيانى بىرلەشتۈرىدۇ
ھەر بىر مودېل MIT، Apache 2.0 ياكى شۇنىڭغا ئوخشاش ئىجازەت بېرىش ئىجازىتى بويىچە ئوچۇق مەنبەلىك بولۇپ، سىزنىڭ قۇرۇلۇشىڭىزدا ياسالغان ئاۋازنى ئىشلىتىش ئۈچۈن پۈتۈن تىجارىي ھوقۇقىڭىز بارلىقىنى كاپالەتكە ئىگە قىلىدۇ. سىز ھەقىقىي ۋاقىتتىكى پروگراممىلار ئۈچۈن تېز، يېنىك بىرلەشتۈرگۈچ ياكى ئاۋازلىق كىتابلار ۋە پودكاستلار ئۈچۈن يۇقىرى سۈپەتلىك بىرلەشتۈرگۈچكە ئېھتىياجلىق بولسىڭىزمۇ، TTS.ai ھەر قانداق ئىشلىتىش ئەھۋالى ئۈچۈن توغرا بىرلەشتۈرگۈچكە ئىگە.
ھەقسىز مودىللار، ھېسابات تەلەپ قىلىنمايدۇ
تۆۋەندىكى ئۈچ ھەقسىز TTS مودېلىنى ئىشلىتىشكە باشلايسىز: Piper (ئۇلار ئىنتايىن تېز، يېنىك)، VITS (ئۈچۈن يۇقىرى سۈپەتلىك نېرۋا بىرىكتۈرگۈچ) ۋە MeloTTS (ئۈچ خىل تىلنى قوللايدۇ). ھېچقانداق تىزىملاش، ھېچقانداق كرېدىت كارتىسى، ھېچقانداق چەكلىمىلەر يوق. ھەقسىز TTS مودېلى ئىنگىلىزچە ۋە باشقا نۇرغۇن تىللارنى قوللايدۇ، نۇرغۇن پروگراممىلارغا لايىق بولغان تەبىئىي ئاۋازلىق چىقىرىشقا ئىگە.
GPU تېزلىتىپ ئىشلەتكۈچىسى
TTS نىڭ ھەممىسى NVIDIA نىڭ GPU لىرىدا ئىشلەيدۇ، شۇڭا تېز ۋە مۇۋاپىق ئۈن چىقىرىدۇ. ھەقسىز TTS نىڭ ئۈن چىقىرىش ۋاقتى ئادەتتە 2 سېكۇنتتىن ئاز بولىدۇ. Kokoro، CosyVoice 2 ۋە Bark نىڭ ئۈن چىقىرىش ۋاقتى ئوتتۇرىچە 3-5 سېكۇنت بولىدۇ. Tortoise ۋە Chatterbox نىڭ ئۈن چىقىرىش ۋاقتى تېكىست ئۇزۇنلۇقىغا قاراپ 5-15 سېكۇنت بولىدۇ.
30 دىن ئارتۇق تىلنى قوللايدۇ
ئىنگىلىزچە، ئىسپانچە، فرانسۇزچە، گېرمانچە، ئىتالىيەچە، پورتۇگالچە، خەنزۇچە، ياپونچە، كورىيەچە، ئەرەبچە، ھىندىچە، رۇسچە ۋە باشقا 30 دىن ئارتۇق تىلدا سۆزلەرنى ياساش پروگراممىسى. نۇرغۇن پروگراممىلار تىللار ئارىسىدىكى بىرلەشتۈرۈش ئىقتىدارىنى قوللايدۇ، بۇ دېگەنلىك تىللار ئارىسىدىكى بىرلەشتۈرۈش ئىقتىدارىغا ئىگە پروگراممىلارنى ياساش پروگراممىسى. CosyVoice 2 ۋە GPT-SoVITS تىللار ئارىسىدىكى سۆزلەرنى ياساش پروگراممىسى.
ئىجادىيەتچىلەرگە لايىق API
TTS.ai نى OpenAI بىلەن ماس كېلىدىغان REST API بىلەن پروگراممىلىرىڭىزغا بىرلەشتۈرىڭ. 20+ تىپتىكى بارلىق پروگراممىلار ئۈچۈن بىرلا ئاخىرلاشتۇرۇش نۇقتىسى. Python، JavaScript، cURL ۋە Go SDK. رېئال ۋاقىتتىكى پروگراممىلارنى يەتكۈزۈش قوللىشى. چوڭ كۆلەملىك مەزمۇنلارنى ياساش ئۈچۈن توپلاش. ئاسىنك خەۋەرلىشىش ئۈچۈن Webhooks. API نىڭ ھەر بىر پىلانى، پۈتۈنلەي ھەقسىز.
كۆپ سورالغان سوئاللار
قانداق ياخشىلاشقا بولىدۇ؟ سىزنىڭ پىكىرىڭىز بىزنى مەسىلىلەرنى ھەل قىلىشقا يېتەكلەيدۇ.
تېكىستنى سۆزگە ئايلاندۇرۇشنى ھازىرلا باشلاش
TTS.ai نى ئىشلىتىپ مىڭلىغان ياراتقۇچىلارغا قوشۇلۇڭ. يېڭى ھېسابات بىلەن 15000 ھەقسىز ھەرپنى ئالىڭ. ھەقسىز نۇسخىنى قوشۇلمىغان ھالەتتە ئىشلىتىڭ.