AI ٹیکس سے بولنا

کوکورو 82 ميليون پارامٹر ٹیکس-تو- اسپيچ ماڈل هے جو اسکے وزن کلاس سے اوپر خوبي طرح سے مچتا هے اسکے چھوٹے سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا سا

پيپر رال سس پي کے ذريعے ترقي يافته ھيں جو VITS اور larynx architectures کا استعمال کر تا هے ۔ یہ پورے طور پر سي پي يو پر چلتا هے ، اس کو ايج ڈیوائس ، گھري خودکاري ، اور آپريشنز کے ليے مثالي بنا تا هے جن کو آف لائن TTS کا احتياج هے ۔ 30+ زبانوں میں 100 سے زائد آوازوں کے ساتھ ، پيپر رال سس پي 4 پر بھی ريئل ٽائم رفتار پر فطري آوازوں کا اظہار کر تا هے ۔

VITS (Variation Inference with adversarial learning for end-to-end Text-to-Speech) ایک متوازی انتہا سے انتہا تک TTS طریقہ کار ہے جو کہ دو مرحلہ ماڈل سے زیادہ قدرتی آواز کی آڈیو پیدا کرتا ہے یہ variation inference کو قبول کرتا ہے جو کہ normalizing flows اور ایک مخالف تربیت کے عمل کے ساتھ بڑھایا جاتا ہے، جس سے قدرتی میں ایک اہم بہتری حاصل ہوتی ہے.

MyShell.ai کے طرف سے MeloTTS ایک کثیر زبانوں TTS لائبريري ہے جو انگريزي (امريکائي، برطانوي، هندي، آسٽريليائي)، اسپيني، فرانسيسي، چيني، جاپاني اور کو رياني کو مدد دے سکتی هے ۔ یہ انتہائي تیز ہے ، صرف سي پي يو پر تقريباً ريئل ٹائم رفتار پر متن پروسيس کر سکتی هے ۔ MeloTTS پروڈکشن استعمال کے ليے بنا يا گيا هے اور سي پي يو اور جي پي يو دو کے ليے مدد دے سکتی هے ۔

برک by Suno ایک ترانسفرميٽر پر مبنی متن سے آ ديو ماڈل هے جو بلند حقيقت پسندي، چند زباني بولي اور اور آ ديو کي طرح ميوزک، پس منظر شور اور آواز کے اثرات پيدا کر سکتا هے ۔ یہ غير لفظي مواصلات مثل ہنسنا ، خنکا اور رونا پيدا کر سکتا هے ۔ برک 100 سے زائد اسپيکر پريسٹ اور 13+ زبانوں کو مدد ديتا هے

Bark Small Bark ماڈل کا ایک ڈسٹل ورژن ہے جو کچھ او ديو کي معيار کو قابل ذکر طور پر تیز انفرا نسی رفتار اور کم ذہن کی ضرورت کے ليے تجارت کر تا هے ۔ یہ Bark کی جذبات ، ہنسی اور چند زبانوں کے ساتھ بولنے کی صلاحيت محفوظ رکھتا هے

علی بابا کی ٹونگی لیب کی طرف سے کوسی وائٹس 2 انسانی-مقابلہ کلام کی معیار کو انتہائی کم لیٹنسی کے ساتھ حاصل کرتا ہے، اسے ریئل-ٹائم ایپلیکیشنز کے لئے ایڈیل بناتا ہے. یہ سٹریمینگ سنتھز کے لئے ایک محدود سکالر کوانٹائزیشن طریقہ کار استعمال کرتا ہے اور صفر-شٹ وائٹس کلوننگ، کراس-لنگوی سنتھز، اور Fine-grained احساس کنٹرول کی حمایت کرتا ہے. یہ بہت سے تجارتی TTS سسٹم کو موضوعی ایویلیویشن میں بہتر کارکردگی دیتا ہے.

نا ري ليبز کے طرف سے دي آ ئے ايک 1.6 بي پيرامڈ ٹیکس-تو- اسپيچ ماڈل خاص طور پر ملٹی اسپيکر ڈائيلوگ کي پيدائش کے ليے ديزاین کريے گيا هے ۔ یہ دو اسپيکر کے درمیان مناسب تير گي ، پروزو ڈي اور جذباتي اظہار کے ساتھ فطري آواز کے ساتھ گفتگو کر سکتا هے ۔ دي آ ئے پوڈکاسٹ-سٹائل مواد ، او ديو بک ڈائيلو گ اور تعاملي گفتگو اي آ ئي بنا نے کے ليے پورا مناسب هے ۔

Parler TTS ایک متن سے بولنے کا ماڈل ہے جو فطری زبان کی آواز کی وضاحت کو استعمال کرتا ہے تا کہ مصنوعي بولنے کو کنٹرول کر سکے. اسکے برعڪس آپ آواز کو جسے آپ چاہتے ہیں بیان کر سکتے ہیں (مثلا "ایسی گرم عورتي آواز جس میں خفيه برطانوي لہجے ہیں، سست اور واضح طور پر بولتے ہیں) اور Parler اس بيان سے مطابقت رکھنے والی بولنے کو پیدا کرتا ہے. یہ اسے تخلیقي ايپليکيشنز کے ليے غير معمولي لينجبل بناتا هے

GLM-TTS Zhipu AI کے ذريعے لاما فن تعمير پر بنا يا گيا هے جو فلو ميچنگ کے ساتھ متن سے کلام کا نظام هے ۔ اس سے اوپن سورس TTS ماڈل کے درمیان سب سے کم کر کٹ اير ريٹ حاصل کريں گيا هے ، اس کا مطلب هيں کہ اس سے سب سے صحيح لفظ حاصل کريں گيا هے ۔ GLM-TTS 3-10 سيکنڈ آ ڊيو نمونوں سے آواز کے کلوننگ کے ساتھ انگريزي اور چيني کو مدد ديتا هے

IndexTTS-2اُخرو ر متن سے کلام کا نظام هے جو صفر شٹ آواز کي سنتز ميں زبردست هے جو حسي کنٹرول کے ساتھ هے یہ خاص حسي تنا ر سے کلام بنا سکتا هے جیسے خوش ، غمگين ، غصہ يا خوف زدہ حسي خاص تربيت کے اعدادوشمار کے ضرورت کے بغیر ماڈل حسي ویکٹرز کا استعمال کرتا هے تا هے جلتے کلام کے حسي اظہار کو درست طور پر کنٹرول کريں

SparkAudioکے ذريعے SparkTTS يه متن سے کلام کا ماڈل هے جو آواز کي کلوننگ کو کنٹرو لي جا سکنے والے احساس اور بولنے کے انداز کے ساتھ ملا تا هے صرف 5 سيکنڈ رفرنس آ ڊيو کا استعمال کر کے ، وہ آواز کي کلوننگ کر سکتا هے اور پھر مختلف احساسات ، رفتار اور اندازوں کے ساتھ کلام پيدا کر سکتا هے اور کلون کی گيجٹ کو محفوظ رکھ سکتا هے SparkTTS يه پرو موٹ پر مبنی کنٹرول سسٹم استعمال کرتا هے

GPT-SoVITS GPT-شئے زبان ماڈلنگ کو SoVITS (ترجمہ اور سنتز کے ذریعے آواز سننے کا اندازہ لگانا) کے ساتھ طاقتور چند شوٹ آواز کلوننگ کے ليے ملا تا هے 5 سيکنڈ ريفرنس آ ڊيو کے ليے ، هيں صحيح طور پر آواز کي کلوننگ کر سکتا هے اور اسپيکر کے منفرد خاصيتوں کو محفوظ رکھتے ہوئے نئے بولنے کي پيدا کر سکتا هے ۔ هيں دوئي بات کرنے اور آواز سننے کے سنتھز ميں ممتاز هے

Orpheus 100,000 گھنٹوں سے زائد مختلف بولنے کے اعداد و شمار پر تربيت حاصل کر نے والا ایک بڑے پیمانے پر متن سے بولنے کا ماڈل هے جو انسانی سطح کے جذباتی اظہار کو حاصل کر تا هے ، یہ قدرتی جذبات ، زور اور بولنے کے انداز کے ساتھ بولنے کو پیدا کر نے میں ممتاز هے Orpheus انسانی ریکارڈز سے تقریبا ً ممتاز بولنے کو پیدا کر سکتا هے

چاٹر باکس by Resemble AI ایک cutting-edge zero-shot آواز کلوننگ ماڈل هے یہ ایک واحد او ڈیو نمونے سے کوئی آواز قابل ذکر دقت کے ساتھ نقل کر سکتا هے ، صرف تير پر قبضہ نہیں کرتا بلکہ بات کرنے کا انداز اور جذباتی نونانس بھی ۔ چاٹر باکس میں بھی fine-grained احساسات کو کنٹرول کرنے کی خاصيت هے ، آپ کو آواز کی شناخت سے آزاد طور پر پیدا کی گئي بات کے جذباتی تنا ر کو تعديل کرنے کی اجازت دےتا هے

Tortoise TTS ایک خودکار واپسی والی ملٹی وائٹس ٹیکس-تو-سپیچ سسٹم ہے جو رفتار پر آڈیو کی کیفیت کو ترجیح دیتا ہے یہ DALL-E سے متاثرہ فن تعمیر کو استعمال کرتا ہے تاکہ بہترین prosody اور اسپیکر کی مشابهت کے ساتھ انتہائی قدرتی بولنے کو پیدا کر سکے۔ جبکہ بہت سے متبادل سے سست، Tortoise کھلے-سورس ماحولیاتی نظام میں دستیاب کچھ زیادہ حقیقی مصنوعی بولنے کو پیدا کرتا ہے.

StyleTTS2 انسان کے سطح پر TTS synthesizing حاصل کرتا ہے بڑے بولنے کے زبان ماڈل استعمال کر کے تنازعہ يي تربيت کے ساتھ انداز انکشاف کو جوڑ کر۔ یہ انسان کی ریکارڈنگ کے مقابلے میں ایک ناطق ماڈل کے درمیان سب سے فطری آواز والی بات پیدا کرتا ہے۔ StyleTTS2 انسانی بولنے کے مختلف اندازوں کو پورے حد تک حاصل کرنے کے ليے انکشاف پر مبنی انداز ماڈلنگ کا استعمال کرتا ہے ۔

MyShell.aiکے طرف سے اوپن ويز آواز کے انداز، احساس، نغمات، ريتم، توقف اور تنازل پر گيڑي کنٹرول کے ساتھ فوري آواز کي کلوننگ کي اجازت ديتا هے ۔ یہ مختصر آ ڊيو کلپ سے آواز کي کلوننگ کر سکتا هے اور اسپيکر کي شناخت محفوظ رکھتے ہوئے متعدد زبانوں ميں آواز پيدا کر سکتا هے ۔ اوپن ويز آواز کے تبديل کر نے کے طور پر بھی کام کر سکتا هے ، ريل ٹائم آواز کي تبديلي کي اجازت ديتا هے

Qwen3-TTS Alibaba کے Qwen ٹیم سے 1.7 ارب پارامٹر ٹیکس-تو- اسپيچ ماڈل هے یہ تین موڈس کو مدد ديتا هے: احساسات کے کنٹرول کے ساتھ پیش سے مقرر آوازیں (9 اسپيکر)، آواز کا کلوننگ صرف 3 سيکنڈ کے آڈیو سے، اور ایک منفرد آواز ڈزائين موڈ جہاں آپ اپنی چا لي ہوئی آواز کو فطري زبان میں بيان کر سکتے هيں ۔ اس ميں 10 زبانیں شامل هيں جو اعلي اظہار اور فطري پروسو ڈي سے ليے جا نے پائيں

Sesame CSM (Conversational Speech Model) 1 ارب پارامٹر ماڈل خاص طور پر گفتگو کي حصول کے ليے بنا يا گيا هے انسان کے گفتگو کے فطري نمونے کو ماڈل کر تا هے جس ميں تير گيٹنگ ٹائمنگ، با کينل ري سپانس ، جذباتي رد عمل اور گفتگو کے فلو شامل هے CSM او ڊيو پيدا کر تا هے جو مصنوعی گفتگو کے بجاي فطري انسان کے گفتگو کے طور پر آواز ديتا هے

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.