Text to Speech AI

Kokoro là một mô hình chuyển văn bản sang nói có 82 triệu tham số, vượt xa mức trọng lượng của nó. Mặc dù kích thước nhỏ bé, nó vẫn tạo ra giọng nói tự nhiên và biểu cảm. Kokoro hỗ trợ nhiều ngôn ngữ bao gồm tiếng Anh, Nhật, Trung Quốc và Hàn Quốc với nhiều giọng nói biểu cảm. Nó chạy rất nhanh — tạo ra âm thanh nhanh hơn gần 100 lần so với thời gian thực trên GPU.

Piper là một bộ chuyển đổi văn bản sang giọng nói nhẹ được phát triển bởi Rhasspy sử dụng kiến trúc VITS và larynx. Nó chạy hoàn toàn trên CPU, làm cho nó lý tưởng cho các thiết bị rìa, tự động hóa nhà cửa, và các ứng dụng yêu cầu TTS ngoài mạng. Với hơn 100 giọng nói trên 30+ ngôn ngữ, Piper cung cấp giọng nói có âm thanh tự nhiên với tốc độ thời gian thực ngay cả trên Raspberry Pi 4.

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) là một phương pháp TTS song song từ đầu đến cuối tạo ra âm thanh có âm thanh tự nhiên hơn các mô hình hai giai đoạn hiện tại. Nó sử dụng suy luận biến đổi được tăng cường với các luồng bình thường hóa và một quá trình huấn luyện đối kháng, đạt được một cải thiện đáng kể về tính tự nhiên.

MeloTTS by MyShell. ai là thư viện TTS đa ngôn ngữ hỗ trợ tiếng Anh (Mỹ, Anh, Ấn Độ, Úc), Tây Ban Nha, Pháp, Trung Quốc, Nhật Bản, và Hàn Quốc. Nó cực nhanh, xử lý văn bản gần như tốc độ thời gian thực chỉ trên CPU. MeloTTS được thiết kế cho sử dụng sản xuất và hỗ trợ cả CPU và GPU suy luận.

Bark by Suno là một mô hình chuyển đổi văn bản sang âm thanh dựa trên biến đổi có thể tạo ra giọng nói đa ngôn ngữ thực tế cao cũng như các âm thanh khác như âm nhạc, tiếng ồn nền và hiệu ứng âm thanh. Nó có thể tạo ra giao tiếp không nói như cười, thở dài và khóc. Bark hỗ trợ hơn 100 bộ phát âm và hơn 13 ngôn ngữ.

Bark Small là một phiên bản chưng cất của mô hình Bark trao đổi một số chất lượng âm thanh cho tốc độ suy luận nhanh hơn đáng kể và yêu cầu bộ nhớ thấp hơn.

CosyVoice 2 của Tongyi Lab của Alibaba đạt được chất lượng nói tương đương với người với độ trễ cực thấp, khiến nó trở thành ứng dụng thời gian thực lý tưởng. Nó sử dụng một phương pháp lượng tử hóa scalar hữu hạn cho tổng hợp stream và hỗ trợ sao chép giọng nói không bắn, tổng hợp đa ngôn ngữ, và kiểm soát cảm xúc hạt mịn.

Dia của Nari Labs là một mô hình chuyển văn bản sang nói có tham số 1. 6B được thiết kế đặc biệt để tạo ra đối thoại đa người nói. Nó có thể tạo ra các cuộc nói chuyện có âm thanh tự nhiên giữa hai người nói với sự thay đổi, ngữ điệu và biểu hiện cảm xúc thích hợp. Dia hoàn hảo cho việc tạo nội dung kiểu podcast, đối thoại sách nghe và AI giao tiếp tương tác.

Parler TTS là một mô hình chuyển văn bản sang nói sử dụng mô tả giọng nói ngôn ngữ tự nhiên để điều khiển giọng nói được tạo ra. Thay vì chọn từ những giọng nói đã định sẵn, bạn mô tả giọng nói bạn muốn (ví dụ, "một giọng nữ ấm áp với giọng Anh nhẹ, nói chậm và rõ ràng") và Parler tạo ra giọng nói phù hợp với mô tả đó. Điều này làm cho nó linh hoạt độc nhất cho các ứng dụng sáng tạo.

GLM- TTS by Zhipu AI là một hệ thống chuyển văn bản sang giọng nói được xây dựng trên kiến trúc Llama với sự tương thích dòng. Nó đạt được tỉ lệ sai lầm ký tự thấp nhất trong các mô hình TTS mã nguồn mở, có nghĩa là nó tạo ra phát âm chính xác nhất. GLM- TTS hỗ trợ tiếng Anh và tiếng Trung với sao chép giọng nói từ mẫu âm thanh 3- 10 giây.

IndexTTS- 2 là một hệ thống chuyển văn bản sang nói tiên tiến, nổi bật trong tổng hợp giọng nói không bắn với kiểm soát cảm xúc tinh tế. Nó có thể tạo ra giọng nói với những âm thanh cảm xúc cụ thể như hạnh phúc, buồn, tức giận, hay sợ hãi mà không cần dữ liệu huấn luyện đặc biệt về cảm xúc. Mô hình này sử dụng các vector cảm xúc để kiểm soát chính xác biểu hiện cảm xúc của giọng nói được tạo ra.

Spark TTS của SparkAudio là một mô hình chuyển văn bản thành giọng nói kết hợp sao chép giọng nói với cảm xúc và phong cách nói có thể điều khiển. Chỉ cần sử dụng 5 giây âm thanh tham chiếu, nó có thể sao chép giọng nói và sau đó tạo ra giọng nói với cảm xúc, tốc độ và phong cách khác nhau trong khi duy trì bản sắc giọng nói sao chép. Spark TTS sử dụng một hệ thống điều khiển dựa trên yêu cầu.

GPT- SoVITS kết hợp mô hình ngôn ngữ kiểu GPT với SoVITS (Singing Voice Inference via Translation and Synthesis) cho việc sao chép giọng nói mạnh mẽ. Chỉ với 5 giây âm thanh tham chiếu, nó có thể sao chép chính xác một giọng nói và tạo ra giọng nói mới trong khi vẫn giữ được đặc điểm độc đáo của người nói. Nó xuất sắc trong cả việc tổng hợp giọng nói nói và hát.

Orpheus là một mô hình chuyển văn bản sang giọng nói quy mô lớn đạt được sự biểu hiện cảm xúc ở mức độ con người. Nó được huấn luyện trên hơn 100. 000 giờ dữ liệu giọng nói đa dạng, nó xuất sắc trong việc tạo ra giọng nói với cảm xúc tự nhiên, nhấn mạnh, và phong cách nói. Orpheus có thể tạo ra giọng nói hầu như không thể phân biệt được với ghi âm của con người.

Chatterbox của Resemble AI là một mô hình sao chép giọng nói tiên tiến. Nó có thể sao chép bất kỳ giọng nói nào từ một mẫu âm thanh đơn với độ chính xác đáng chú ý, không chỉ thu được âm sắc mà còn phong cách nói và các sắc thái cảm xúc. Chatterbox cũng có tính năng kiểm soát cảm xúc tinh tế, cho phép bạn điều chỉnh âm sắc cảm xúc của giọng nói được tạo ra độc lập với bản sắc giọng nói.

Tortoise TTS là một hệ thống chuyển văn bản sang giọng nói đa giọng tự hồi quy, ưu tiên chất lượng âm thanh hơn tốc độ. Nó dùng kiến trúc lấy cảm hứng từ DALL- E để tạo ra giọng nói tự nhiên với âm điệu và tương đồng người nói tuyệt vời. Mặc dù chậm hơn nhiều lựa chọn khác, Tortoise tạo ra một số giọng nói tổng hợp thực tế nhất có sẵn trong hệ sinh thái mã nguồn mở.

StyleTTS 2 đạt được tổng hợp TTS ở mức người bằng cách kết hợp sự lan truyền phong cách với huấn luyện đối kháng bằng cách sử dụng các mô hình ngôn ngữ nói lớn. Nó tạo ra giọng nói có âm thanh tự nhiên nhất trong các mô hình người nói đơn, cạnh tranh với các ghi âm của người. StyleTTS 2 sử dụng mô hình phong cách dựa trên sự lan truyền để thu được toàn bộ phạm vi biến thể giọng nói của người.

OpenVoice của MyShell. ai cho phép sao chép giọng nói ngay lập tức với kiểm soát chi tiết về phong cách giọng nói, cảm xúc, giọng điệu, nhịp điệu, ngừng và độ cao. Nó có thể sao chép giọng nói từ một đoạn âm thanh ngắn và tạo ra giọng nói bằng nhiều ngôn ngữ trong khi duy trì bản sắc người nói. OpenVoice cũng có chức năng như một trình chuyển đổi giọng nói, cho phép chuyển đổi giọng nói thời gian thực.

Qwen3- TTS là một mô hình chuyển văn bản sang nói có 1, 7 tỷ tham số từ nhóm Qwen của Alibaba. Nó hỗ trợ ba chế độ: giọng nói được đặt sẵn với điều khiển cảm xúc (9 loa), sao chép giọng nói chỉ từ 3 giây âm thanh, và một chế độ thiết kế giọng nói độc đáo nơi bạn mô tả giọng nói bạn muốn bằng ngôn ngữ tự nhiên. Nó bao gồm 10 ngôn ngữ với tính biểu cảm cao và giọng điệu tự nhiên.

Sesame CSM (Conversational Speech Model) là một mô hình 1 tỷ tham số được thiết kế đặc biệt để tạo ra giọng nói nói. Nó mô hình hóa các mẫu tự nhiên của giọng nói nói của con người bao gồm thời gian chuyển đổi, phản ứng kênh ngược, phản ứng cảm xúc, và dòng giọng nói nói. CSM tạo ra âm thanh nghe giống như giọng nói nói tự nhiên của con người hơn là giọng nói tổng hợp.

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.