טעקסט צו שפּראַך
װיפֿל־פֿאַרב:
איבער־פֿאַרקער דעם טעקסט אין SSML הענטלעך פֿאַר אַ פּשוטער קאָנטראָל:
<speak><prosody rate="slow">Slow speech</prosody></speak>
קלײַב אַלץ אױסMouse Cursor Shape
װײַז פֿאָרױסװײַז
מאָדע דעטאַילס
MegaTTS3
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.
| אַנטוויקלער: | ByteDance |
| דערלויבעניש: | Apache 2.0 |
| גיכקייט | Slow |
| קװאַליטעט: | |
| שפּראַכן | 2 שפּראַכן |
| בילד־אַרײַנשרײַב | 8GB |
| שריפֿט גרײס | געשטיצט |
קלײַב אַלץ אױסselect-action
- ניצן ריכטיקע שריפֿטצײכן פֿאַר נאַטירלעכע פּאָוזעס און ינטאָנאַציע
- שריפֿט נומערן און פֿאַרקירצונגען פֿאַר אַ קלאָרער אויסלייג
- אַרײַנשרײַבן קאָמאַן צו מאַכן קורצע פּאָזיציעס צװישן שריפֿטצײכן
- טעקסט פֿאַרבselect-criterion
- פּרובירן Kokoro אָדער CosyVoice 2 פֿאַר די נאַטירלעכסטע רעזולטאטן
- ניצן Dia פֿאַר װעלכע־לײענער־דיאַלאָג און פּאָדקאַסט־אינפֿאָרמאַציע
קלײַב אַלץ אױס
| פֿאָרױסװײַזundo-type | קאָסטן פּער 1K שריפֿטצײכן |
|---|---|
| פֿרײַ | 0 קרעדיטס (אומלעקסיק) |
| סטאַנדאַרד | שריפֿטצײכן |
| פֿאָרױסװײַז | שריפֿטצײכן |
װי AI טעקסט־צו־רעדונג אַרבעט
שאַפֿן פּראָפֿעסיאָנאַל־קוואַליטעט שפּראַך־אַרײַנשרײַבונגען אין דרייַ פּשוטע שריטן. קײן טעכנישע דערפֿאַרונג ניט נייטיק
אַרײַנשרײַב דיין טעקסט
אַרײַנשרײַבן, קלײַבן אױף אָדער אַרײַנשטעלן דעם טעקסט װאָס איר װילט איבערװײַזן צו רעדן. שטיצט ביז צו 5,000 שריפֿטצײכן אױף אײנער פֿאַר אַרײַנגעלאָפֿןע ניצערס. ניצן פּשוטן טעקסט אָדער אַרײַנשרײַבן SSML הענטלעך װײַל דאָס העלפֿט אײַך צו קאָנטראָלירן װי מען רעדט, װי מען װײַזט אױף, און װי מען װײַזט אױף.
קלײַב אַלץ אױסselect-action
קלײַב אױס פֿון 20+ AI מאָדעלן איבער דריי װיפֿלקייטן. קלײַב אַ שפּראַך װאָס פּאַסט צו דיין אינהאַלט, קלײַב אױס די צילשפּראַך, קלײַב אױס די אָפּשפּיגלונג־ספּרינט פֿון 0.5קס ביז 2.0קס, און קלײַב אױס די אױסגאַבע־פֿאָרמאַטירונג (MP3, WAV, OGG, אָדער FLAC).
אױסגלײַכונג
קליק שאַפֿן און דיין אודיו איז גרייט אין סעקונדעס. װײַז אַ פֿאָרױסװײַז מיטן אַרײַנגערעכנטן פּלייַער, אַרײַנשטעלן אין דיין אויסגעקליבן פֿאָרמאַטירונג, אָדער קאָפּירן אַ צונויפֿצושטעלן לינק. ניצ די API פֿאַר באַטש־פּראָצעסירונג און אינטעגראַציע אין דיין אַרבעט־פֿלאָך
טעקסט צו שפּראַך
װײַל דער װײַב האָט געװוּסט װי צו רעדן, װי צו שרײַבן, װי צו רעדן און װי צו שרײַבן, האָט זי געװוּסט װי צו רעדן און װי צו רעדן.
טעקסט פֿאַרבtext-to-speech
דיטעקטירטע ספּעסאַפאַקאַציעס פֿאַר יעדער AI מאָדעל בנימצא אויף TTS.ai. פֿאַרגליכן קוואַליטעט, גיכקייט, שפּראַך שטיצן, און פֿעיִקייטן צו געפֿינען דעם פּאַסיקן מאָדעל פֿאַר דיין פּראָיעקט
Kokoro
Free
קאָקאָראָ איז אַ 82 מיליאָן־פּאַראַמעטער־טעקסט־צו־ספּראַך־מאָדעל װאָס שטײט גוט איבער זײַן גרײס־קלאַס. אױף זײער קליין גרײס, פּראָדוצירט עס אַ מאָדנע נאַטירלעכע און אויסדריקלעכע שפּראַך. קאָקאָראָ שטיצט אַ סך שפּראַכן, אַרײַנגערעכנט ענגליש, יאַפּאַניש, סינייִש, און קאָרעיִש, מיט אַ סך אויסדריקלעכע שפּראַכן. עס לײענט אומעטום שנעל — עס פּראָדוצירט אודיו כּמעט 100קס שנעלער װי אין אמת־צײַט אױף אַ GPU.
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
ניט
פֿרײַ
Piper
Free
פּאַפּער איז אַ לייכטע טעקסט־צו־ספּראַך־מאַשין אַנטוויקלט פֿון Rhasspy וואָס ניצט VITS און larynx ארכיטעקטורן. עס לײגט אַלץ אױף דער CPU, װאָס מײנט אַז עס איז פּאַסיק פֿאַר Edge מכשירים, היים אויטאָמאַטיזאַציע, און אַפּליקאַציעס װאָס דאַרפן אױסגעלאָשן TTS. מיט איבער 100 שפּראַכן איבער 30+ שפּראַכן, גיט פּאַפּער נאַטירלעך־קלינגנדיקע שפּראַך אין אמת־צײַט־ספּרעדז, אױף אַ Raspberry Pi 4 אויך.
Rhasspy
MIT
Fast
en, de, fr, es, it, pt, nl, pl, ru, zh, ja, ko, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi
0 (CPU only)
ניט
פֿרײַ
VITS
Free
VITS (װאַריאַציע־אינפֿאָרמאַציע מיט אױפֿגאַבע־לײענען פֿאַר סוף־צו־סוף־טעקסט־צו־ספּראַך) איז אַ פּאַראַלעל סוף־צו־סוף TTS־מעכאַניזם װאָס שאַפֿט אַ נאַטירלעכער קלינגנדיקן אופֿן װי די הײַנטיקע צוויי־שטאַפּ־מאָדלן. עס נעמט אַװעק װאַריאַציע־אינפֿאָרמאַציע פֿאַרגרעסערט מיט נאָרמאַליזירנדיקע פֿלאָסן און אַ אױפֿגאַבע־לײענען־פּראָצעס, װאָס דערגרייכט אַ וויכטיקע פֿאַרבעסערן אין נאַטירלעכקייט.
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
ניט
פֿרײַ
MeloTTS
Free
MeloTTS פֿון MyShell.ai איז אַ פֿאַרשײדענע שפּראַך TTS ביבליאָטעק װאָס שטיצט ענגליש (אַמעריקאַנער, בריטיש, אינדיע, אױסטראַליער), שפּאַניש, פֿראַנצויזיש, סינייִש, יאַפּאַניש, און קאָרעיִש. עס איז זייער שנעל, באַהאַנדלט דעם טעקסט מיט אַ היפּש אמת־צײַט־ספּרעאַד אויף דער קאָמפּיוטער אַליין. MeloTTS איז צוגעגרייט פֿאַר פּראָדוקציע־נוצן און שטיצט בײדע קאָמפּיוטער־ און גראַפיק־פּראָצעסאָר־אינפֿאָרמאַציע.
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
ניט
פֿרײַ
Bark
Standard
Bark פֿון Suno איז אַ טראַנספֿאָרמאַציע־באזירטע טעקסט־צו־אויער מאָדעל װאָס װעט שאַפֿן אַ װײַטער־רעאַליסטישע, מער־שפּראַכיקע שפּראַך און אַנדערע אויער־עפֿעקטן װי מוזיק, הינטערגרונט־רעשן און קלאַנג־עפֿעקטן. עס װעט שאַפֿן ניט־ווערבלעכע קאָמוניקאַציע װי לײענען, װײַסן, און װײנען. Bark שטיצט איבער 100 שפּראַך־פֿאָרװערטס און 13+ שפּראַכן.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
ניט
2x
Bark Small
Standard
Bark Small איז אַ דיסטילירטע װערסיע פֿונעם Bark מאָדעל װאָס װײַזט אַ סך אױדיו־קװאַליטעט װעגן אַ סך שװערערע אַרײַנשרײַב־הײך און קלענערע זכּרון־דערפֿאַרונגען. עס האַלט באַרקס מעגלעכקײט צו שאַפֿן שפּראַך מיט עמאָציעס, לײַכטן און מערע שפּראַכן.
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
ניט
2x
CosyVoice 2
Standard
קאָסי־װאָסע 2 פֿון Alibaba'ס טאָנגי־לאַב דערגרייכט אַ מענטשלעכע שפּראַך־קוואַליטעט מיט אַ זייער נידעריקער לאַטענסי, װאָס מאַכט עס פּאַסיק פֿאַר אמת־צײַט־פּראָגראַמען. עס ניצט אַ סוף־סקאַלער־קוואַנטיזאַציע־אַרײַנגאַנג פֿאַר סטרימינג־סינטעז און שטיצט נול־שטראָף שפּראַך־קלאָנינג, שפּראַך־קרײַז־סינטעז, און פֿינע־גרענעץ עמאָציע־קאָנטראָל. עס איז בעסער װי אַ סך קאָמערציעלע שפּראַך־צו־שפּראַך־סיסטעמען אין סובדזשעקטיװע באַהאַלטונגען
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
יאָ
2x
Dia TTS
Standard
דיאַ פֿון Nari Labs איז אַ 1.6 ב־פּאַראַמעטער טעקסט־צו־ספּראַך מאָדעל וואָס איז ספּעציפֿיש צוגעגרייט פֿאַר דער אַרײַנשרײַבונג פֿון דיאַלאָקטן צװישן אַ סך רעדאַקטאָרן. עס קען אַרײַנשרײַבן נאַטירלעך קלינגנדיקע שמועסן צװישן צוויי רעדאַקטאָרן מיט אַ פּאַסיקן װײַז־אַרײַנשרײַבונג, פּראָסאָדיע, און עמאָציאָנעלע אויסדרוקן. דיאַ איז פּאַסיק פֿאַר דער אַרײַנשרײַבונג פֿון פּאָדקאַסט־סטייל אינהאַלט, אוודיאָ־בוך שמועסן, און ינטעראַקטיווע שמועס־קײַ.
Nari Labs
Apache 2.0
Medium
en
4GB
ניט
2x
Parler TTS
Standard
Parler TTS איז אַ טעקסט־צו־ספּראַך מאָדעל װאָס ניצט נאַטירלעכע שפּראַך שטימע־באַשרײַבונגען צו קאָנטראָלירן די געגרינדעטע שפּראַך. אין אָרט פֿון קלײַבן אױף פֿריִערדיקע שטימע־באַשרײַבונגען, באַשרײַבט דו די שפּראַך װאָס דו װילסט (דאָס הייסט, "אַ האַרציקע פֿרײַנדלעכע שפּראַך מיט אַ קלענערן בריטישן אַרײַנשרײַב, רעדנדיק שנעל און קלאר") און Parler גיט אױס אַ שפּראַך װאָס פּאַסט צו דער באַשרײַבונג. דאָס מאכט עס אינטערעסאַנט פֿאַר שרײַבערישע אַפּליקאַציעס.
Hugging Face
Apache 2.0
Medium
en
4GB
ניט
2x
GLM-TTS
Standard
GLM-TTS פֿון Zhipu AI איז אַ טעקסט־צו־ספּראַך־סיסטעם װאָס איז געבויט אױף דער Llama־אַרקיטעקטור מיט פֿלאָוס־באַהאַלטונג. עס דערגרייכט די קלענסטע שריפֿטצײכן־טעות־רײט צװישן אָפֿן־קאָלוד TTS־מאָדעלן, װאָס מיינט אַז עס פּראָדוצירט די קלענסטע ריכטיקע אויסשפּראַך. GLM-TTS שטיצט ענגליש און שפּאַניש מיט שפּראַך־קלאָנינג פֿון 3־10 סעקונדעס אודיו־פֿאָרמאָסן.
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
יאָ
2x
IndexTTS-2
Standard
IndexTTS-2 איז אַ אַוואַנסירטע טעקסט־צו־ספּראַך־סיסטעם װאָס װײַזט זיך אױף אין ניטל־שאָטן שפּראַך־סינטעזעס מיט אַ פֿינן־גרײנעם עמאָציע־קאָנטראָל. עס קען שאַפֿן שפּראַך מיט ספּעציפֿישע עמאָציאָנעלע טונען װי צופֿרידן, שװער, װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער, אױב װאָסער
Index Team
Bilibili Model License
Medium
en, zh
4GB
יאָ
2x
Spark TTS
Standard
Spark TTS פֿון SparkAudio איז אַ טעקסט־צו־שפּראַך מאָדעל װאָס קאָמבינירט שפּראַך־קלאָנינג מיט קאָנטראָלירלעכע ימאָוציעס און שפּראַך־סטייל. ניצנדיק נאָר 5 סעקונדעס פֿון רעפֿערענץ־אויער, קען עס קלאָנירן אַ שפּראַך און דערנאָך שאַפֿן שפּראַך מיט פֿאַרשיידענע ימאָוציעס, גיכקייטן און סטיילן, בשעת ער האַלט די קלאָנירטע שפּראַך־אידעניטעט. Spark TTS ניצט אַ פֿראַגע־באזירטע קאָנטראָל־סיסטעם.
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
4GB
יאָ
2x
GPT-SoVITS
Standard
GPT-SoVITS קאָמבינירט GPT-סטייל שפּראַך־מאָדלירונג מיט SoVITS (זינגנדיקע שפּראַך־אינפֿיראַציע װײַזנדיק איבערזעצונג און סינטעז) פֿאַר אַ שטאַרקע קלאָנירונג פֿון שפּראַך אין אַ פּאָר שטיקלעך. מיט ווייניקער װי 5 סעקונדעס רעפֿערענץ־אודיו, קען עס קלאָנירן אַ שפּראַך און שאַפֿן אַ נײַע שפּראַך בשעת ער באַהאַלט די אייגענע קעראַקטעריסטיקס פֿון דעם רעדאַקטאָר. עס איז װײַטער גוט צו רעדן און זינגען שפּראַך־סינטעז
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
יאָ
2x
Orpheus
Standard
Orpheus איז אַ גרעסערע טעקסט־צו־ספּראַך מאָדעל װאָס דערגרייכט מענטשלעכער מדרגה פֿון עמאָציאָנעלער אויסדרוק. ער האָט זיך אײַנגעלערנט איבער 100,000 שעה פֿון פֿאַרשיידענע ספּראַך דאַטן, און ער איז אױסגעצייכנט װי צו פּראָדוצירן שפּראַך מיט נאַטירלעכע עמאָציעס, אַרײַנשרײַבונגען, און שפּראַך־סטיילן. Orpheus קען פּראָדוצירן שפּראַך װאָס איז כּמעט אוממעגלעך צו פֿאַרשײדן פֿון מענטשלעכע איבערזעצונגען.
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
ניט
2x
Chatterbox
Premium
װײַז פֿאָרױסװײַז פֿונעם רעדאַקטאָר
Resemble AI
MIT
Medium
en
4GB
יאָ
4x
Tortoise TTS
Premium
פֿאָרױסװײַז פֿאָרױסװײַז:
James Betker
Apache 2.0
Slow
en
8GB
יאָ
4x
StyleTTS 2
Premium
טעקסט פֿאַרבtext-tool-action
Columbia University
MIT
Medium
en
4GB
ניט
4x
OpenVoice
Premium
OpenVoice פֿון MyShell.ai דערמעגלעכט אַ שטימע־קלאָנירונג מיט אַ גראַניאַלער קאָנטראָל איבער שטימע־סטיל, ימאָוציע, אַרײַנשרײַב, ריטם, פּאָוזעס, און אינטאָנאַציע. עס קען קלאָנירן אַ שטימע פֿון אַ קורצן אודיו־קאָפּיע און שאַפֿן שפּראַך אין מערע שפּראַכן בשעת עס האַלט דעם רעדנערס אידענטיטעט. OpenVoice אַרבעט אויך װי אַ שטימע־אַרײַנשרײַבער, װאָס דערמעגלעכט אַ שטימע־טראַנספֿאָרמאַציע אין דער אמתער צײַט.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
יאָ
4x
Qwen3 TTS
Standard
Qwen3-TTS איז אַ 1.7 מיליאַרד פּאַראַמעטער טעקסט-צו-ספּראַך מאָדעל פֿון Alibaba'ס Qwen מאַנשאַפֿט. עס שטיצט דרייַ מאָדעס: פֿאַרזיכערטע שפּראַכן מיט עמאָציע קאָנטראָל (9 שפּראַכן), שפּראַך קלאָנינג פֿון נאָר 3 סעקונדעס פון אודיו, און אַ יחיד שפּראַך פּלאַן מאָדע וווּ איר באַשרײַבן די שפּראַך איר ווילט אין נאַטירלעך שפּראַך. עס דעקן 10 שפּראַכן מיט הויך אויסדרוק און נאַטירלעך פּראָסאָדיע.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
יאָ
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) איז אַ מיליאַרד־פּאַראַמעטער־מאָדעל וואָס איז ספּעציפֿיש צוגעגרייט צו שאַפֿן שמועס־שפּראַך. עס מאָדעלירט די נאַטירלעכע שריפֿטצײכן פֿון מענטשלעכע שמועסן, אַרײַנגערעכנט װײַז־אַרױס־צײַטן, װײַז־אַרױס־ענטפֿערס, עמאָציאָנעלע רעאַקציעס, און שמועס־פֿלאָס. CSM שאַפֿט אַודיאָ װאָס הערט זיך אױס װי אַ נאַטירלעכער מענטשלעכער שמועס, ניט װי אַ סינטעטישער שפּראַך.
Sesame
Apache 2.0
Slow
en
8GB
ניט
4x
Chatterbox Turbo
Standard
צײַט־פֿאַרבינדונג
Resemble AI
MIT
Fast
en
2GB
יאָ
2x
Zonos
Standard
זאָנעס װיריאָ 0.1 פֿון זִיפֿראַ איז אַ 1.6 ב װיריאָ־מאָדל װאָס האָט אַ פֿינע־גרײן עמאָציע־קאָנטראָאָל מיט װײַזערלעך פֿאַר שטימונג, װאָר, שװער, װײַט און פֿאַרצווייפלונג. עס װײַזט אַ טראַנספֿאָרמער און אַ נײַע SSM (שטאַט־װאַריאַנט) װאַריאַנט. געװײנט אויף 200 ק+ שעה פֿון מערשטע שפּראַכן מיט אַ ניט־געשטראָכן שטימע־קלאָנינג פֿון 10־30 סעקונדעס פֿון רעפֿערענץ־אויער.
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
6GB
יאָ
2x
Dia 2
Standard
דיאַ2 פֿון נאַרײַ לאַבס איז אַ סטרימינג־פֿאָרעם פֿון דיאַ, בנימצא אין 1ב און 2ב פּאַראַמעטער־װאַראַנטעס. עס װעט אָנהײבן צו סײַנטיזירן אודיו פֿון די ערשטע װײַטער־טאָקענען, װאָס װײַזט זיך װי אַ גוטע זאַך פֿאַר אמת־צײַט־סײַן־אַגענטן און שפּראַך־צו־שפּראַך־פּאַפּילן. שטיצט אַ װעלכע־סײַן־דיאַלאָג מיט [S1]/[S2] הענטלעך און װײַס־רױטע װײַזונגען װי (לײַכט), (קױפֿט)
Nari Labs
Apache 2.0
Fast
en
4GB
ניט
2x
VoxCPM
Standard
VoxCPM 1.5 פֿון OpenBMB איז אַ נײַע, טוקעניזיר־פֿרייַ TTS־מאָדעל וואָס אַרבעט אין אַ קאַנטיניואַנטן אָרט, ניט אין אַ ספּעציפֿישן אָרט. עס פּראָדוצירט אַ הויכן־פֿאַרפֿאָלג־פֿאַרמאָג פֿון 44.1kHz אויטאָמאָבילן, שטיצט אַ ניט־צוגעפֿאַלענע שפּראַך־קלאָנירונג פֿון 3־10 סעקונדעס, און גיט אַ קעסיידערדיקן טעם איבער די פּאַראַגראַפן. איבער־שפּראַך־קלאָנירונג לאָזט איר צו פֿאַרװאַנדלען אַן ענגליש־שפּראַך אין אַ כינעזיש־שפּראַך און װידער אױס.
OpenBMB
Apache 2.0
Fast
en, zh
4GB
יאָ
2x
OuteTTS
Free
OuteTTS פֿאַרגרעסערט גרויסע שפּראַך־מאָדלן מיט טעקסט־צו־ספּראַך־קײט בשעת עס װעט באַהאַלטן די אויטאָמאַטישע ארכיטעקטור. עס שטיצט אַ סך הינטער־פֿאַרבינדונגען אַרײַנגערעכנט llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, און אױף אַ בראַוזער־אינפֿיראַציע װי Transformers.js. עס האָט אַ נוליקע־שאָט־סטימיק־קלאָנינג װײַטער די רעדאַקטאָר־פּראָפֿעליעס, אױסגעהאַלטן װי JSON.
OuteAI
Apache 2.0
Fast
en
2GB
יאָ
פֿרײַ
TADA
Standard
װײַז פֿאָרױסװײַז פֿונעם טעקסט־אַרײַנשרײַבער
Hume AI
MIT
Fast
en
5GB
ניט
2x
VibeVoice
Standard
VibeVoice פֿון Microsoft קומט אין צוויי װאַריאַנטן: אַ 1.5B מאָדעל פֿאַר לאַנג־פֿאָרעם אינהאַלט (אַרײַן צו 90 מינוט, 4 רעדאַקטאָרן) און אַ רעאַל־צײַט 0.5B מאָדעל פֿאַר סטרימינג מיט ~200ms ערשטער אודיו־לײטערונג. דער 1.5B װאַריאַנט איז װידער גוט פֿאַר פּאָדקאַסטן און אודיו־בוך מיט רעדאַקטאָר־קאָנסיסטענץ איבער לאַנגע װאַריאַנטן. נאָטיצן: Microsoft האָט באַװעגט TTS קאָד פֿון דער װײַזער און דער געװענערטער אודיו אַרײַנגערעכנט הערן־קײן־אינפֿאָרמאַציע
Microsoft
MIT
Fast
en, zh
4GB
ניט
2x
Pocket TTS
Free
פּאָקע־טץ פֿון קיוטאַי (דער מחבר פֿון מושי) איז אַ קאָמפּאַקטער 100 מײַל פּאַראַמעטער־טעקסט־צו־ספּראַך־מאָדל װאָס װײַזט זיך גוט איבער זײַן וואָג. עס לײגט זיך עפעקטיוו אױף דער מעגלעכקייט, שטיצט אַ ניט־צוגעפֿאַלענע שפּראַך־קלאָנירונג פֿון אַ איין אודיו־פֿאָרעם, און פּראָדוצירט נאַטירלעך־קלינגנדיקע שפּראַך. די קליין מאָדעל גרײס װײַזט זיך גוט פֿאַר װײַטער־פֿאַרבינדונגען און װײַטער־פֿאַרבינדונגען
Kyutai
MIT
Fast
en, fr
1GB
יאָ
פֿרײַ
Kitten TTS
Free
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
Fast
en
0GB
ניט
פֿרײַ
CosyVoice3
Standard
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
Fast
en, zh, ja, ko, de, es, fr, it, ru
4GB
יאָ
2x
MOSS-TTS
Premium
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.
OpenMOSS
Apache 2.0
Medium
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
16GB
יאָ
4x
MegaTTS3
Premium
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.
ByteDance
Apache 2.0
Slow
en, zh
8GB
יאָ
4x
Kokoro
פֿרײַ
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
Fast
Piper
פֿרײַ
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
Fast
VITS
פֿרײַ
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
Fast
MeloTTS
פֿרײַ
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
Fast
OuteTTS
פֿרײַ
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
Fast
Pocket TTS
פֿרײַ
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
Fast
Kitten TTS
פֿרײַ
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
Fast
Bark
סטאַנדאַרד
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
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ניט
Bark Small
סטאַנדאַרד
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
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ניט
CosyVoice 2
סטאַנדאַרד
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
Medium
en, zh, ja, ko, fr, de, it, es
יאָ
Dia TTS
סטאַנדאַרד
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
Medium
en
ניט
Parler TTS
סטאַנדאַרד
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
Medium
en
ניט
GLM-TTS
סטאַנדאַרד
GLM-TTS by Zhipu AI is a text-to-speech system built on the Llama architecture with flow matching. It achieves the lowest character error rate among open-source TTS models, meaning it produces the most accurate pronunciation. GLM-TTS supports English and Chinese with voice cloning from 3-10 second audio samples.
Zhipu AI
GLM-4 License
Medium
en, zh
יאָ
IndexTTS-2
סטאַנדאַרד
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
Medium
en, zh
יאָ
Spark TTS
סטאַנדאַרד
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
Medium
en, zh
יאָ
GPT-SoVITS
סטאַנדאַרד
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
Slow
en, zh, ja, ko
יאָ
Orpheus
סטאַנדאַרד
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
Medium
en
ניט
Qwen3 TTS
סטאַנדאַרד
Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports three modes: preset voices with emotion control (9 speakers), voice cloning from just 3 seconds of audio, 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
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
יאָ
Chatterbox Turbo
סטאַנדאַרד
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
Fast
en
יאָ
Zonos
סטאַנדאַרד
Zonos v0.1 by Zyphra is a 1.6B parameter model featuring fine-grained emotion control with sliders for happiness, anger, sadness, fear, and surprise. It offers both a Transformer and a novel SSM (state-space model) variant. Trained on 200K+ hours of multilingual speech with zero-shot voice cloning from 10-30 seconds of reference audio.
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
יאָ
Dia 2
סטאַנדאַרד
Dia2 by Nari Labs is a streaming-first upgrade to Dia, available in 1B and 2B parameter variants. It begins synthesizing audio from the first few tokens, making it ideal for real-time voice agents and speech-to-speech pipelines. Supports multi-speaker dialogue with [S1]/[S2] tags and paralinguistic cues like (laughs), (coughs).
Nari Labs
Apache 2.0
Fast
en
ניט
VoxCPM
סטאַנדאַרד
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
Fast
en, zh
יאָ
TADA
סטאַנדאַרד
TADA (Text-Acoustic Dual Alignment) by Hume AI is a groundbreaking TTS model that eliminates hallucinations through a novel dual alignment architecture built on Llama 3.2. Available in 1B (English) and 3B (multilingual) variants, TADA achieves an RTF of 0.09 — 5x faster than comparable LLM-based TTS models. It supports up to 700 seconds of audio context and produces emotionally expressive speech with zero hallucinations on standard benchmarks.
Hume AI
MIT
Fast
en
ניט
VibeVoice
סטאַנדאַרד
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
Fast
en, zh
ניט
CosyVoice3
סטאַנדאַרד
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
Fast
en, zh, ja, ko, de, es, fr, it, ru
יאָ
Chatterbox
פֿאָרױסװײַז
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
Medium
en
יאָ
4GB
4x
Tortoise TTS
פֿאָרױסװײַז
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
Slow
en
יאָ
8GB
4x
StyleTTS 2
פֿאָרױסװײַז
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
Medium
en
ניט
4GB
4x
OpenVoice
פֿאָרױסװײַז
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
Medium
en, zh, ja, ko, fr, de, es, it
יאָ
4GB
4x
Sesame CSM
פֿאָרױסװײַז
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
Slow
en
ניט
8GB
4x
MOSS-TTS
פֿאָרױסװײַז
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.
OpenMOSS
Apache 2.0
Medium
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
יאָ
16GB
4x
MegaTTS3
פֿאָרױסװײַז
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.
ByteDance
Apache 2.0
Slow
en, zh
יאָ
8GB
4x
מאָדעל פֿאַרבינדונג טאַבעלע
| מאָדע | אַנטוויקלער: | פֿאָרױסװײַזundo-type | קװאַליטעט: | גיכקייט | שפּראַכן | שריפֿט גרײס | בילד־אַרײַנשרײַב | דערלויבעניש: | שריפֿט גרײס | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | פֿרײַ | ניצן | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | פֿרײַ | ניצן | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | פֿרײַ | ניצן | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | פֿרײַ | ניצן | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | ניצן | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | ניצן | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | ניצן | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ניצן | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ניצן | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | ניצן | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | ניצן | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ניצן | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | ניצן | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | ניצן | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | ניצן | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ניצן | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | ניצן | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | ניצן | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | ניצן | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ניצן | ||
| Chatterbox Turbo | Resemble AI | Standard | Fast | 1 | 2GB | MIT | 2 | ניצן | ||
| Zonos | Zyphra | Standard | Medium | 5 | 6GB | Apache 2.0 | 2 | ניצן | ||
| Dia 2 | Nari Labs | Standard | Fast | 1 | 4GB | Apache 2.0 | 2 | ניצן | ||
| VoxCPM | OpenBMB | Standard | Fast | 2 | 4GB | Apache 2.0 | 2 | ניצן | ||
| OuteTTS | OuteAI | Free | Fast | 1 | 2GB | Apache 2.0 | פֿרײַ | ניצן | ||
| TADA | Hume AI | Standard | Fast | 1 | 5GB | MIT | 2 | ניצן | ||
| VibeVoice | Microsoft | Standard | Fast | 2 | 4GB | MIT | 2 | ניצן | ||
| Pocket TTS | Kyutai | Free | Fast | 2 | 1GB | MIT | פֿרײַ | ניצן | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | פֿרײַ | ניצן | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | Fast | 9 | 4GB | Apache 2.0 | 2 | ניצן | ||
| MOSS-TTS | OpenMOSS | Premium | Medium | 19 | 16GB | Apache 2.0 | 4 | ניצן | ||
| MegaTTS3 | ByteDance | Premium | Slow | 2 | 8GB | Apache 2.0 | 4 | ניצן |
דער גרעסטער AI טעקסט־צו־ספּראַך־פּלאַטפֿאָר
װאָס טוט TTS.ai װעגן טעקסט־צו־רעדונג?
TTS.ai ברענגט די וועלט צוזאַמען
יעדער מאָדעל איז אָפֿן־קאָפּיע אונטער MIT, Apache 2.0, אָדער אַנדערע לײַכטע לײַכטן, װאָס פֿאַרזיכערן אַז דו האָסט פֿולע קאָמערציעלע רעכטן צו ניצן דעם געגרינדעטן אודיו אין דיין פּראָיעקטן. צי דו װילסט אַ שנעלער, קלענערער סינטעז פֿאַר אמת־צײַט־פּראָגראַמען אָדער אַ פּרעמיום־סטודיע־קוואַליטעט פֿאַר אודיו־בוך און פּאָדקאַסטן, TTS.ai האָט די רעכטע מאָדעל פֿאַר װעלכעװײניקע ניצן.
פֿרײַע מאָדעלס, קײן אקאונט ניט נייטיק
פֿאָרױסװײַז פֿאָרױסװײַז:
GPU־פֿאַרגיכערטע באַהאַנדלונג
אַלע TTS־מאָדלן לײענען אױף ספּעציפֿישע NVIDIA GPUס פֿאַר אַ שנעלן, עקוויוואַלענטן שאַפֿונגס־צײַט. פֿרײַע מאָדלן שאַפֿן אָדיו אין ווייניקער װי 2 סעקונדעס. סטאַנדאַרד־מאָדלן װי Kokoro, CosyVoice 2, און Bark װײַזן אַ דורכשניטלעך פֿון 3־5 סעקונדעס. פּרעמיום־מאָדלן מיט דער העכסטן קװאַליטעט, װי Tortoise און Chatterbox, װײַזן אַ דורכשניטלעך פֿון 5־15 סעקונדעס, לויט דעם טעקסט־לענג.
שטיצט 30+ שפּראַכן
שאַפֿן שפּראַך אין איבער 30 שפּראַכן אַרײַנגערעכנט ענגליש, שפּאַניש, פֿראַנצויזיש, דײַטש, איטאַליעניש, פּאָרטוגעזיש, שפּאַניש, יאַפּאַניש, קאָרעיִש, אַראַביש, הינדיש, רוסיש, און מער. אַ סך מאָדעלן שטיצן איבער־שפּראַכיקע סינטעז, װאָס מײנט אַז דו קענסט שאַפֿן שפּראַך אין אַ שפּראַך װאָס די אָריגינעל־שפּראַך איז קײן מאָל ניט געװאָרן אױסגעלערנט. CosyVoice 2 און GPT-SoVITS װײַזן זיך גוט אין איבער־שפּראַכיקע שפּראַך־קלאָנינג.
אױפֿפֿירער־פֿאַרבינדונג
TTS.ai אין אייער פּראָגראַמען מיט אונדזער OpenAI-פֿאַרבינדן REST API. איין סוף־פּונקט פֿאַר אַלע 20+ מאָדעלס. Python, JavaScript, cURL, און Go SDKs. סטרימינג שטיצן פֿאַר פאַקטיש־צײַט פּראָגראַמען. באַטש פּראַסעסינג פֿאַר גרויס־סקעלע אינהאַלט שאַפֿן. Webhooks פֿאַר אַסינקראָנישע באַאַמטער. בנימצא אויף פּראָ און ענטערפּריסעס פּלאַנן.
פֿראַגעס און ענטפֿערס
What could we improve? Your feedback helps us fix issues.
טעקסט פֿאַרבtext-to-speech
אַרײַנשרײַבן זיך צו טויזנטער פֿון שאַפֿער מיט TTS.ai. באַקומען 15,000 פרייע שריפֿטצײכן מיט אַ נײַעם אקאונט. פרייע מאָדעלן בנימצא אָן רעגיסטראַציע