AI உரை- இருந்து- பேச்சுName
திறந்த மூல AI மாதிரிகளுடன் இயற்கையான ஒலியுடன் உரையை உரையாடலுக்கு மாற்றவும். பயன்படுத்துவதற்கு இலவசம், கணக்கு தேவையில்லை.
உங்களின் உரை SSML ஒட்டுகளில் சரியான கட்டுப்பாட்டிற்காக மடி:
<speak><prosody rate="slow">Slow speech</prosody></speak>
உணர்வுகளை சேர்த்து வழங்கு (மாடலிங் ஆதரவு மாறுபடும்):
தனிப்பயன் உச்சரிப்புகளை வரையறுக்கவும் (வார்த்தை = உச்சரிப்பு):
மாதிரி விவரங்கள்
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.
| உருவாக்குநர்: | ByteDance |
| உரிமம்: | Apache 2.0 |
| வேகம் | Slow |
| தரம்: | |
| மொழிகள் | 2 மொழிகள் |
| விராம் | 8GB |
| குரல் படிமம்Name | ஆதரவு |
சிறந்த முடிவுகளுக்கான குறிப்புகள்
- இயல்பான இடைவெளிகளுக்கும், ஒலியெழுத்துகளுக்கும் சரியான எழுத்துப்பிழைகளை பயன்படுத்து
- எண்களையும் குறுக்கீடுகளையும் தெளிவாக உச்சரிப்பதற்கு எழுத்துப்பிழை நீக்கு
- வாக்கியங்களுக்கு இடையே குறுகிய இடைவெளிகளை உருவாக்குவதற்கு கால்குலேட்டர்களை சேர்க்கவும்
- நீண்ட தற்காலிக இடைவெளிகளுக்கு (...) பயன்படுத்தவும்
- மிக இயல்பான விளைவுகளுக்கு கோகோரோ அல்லது கோசிபோய்ஸ்2ஐ முயற்சிக்கவும்
- பல- ஒலிபெருக்கி உரையாடலுக்கும் ப்ளாட்ஃபாஸ்ட் உள்ளடக்கத்திற்கும் டையாவை பயன்படுத்து
எழுத்துப் பயன்பாடு
| மிருகம் | 1K எழுத்துக்களுக்கு செலவு |
|---|---|
| இலவசம் | 0 புள்ளிகள் (வரம்பு இல்லாத) |
| இயல்பான | 2 கடன்கள் / 1K எழுத்துக்கள் |
| பிரீமியம் | 4 கடன்கள் / 1K எழுத்துக்கள் |
AI உரை-இன்-பேச்சு எப்படி வேலை செய்கிறது
மூன்று எளிய படிகளில் தொழில்நுட்ப-தரமான குரல்களை உருவாக்கவும். தொழில்நுட்ப அறிவு தேவையில்லை.
உங்களின் உரையை உள்ளிடு
உரையை உரையாடலுக்கு மாற்ற வேண்டுமானால், அதை உள்ளிடவும், ஒட்டவும் அல்லது ஏற்றவும். உள்நுழைந்த பயனர்களுக்கு ஒரு தலைமுறைக்கு 5000 எழுத்துக்கள் வரை ஆதரவு. உச்சரிப்பு, இடைவெளிகள் மற்றும் வலியுறுத்தல்களை மேம்படுத்துவதற்காக வெறும் உரை அல்லது SSML குறிகளை பயன்படுத்தவும்.
மாதிரி மற்றும் குரலை தேர்ந்தெடு
மூன்று நிலைகளில் 20+ AI மாதிரிகளை தேர்ந்தெடுக்கவும். உங்கள் உள்ளடக்கத்திற்கு பொருந்தக்கூடிய குரலை தேர்ந்தெடுக்கவும், உங்கள் இலக்கு மொழியை தேர்ந்தெடுக்கவும், 0.5x முதல் 2.0x வரை இயக்க வேகத்தை மாற்றவும், உங்கள் விரும்பிய வெளியீட்டு வடிவத்தை தேர்ந்தெடுக்கவும் (MP3, WAV, OGG, அல்லது FLAC).
உருவாக்கு & பதிவிறக்கு
உருவாக்கு என்பதை க்ளிக் செய்யவும் உங்கள் ஒலி நொடிகளில் தயாராகும். உள்ளமைந்த இயக்கியுடன் முன்பார்வை, தேர்ந்தெடுக்கப்பட்ட வடிவத்தில் பதிவிறக்குதல், அல்லது பகிரக்கூடிய இணைப்பை நகலெடுக்கவும். உங்கள் பணிப் பாய்ச்சலில் கூட்டு செயலாக்கத்திற்கும் ஒருங்கிணைப்பிற்கும் API யைப் பயன்படுத்தவும்.
உரையிலிருந்து பேசு பயன்பாட்டு நிலைகள்Name
AI-powered text-to-speech மக்களின் உருவாக்கம், உபயோகம் மற்றும் பல தொழில்களில் ஒலி உள்ளடக்கத்துடன் தொடர்பு கொள்வது ஆகியவற்றை மாற்றி அமைக்கிறது.
அனைத்து உரை- இருந்து- பேச்சு மாதிரிகள்
TTS.ai இல் கிடைக்கும் ஒவ்வொரு AI மாதிரிக்கும் விரிவான குறிப்புகள். தரம், வேகம், மொழி ஆதரவு, மற்றும் உங்கள் திட்டத்திற்கான சரியான மாதிரியைக் கண்டுபிடிப்பதற்கான அம்சங்களை ஒப்பிடவும்.
Kokoro
Free
கோகோரோ ஒரு 82 மில்லியன் அளவுரு உரை- இருந்து- பேச்சு மாதிரி, அதன் எடை வகுப்பிற்கு மேலே நுழைகிறது. அதன் சிறிய அளவு இருந்தபோதிலும், இது குறிப்பிடத்தக்க இயற்கையான மற்றும் வெளிப்படையான பேச்சை உருவாக்குகிறது. கோகோரோ ஆங்கிலம், ஜப்பானியம், சீனம் மற்றும் கொரியம் உள்ளிட்ட பல மொழிகளை ஆதரிக்கின்றது. இது பல்வேறு வெளிப்படையான குரல்களுடன் இயங்குகிறது. இது மிகவும் வேகமாக இயங்குகிறது - ஒரு ஜிபியுவில் உண்மையான நேரத்தை விட 100x வேகமாக ஒலியை உருவாக்குகிறது.
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
இல்லை
இலவசம்
Piper
Free
Piper என்பது Rhasspy உருவாக்கிய ஒரு எளிமையான உரையிலிருந்து பேச்சிற்கு இயந்திரம், VITS மற்றும் larynx கட்டமைப்புகளை பயன்படுத்துகிறது. இது முழுவதுமாக CPU யில் இயங்குகிறது, இது முனை சாதனங்களுக்கு, வீட்டு இயந்திரங்களுக்கு, மற்றும் இணையமில்லாத TTS தேவைப்படும் பயன்பாடுகளுக்கு மிகவும் பொருத்தமானது. 30+ மொழிகளில் 100 க்கும் மேற்பட்ட குரல்களுடன், Piper ஒரு Raspberry Pi4இல் கூட உண்மையான நேர வேகத்தில் இயற்கையான குரல்களை வழங்குகிறது.
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)
இல்லை
இலவசம்
VITS
Free
VITS (முடிவு- முதல்- முடிவு உரை- இருந்து- பேச்சிற்கு எதிர்மறை கற்றல் கொண்ட மாறுபட்ட கற்பனை) என்பது ஒரு இணையான முடிவு- முதல்- முடிவு TTS முறையாகும், இது தற்போதைய இரு நிலை மாதிரிகளை விட இயல்பான ஒலியை உருவாக்குகிறது. இது இயல்பான ஓட்டங்களுடன் கூடிய மாறுபட்ட கற்பனை மற்றும் எதிர்மறை பயிற்சி செயல்முறையை ஏற்றுக் கொள்கிறது, இயல்பான ஒரு குறிப்பிடத்தக்க மேம்பாட்டை அடைகிறது.
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
இல்லை
இலவசம்
MeloTTS
Free
MyShell. ai ன் MeloTTS ஒரு பல மொழி TTS நிரலகம் ஆங்கிலம் (அமெரிக்க, பிரிட்டிஷ், இந்திய, ஆஸ்திரேலிய), ஸ்பானிஷ், பிரெஞ்சு, சீனம், ஜப்பானியம், மற்றும் கொரியன் ஆகியவற்றை ஆதரிக்கும். இது மிகவும் வேகமாக உள்ளது, CPU யில் மட்டுமே உரை செயல்படுத்தும் வேகம் உண்மையான நேர வேகத்திற்கு நெருக்கமாக உள்ளது. MeloTTS உற்பத்தி பயன்பாட்டிற்கு வடிவமைக்கப்பட்டுள்ளது மற்றும் CPU மற்றும் GPU ஆகியவற்றை ஆதரிக்கும்.
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
இல்லை
இலவசம்
Bark
Standard
சுனோவின் பார்க் ஒரு மாற்றி- அடிப்படையிலான உரையிலிருந்து ஒலி மாதிரியாகும், இது மிகவும் உண்மையான, பல மொழி பேசுதலை உருவாக்க முடியும், மேலும் இசை, பின்னணி இரைச்சல் மற்றும் ஒலி விளைவுகள் போன்ற மற்ற ஒலிகளையும் உருவாக்க முடியும். இது சிரித்தல், சிணுங்குதல் மற்றும் அழுதல் போன்ற வார்த்தை இல்லாத தொடர்புகளை உருவாக்க முடியும். பார்க் 100க்கும் மேற்பட்ட ஒலிப்பேச்சாளர் முன் அமைப்புகளையும் 13+ மொழிகளையும் ஆதரிக்கிறது.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
இல்லை
2x
Bark Small
Standard
பார்க் ஸ்மாலானது பார்க் மாதிரியின் ஒரு திறந்த பதிப்பு, இது சில ஒலி தரத்தை விரைவான முடிவு வேகங்களுக்காக மற்றும் குறைந்த நினைவக தேவைகளுக்காக மாற்றுகிறது. இது உணர்வுகள், சிரிப்பு மற்றும் பல மொழிகளுடன் பேச்சை உருவாக்கும் பார்க் திறனைக் கொண்டுள்ளது.
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
இல்லை
2x
CosyVoice 2
Standard
அலிபாபாவின் டொங்யி லேப் மூலம் காசிவாயஸ்2மனித- ஒப்பிடக்கூடிய பேச்சு தரத்தை மிகவும் குறைந்த தாமதத்துடன் அடைகிறது, இது உண்மையான நேர பயன்பாடுகளுக்கு சிறந்தது. இது ஒரு முடிவான அளவுகோல் குவான்டிசன் அணுகுமுறையை ஒலி ஒத்திசைவு மற்றும் சுழற்சி- ஷாட் குரல் ஒத்திசைவு, மொழிகள் இடையே ஒத்திசைவு மற்றும் சிறிய- விதைகள் உணர்வு கட்டுப்பாட்டை ஆதரிக்கிறது. இது பல வணிக TTS அமைப்புகளை தனிப்பட்ட மதிப்பீடுகளில் மேம்படுத்துகிறது.
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
ஆம்
2x
Dia TTS
Standard
நாரி லாப்ஸ் உருவாக்கிய டயா ஒரு 1.6B அளவுரு உரை- இருந்து- பேச்சு மாதிரியாகும், இது பல பேச்சாளர் உரையாடலை உருவாக்குவதற்காக உருவாக்கப்பட்டது. இது இரண்டு பேச்சாளர்களுக்கு இடையே இயற்கையான ஒலியுடன் உரையாடலை உருவாக்க முடியும், சரியான சுழற்சி, குரல், மற்றும் உணர்ச்சிபூர்வமான வெளிப்பாடு. டயா ப்ளாக்ஸ்டார்- ஸ்டைல் உள்ளடக்கத்தை உருவாக்க, ஒலி புத்தக உரையாடல்கள், மற்றும் உரையாடல் AI க்கு சிறந்தது.
Nari Labs
Apache 2.0
Medium
en
4GB
இல்லை
2x
Parler TTS
Standard
Parler TTS ஒரு உரை- இருந்து- பேச்சு மாதிரி, இயற்கை மொழி குரல் விவரங்களை பயன்படுத்தி உருவாக்கப்பட்ட பேச்சை கட்டுப்படுத்துகிறது. முன் அமைக்கப்பட்ட குரல்களை தேர்ந்தெடுப்பதற்கு பதிலாக, நீங்கள் விரும்பும் குரலை விவரிக்கலாம் (உதாரணமாக, "ஒரு மெதுவாக பேசும், தெளிவாக பேசும், சிறிய பிரிட்டிஷ் உச்சரிப்புடன் கூடிய ஒரு வெப்பமான பெண் குரல்") மற்றும் Parler அந்த விவரத்திற்கு பொருந்தக்கூடிய பேச்சை உருவாக்கும். இது உருவாக்கப்பட்ட பயன்பாடுகளுக்கு தனித்துவமான வசதிகளை அளிக்கிறது.
Hugging Face
Apache 2.0
Medium
en
4GB
இல்லை
2x
GLM-TTS
Standard
ஜிஎல்எம்- டிடிஎஸ் ஜிபு AI யின் உரை- இருந்து- பேச்சு அமைப்பாகும். இது லாமா கட்டமைப்பின் மீது கட்டப்பட்டுள்ளது. இது திறந்த மூல டிடிஎஸ் மாதிரிகளில் குறைந்த எழுத்து பிழை விகிதத்தை அடைகிறது, அதாவது இது மிகவும் சரியான உச்சரிப்பை உருவாக்குகிறது. ஜிஎல்எம்- டிடிஎஸ் ஆங்கிலம் மற்றும் சீன மொழிக்கு ஆதரவு அளிக்கிறது. 3- 10 விநாடி ஒலி மாதிரிகளில் இருந்து குரல் ஒத்திசைவு.
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
ஆம்
2x
IndexTTS-2
Standard
IndexTTS-2 ஒரு மேம்பட்ட உரை- இருந்து- பேச்சு அமைப்பு, இது சிறிய- துண்டு உணர்ச்சி கட்டுப்பாட்டுடன் சுழற்சி இல்லாத குரல் சேர்க்கையில் சிறந்து விளங்குகிறது. இது உணர்ச்சி- குறிப்பிட்ட பயிற்சி தரவு தேவைப்படாமல், மகிழ்ச்சி, துக்கம், கோபம், அல்லது பயம் போன்ற குறிப்பிட்ட உணர்ச்சிகரமான குரல்களை உருவாக்க முடியும். உருவான பேச்சின் உணர்ச்சிகரமான வெளிப்பாட்டை சரியாக கட்டுப்படுத்த இந்த மாதிரி உணர்ச்சி வெக்டர்களை பயன்படுத்துகிறது.
Index Team
Bilibili Model License
Medium
en, zh
4GB
ஆம்
2x
Spark TTS
Standard
ஸ்பார்க் டிடிஎஸ் ஸ்பார்க் ஆடியோவால் உருவாக்கப்பட்ட ஒரு உரையிலிருந்து பேச்சிற்கு மாடலாகும், இது குரல் ஒத்திசைவை கட்டுப்படுத்தக்கூடிய உணர்வு மற்றும் பேசும் பாணியுடன் இணைக்கிறது.5விநாடிகள் மட்டுமே குறிப்பு ஒலியை பயன்படுத்தி, இது ஒரு குரலை ஒத்திசைக்க முடியும், பின்னர் வேறுபட்ட உணர்வுகள், வேகங்கள் மற்றும் பாணிகளுடன் பேச்சை உருவாக்க முடியும், ஒத்திசைக்கப்பட்ட குரல் அடையாளத்தை பராமரிக்கும் போது. ஸ்பார்க் டிடிஎஸ் ஒரு வினவு அடிப்படையிலான கட்டுப்பாட்டு அமைப்பை பயன்படுத்துகிறது.
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
4GB
ஆம்
2x
GPT-SoVITS
Standard
GPT-SoVITS GPT-style மொழி மாதிரியையும் SoVITS (Singing Voice Inference via Translation and Synthesis) ஐ இணைக்கிறது பலவீனமான சில-சொட்டு குரல் ஒத்தமைப்பிற்கு.5விநாடிகள் மட்டுமே உள்ள குறிப்பு ஒலியுடன், இது ஒரு குரலை சரியாக ஒத்தமைக்கவும், பேசுபவரின் தனித்துவமான குணங்களை பாதுகாக்கும் போது புதிய உரையை உருவாக்கவும் முடியும். இது பேசுதல் மற்றும் பாடல் குரல் ஒத்தமைப்பிலும் சிறந்தது.
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
ஆம்
2x
Orpheus
Standard
Orpheus ஒரு பெரிய அளவிலான உரை- இருந்து- பேச்சு மாதிரியாகும், இது மனித நிலை உணர்வுகளை வெளிப்படுத்துகிறது. 100, 000 மணிநேரத்திற்கும் அதிகமான பல்வேறு பேச்சு தரவுகளை பயிற்சி செய்தது, இது இயற்கையான உணர்வுகளுடன் பேசுவதில் சிறந்து விளங்குகிறது, வலியுறுத்தல், மற்றும் பேசும் பாணிகள். Orpheus மனித பதிவுகளிலிருந்து வேறுபடாத பேச்சை உருவாக்க முடியும்.
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
இல்லை
2x
Chatterbox
Premium
Resemble AI இனால் உருவாக்கப்பட்ட சாட்டர்பாக்ஸ் ஒரு முதன்மை சுழற்சி குரல் ஒத்த மாதிரியாகும். இது ஒரே ஒலி மாதிரியில் இருந்து எந்த குரலையும் குறிப்பிடத்தக்க துல்லியத்துடன் ஒத்திருக்கச் செய்யும், ஒலியெழுத்தை மட்டும் அல்ல, பேசும் பாணி மற்றும் உணர்ச்சிகரமான நிறங்களைக் கைப்பற்றுகிறது. சாட்டர்பாக்ஸ் சிறிய- துண்டு உணர்ச்சி கட்டுப்பாட்டு வசதிகளையும் கொண்டுள்ளது, இது உங்களை உருவாக்கப்பட்ட உரையின் உணர்ச்சிகரமான குரலை குரல் அடையாளத்திலிருந்து தனியாக மாற்ற அனுமதிக்கிறது.
Resemble AI
MIT
Medium
en
4GB
ஆம்
4x
Tortoise TTS
Premium
Tortoise TTS ஒரு தானே திரும்பும் பல- குரல் உரை- இருந்து- பேச்சு அமைப்பு, இது வேகத்திற்கு மேலாக ஒலி தரத்திற்கு முன்னுரிமை அளிக்கிறது. இது DALL- E- ஐ அடிப்படையாகக் கொண்ட கட்டமைப்பை பயன்படுத்துகிறது, இது மிகவும் இயற்கையான பேச்சை உருவாக்குகிறது, சிறந்த குரல் மற்றும் பேச்சாளர் ஒற்றுமையை கொண்டுள்ளது. பல மாற்றுகளை விட மெதுவாக இருந்தாலும், Tortoise திறந்த மூல சூழலில் கிடைக்கக்கூடிய மிகவும் உண்மையான செயற்கை பேச்சை உருவாக்குகிறது.
James Betker
Apache 2.0
Slow
en
8GB
ஆம்
4x
StyleTTS 2
Premium
StyleTTS2பெரிய பேச்சு மொழி மாதிரிகளை பயன்படுத்தி, பேச்சு மொழியை மாற்றி மாற்றி பயிற்சி செய்வதன் மூலம் மனித- மட்ட TTS சேர்க்கையை அடைகிறது. இது மனித பதிவுகளை எதிர்த்து, ஒற்றை- பேச்சாளர் மாதிரிகளிடையே மிகவும் இயற்கையாக ஒலிக்கும் பேச்சை உருவாக்குகிறது. StyleTTS2பயனுள்ள பேச்சு மாறுபாடுகளின் முழுமையான வரிசையைப் பெறுவதற்கு பரவுதல்- அடிப்படையிலான பேச்சு முறையைப் பயன்படுத்துகிறது.
Columbia University
MIT
Medium
en
4GB
இல்லை
4x
OpenVoice
Premium
MyShell. ai ன் OpenVoice உடனடி குரல் ஒத்தமைப்பை குரல் வடிவம், உணர்வு, உச்சரிப்பு, ரிதம், இடைவெளி மற்றும் உச்சரிப்பு ஆகியவற்றின் மீது ஒரு சிறிய கட்டுப்பாட்டைக் கொண்டுள்ளது. இது ஒரு குறுகிய ஒலிக் கிளிப்பிலிருந்து ஒரு குரலை ஒத்தமைக்க முடியும் மற்றும் பேசுபவரின் அடையாளத்தைப் பேணி பல மொழிகளில் பேசுவதை உருவாக்க முடியும். OpenVoice ஒரு குரல் மாற்றி போலவும் செயல்படுகிறது, உண்மையான நேர குரல் மாற்றத்தை அனுமதிக்கிறது.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
ஆம்
4x
Qwen3 TTS
Standard
Qwen3- TTS என்பது அலிபாபாவின் Qwen குழுவிலிருந்து 1.7 பில்லியன் அளவுரு உரை- இருந்து- பேச்சு மாதிரியாகும். இது மூன்று வகைகளை ஆதரிக்கிறது: உணர்வு கட்டுப்பாட்டுடனான முன் அமைக்கப்பட்ட குரல்கள் (9 ஒலிப்பேச்சு), ஒலியை3விநாடிகளில் ஒலிக்கச் செய்வது, மற்றும் இயற்கை மொழியில் நீங்கள் விரும்பும் குரலை விவரிக்கும் தனித்துவமான குரல் வடிவமைப்பு வகை. இது உயர்ந்த வெளிப்பாட்டுடன் மற்றும் இயற்கையான குரல்வழியில் 10 மொழிகளைக் கொண்டுள்ளது.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
ஆம்
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) என்பது உரையாடல் உரையாடல் உருவாக்குவதற்காக உருவாக்கப்பட்ட 1 பில்லியன் அளவுரு மாதிரியாகும். இது மனித உரையாடல் இயல்பான மாதிரிகளை மாற்றி- எடுக்கும் நேரத்தை, பின் வழி பதில்களை, உணர்ச்சிகரமான விளைவுகளை, உரையாடல் ஓட்டத்தை உள்ளடக்கியது. CSM செயற்கை உரையாடல்களை விட இயல்பான மனித உரையாடல் போல ஒலியை உருவாக்குகிறது.
Sesame
Apache 2.0
Slow
en
8GB
இல்லை
4x
Chatterbox Turbo
Standard
ரிசெம்பிள் AI யின் சாட்டர்பாக்ஸ் டார்ப் ஒரு 350 மெகாபைட் அளவுரு மேம்படுத்தல், சாட்டர்பாக்ஸ், 6x வரையான உண்மையான நேர வேகத்துடன் 200 மில்லிசெகண்ட் தாமதத்துடன் வழங்குகிறது. இது [சிரிப்பு], [காய்ச்சல்], மற்றும் [சிரிப்பு] போன்ற உரையில் நேரடியாக உள்ள பராலிங்கிஸ்டிக் குறிகளை ஆதரிக்கிறது. அனைத்து உருவாக்கப்பட்ட ஒலியில் பெர்த் நீர்குறிப்புகளை உள்ளடக்கியது.
Resemble AI
MIT
Fast
en
2GB
ஆம்
2x
Zonos
Standard
ஜோனஸ் v0. 1 சைப்ரா ஒரு 1. 6B அளவுரு மாதிரி, மகிழ்ச்சி, கோபம், துக்கம், பயம் மற்றும் ஆச்சரியத்திற்குள்ளான சுழற்சிகளுடன் சிறிய- துண்டு உணர்வு கட்டுப்பாடு. இது ஒரு மாற்றி மற்றும் ஒரு புதிய SSM (நிலை- விண்வெளி மாதிரி) மாறுபாட்டை வழங்குகிறது. 200K+ மணிநேர பன்மொழி பேச்சில் பயிற்சி பெறப்பட்டது, 10- 30 விநாடிகள் தொடர்பு ஒலியிலிருந்து சுழற்சி- சுழற்சி குரல் ஒத்தமைப்பு.
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
6GB
ஆம்
2x
Dia 2
Standard
Dia2 by Nari Labs isastream-first upgrade to Dia, available in 1B and 2B parameter variants. It starts 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
4GB
இல்லை
2x
VoxCPM
Standard
OpenBMB இன் VoxCPM 1.5 ஒரு புதிய டாக்கனாய்சர்-இல்லாத TTS மாதிரியாகும், இது தனித்த டாக்கன்களுக்கு பதிலாக தொடர்ச்சியான இடத்தில் செயல்படுகிறது. இது உயர்-நம்பிக்கையுடன் 44.1kHz ஒலியை உருவாக்குகிறது, 3-10 விநாடிகளில் சுழற்சி இல்லாத குரல் ஒத்தமைவை ஆதரிக்கிறது, மற்றும் பத்தியின் வழியாக ஒரே மாதிரியாக வைத்திருக்கிறது. மொழிகள் இடையே ஒத்தமைவு ஒரு ஆங்கில குரலை சீன உரையாடலுக்கு பயன்படுத்தவும், அதற்கு மாறாகவும் அனுமதிக்கிறது.
OpenBMB
Apache 2.0
Fast
en, zh
4GB
ஆம்
2x
OuteTTS
Free
OuteTTS உரை-இன்-பேச்சு திறன்களுடன் பெரிய மொழி மாதிரிகளை விரிவாக்குகிறது, ஆனால் மூல கட்டமைப்பை பாதுகாக்கிறது. இது llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM மற்றும் Transformers.js மூலம் உலாவி இறுதியை உள்ளடக்கிய பல பின்னணிகளை ஆதரிக்கிறது. JSON ஆக சேமிக்கப்பட்ட ஒலிப்பேச்சு பண்புகளைக் கொண்டு சுழல்-சூடு குரல் ஒத்தமைப்பு.
OuteAI
Apache 2.0
Fast
en
2GB
ஆம்
இலவசம்
TADA
Standard
TADA (Text- Acoustic Dual Alignment) by Hume AI ஒரு புதிய இரும அடுக்கை உருவாக்கி லாமா 3.2இல் உருவாக்கப்பட்ட ஒரு புதிய இரும அடுக்கை கட்டமைப்பின் மூலம் மலர்ச்சிகளை நீக்கும் ஒரு புதிய TTS மாதிரியாகும். 1B (ஆங்கிலம்) மற்றும் 3B (பல மொழிகள்) வகைகளில் கிடைக்கும், TADA ஒரு RTF ஐ அடைகிறது 0. 09 - 5x வேகமானது ஒப்பிடக்கூடிய LLM- அடிப்படையிலான TTS மாதிரிகளை விட. இது 700 விநாடிகள் வரை ஒலி சூழலை ஆதரிக்கிறது மற்றும் நிலையான அடிப்படைகளில் உணர்ச்சிகரமாக வெளிப்படுத்தும் உரையாடலை சுழல் மலர்ச்சியுடன் உருவாக்குகிறது.
Hume AI
MIT
Fast
en
5GB
இல்லை
2x
VibeVoice
Standard
மைக்ரோசாப்ட் வின் வைப் வாசிப்பு இரண்டு வகைகளில் வருகிறது: நீண்ட-வடிவ உள்ளடக்கத்திற்கு 1.5B மாதிரி (90 நிமிடங்கள் வரை,4ஒலிப்பேச்சு) மற்றும் ~200ms முதல் ஒலி தாமதத்துடன் ஒலிப்பேச்சு ஒலிப்பதற்கு ஒரு ரியல்டைம் 0.5B மாதிரி. 1.5B வகை தொலைக்காட்சி நிகழ்ச்சிகள் மற்றும் ஒலிப்பேச்சு நூல்களில் சிறந்து விளங்குகிறது. குறிப்பு: மைக்ரோசாப்ட் TTS குறியீட்டை சேமிப்பகத்திலிருந்து நீக்கியது மற்றும் உருவாக்கப்பட்ட ஒலியில் கேட்கக்கூடிய AI நியாயப்படுத்தல்களும் உள்ளன.
Microsoft
MIT
Fast
en, zh
4GB
இல்லை
2x
Pocket TTS
Free
கியூடை (மோஷி உருவாக்கியவர்கள்) உருவாக்கிய போக்ஸ்ட் டிடிஎஸ் ஒரு சிறிய 100 மெகாபைட் அளவுரு உரை- இருந்து- பேச்சு மாதிரியாகும். இது அதன் எடையை விட அதிகமாக செயல்படுகிறது. இது சிபியுவில் சிறப்பாக இயங்குகிறது, ஒற்றை ஒலி மாதிரியில் இருந்து சுழல்- ஷாட் குரல் ஒத்தமைப்பை ஆதரிக்கிறது, மற்றும் இயற்கையான ஒலியை உருவாக்குகிறது. சிறிய மாதிரி அளவு, முனை விரிவாக்கத்திற்கும் குறைந்த வள சூழலுக்கும் சிறந்தது.
Kyutai
MIT
Fast
en, fr
1GB
ஆம்
இலவசம்
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
இல்லை
இலவசம்
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
ஆம்
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
ஆம்
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
ஆம்
4x
Kokoro
இலவசம்
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
இலவசம்
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
இலவசம்
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
இலவசம்
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
இலவசம்
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
இலவசம்
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
இலவசம்
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
இயல்பான
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
இல்லை
Bark Small
இயல்பான
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
இல்லை
CosyVoice 2
இயல்பான
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
ஆம்
Dia TTS
இயல்பான
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
இல்லை
Parler TTS
இயல்பான
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
இல்லை
GLM-TTS
இயல்பான
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
ஆம்
IndexTTS-2
இயல்பான
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
ஆம்
Spark TTS
இயல்பான
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
ஆம்
GPT-SoVITS
இயல்பான
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
ஆம்
Orpheus
இயல்பான
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
இல்லை
Qwen3 TTS
இயல்பான
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
ஆம்
Chatterbox Turbo
இயல்பான
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
ஆம்
Zonos
இயல்பான
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
ஆம்
Dia 2
இயல்பான
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
இல்லை
VoxCPM
இயல்பான
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
ஆம்
TADA
இயல்பான
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
இல்லை
VibeVoice
இயல்பான
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
இல்லை
CosyVoice3
இயல்பான
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
ஆம்
Chatterbox
பிரீமியம்
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
ஆம்
4GB
4x
Tortoise TTS
பிரீமியம்
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
ஆம்
8GB
4x
StyleTTS 2
பிரீமியம்
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
இல்லை
4GB
4x
OpenVoice
பிரீமியம்
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
ஆம்
4GB
4x
Sesame CSM
பிரீமியம்
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
இல்லை
8GB
4x
MOSS-TTS
பிரீமியம்
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
ஆம்
16GB
4x
MegaTTS3
பிரீமியம்
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
ஆம்
8GB
4x
மாதிரி ஒப்பீட்டு அட்டவணை
| மாதிரி | உருவாக்குநர்: | மிருகம் | தரம்: | வேகம் | மொழிகள் | குரல் படிமம்Name | விராம் | உரிமம்: | கிரெடிட்ஸ் | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | இலவசம் | பயன்படுத்து | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | இலவசம் | பயன்படுத்து | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | இலவசம் | பயன்படுத்து | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | இலவசம் | பயன்படுத்து | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | பயன்படுத்து | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | பயன்படுத்து | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | பயன்படுத்து | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | பயன்படுத்து | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | பயன்படுத்து | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | பயன்படுத்து | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | பயன்படுத்து | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | பயன்படுத்து | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | பயன்படுத்து | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | பயன்படுத்து | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | பயன்படுத்து | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | பயன்படுத்து | ||
| Chatterbox Turbo | Resemble AI | Standard | Fast | 1 | 2GB | MIT | 2 | பயன்படுத்து | ||
| Zonos | Zyphra | Standard | Medium | 5 | 6GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| Dia 2 | Nari Labs | Standard | Fast | 1 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| VoxCPM | OpenBMB | Standard | Fast | 2 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| OuteTTS | OuteAI | Free | Fast | 1 | 2GB | Apache 2.0 | இலவசம் | பயன்படுத்து | ||
| TADA | Hume AI | Standard | Fast | 1 | 5GB | MIT | 2 | பயன்படுத்து | ||
| VibeVoice | Microsoft | Standard | Fast | 2 | 4GB | MIT | 2 | பயன்படுத்து | ||
| Pocket TTS | Kyutai | Free | Fast | 2 | 1GB | MIT | இலவசம் | பயன்படுத்து | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | இலவசம் | பயன்படுத்து | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | Fast | 9 | 4GB | Apache 2.0 | 2 | பயன்படுத்து | ||
| MOSS-TTS | OpenMOSS | Premium | Medium | 19 | 16GB | Apache 2.0 | 4 | பயன்படுத்து | ||
| MegaTTS3 | ByteDance | Premium | Slow | 2 | 8GB | Apache 2.0 | 4 | பயன்படுத்து |
மிகவும் விரிவான AI உரையிலிருந்து பேச்சிற்கு மேடைName
TTS.ai ஐ உரை-சொல் வசதிக்காக ஏன் தேர்வு செய்வது?
TTS.ai உலகின் சிறந்த திறந்த மூல உரையிலிருந்து பேச்சிற்கு மாதிரிகளை ஒரே, எளிதாக பயன்படுத்தக்கூடிய தளத்தில் ஒன்றாகக் கொண்டுவருகிறது. தனிப்பட்ட குரல் இயந்திரத்தில் உங்களை அடைத்து வைக்கும் சொந்த சேவைகளை விட TTS.ai உங்களுக்கு Coqui, MyShell, Amphion, NVIDIA, Suno, HuggingFace, Tsinghua University மற்றும் மேலும் பலவற்றுடன் முன்னணி ஆராய்ச்சி ஆய்வகங்களில் இருந்து 20+ மாதிரிகளை அணுக அனுமதிக்கிறது.
ஒவ்வொரு மாதிரியும் MIT, Apache 2.0, அல்லது அதே போன்ற அனுமதி உரிமங்களின் கீழ் திறந்த மூலமாக உள்ளது, உங்கள் திட்டங்களில் உருவாக்கப்பட்ட ஒலியைப் பயன்படுத்த உங்களுக்கு முழு வணிக உரிமைகள் உறுதிப்படுத்தப்படுகின்றன. உங்களுக்கு வேகமான, இலகுவான ஒலி சேர்க்கை தேவைப்பட்டாலும் அல்லது ஒலி புத்தகங்கள் மற்றும் போட்காஸ்டுகள்க்கான பிரீமியம் ஸ்டுடியோ தரமான வெளியீடு தேவைப்பட்டாலும், TTS.ai ஒவ்வொரு பயன்பாட்டு வழக்கத்திற்கும் சரியான மாதிரியைக் கொண்டுள்ளது.
இலவச மாதிரிகள், கணக்கு தேவையில்லை
மூன்று இலவச TTS மாதிரிகளுடன் உடனடியாகத் தொடங்கவும்: Piper (அதிக வேகம், எளிமை), VITS (உயர் தர நரம்பியல் சேர்க்கை), மற்றும் MeloTTS (பல மொழி ஆதரவு). பதிவு தேவையில்லை, கடன் அட்டை தேவையில்லை, தலைமுறைகளுக்கு வரம்புகள் தேவையில்லை. இலவச மாதிரிகள் ஆங்கிலம் மற்றும் பல மொழிகளுக்கு ஆதரவு அளிக்கின்றன, இயல்பான ஒலி வெளியீடு பெரும்பாலான பயன்பாடுகளுக்கு ஏற்றது.
ஜிபியு- விரைவுபடுத்தப்பட்ட செயலாக்கம்
அனைத்து TTS மாதிரிகளும் விரைவான, நிலையான உருவாக்க நேரங்களுக்கு ஏற்ற NVIDIA GPU களில் இயங்குகின்றன. இலவச மாதிரிகள் பொதுவாக2விநாடிகளுக்குள் ஒலியை உருவாக்குகின்றன. Kokoro, CosyVoice2மற்றும் Bark போன்ற நிலையான மாதிரிகள் சராசரியாக 3-5 விநாடிகள். Tortoise மற்றும் Chatterbox போன்ற உயர்ந்த தரமான பிரீமியம் மாதிரிகள், உரை நீளத்தைப் பொறுத்து 5-15 விநாடிகளில் செயல்படுகின்றன.
30+ மொழிகள் ஆதரவு
ஆங்கிலம், ஸ்பானிஷ், பிரெஞ்சு, ஜெர்மன், இத்தாலியன், போர்ச்சுகீசியன், சீனம், ஜப்பானியம், கொரியன், அரபி, இந்தி, ரஷ்ய மற்றும் பல மொழிகளில் பேசுவதற்கு வாய்ப்புகள் உள்ளன. பல மாதிரிகள் மொழிகள் வேறுபட்ட ஒழுங்கமைப்பை ஆதரிக்கின்றன, அதாவது நீங்கள் ஒரு மொழியில் பேசலாம், இது ஒருபோதும் பயிற்சி பெறாத மொழி. காசிவாயஸ்2மற்றும் ஜிபிடி- சோவிட்ஸ் மொழிகள் வேறுபட்ட குரல் ஒத்திசைவில் சிறந்தவை.
உருவாக்குநர்- தயாரான API
TTS.aiஐ உங்கள் பயன்பாடுகளில் ஒருங்கிணைக்க OpenAI- உடன் பொருந்தக்கூடிய REST API. அனைத்து 20+ மாதிரிகளுக்கும் ஒரு முடிவு. பைத்தான், ஜாவாஸ்கிரிப்ட், cURL மற்றும் Go SDKs. உண்மையான நேர பயன்பாடுகளுக்கு ஒளிபரப்பு ஆதரவு. பெரிய அளவிலான உள்ளடக்க உருவாக்கத்திற்கான தொகுப்பு செயல்பாடு. அசைவற்ற அறிவிப்புகளுக்கான வெப்ஹூக்ஸ். புரொ மற்றும் எண்டர்பிரைஸ் திட்டங்களில் கிடைக்கும்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
நாம் என்ன மேம்படுத்த முடியும்? உங்கள் கருத்துகள் பிரச்சினைகளை சரிசெய்ய உதவுகிறது.
உரையிலிருந்து பேச்சாக மாற்றுவதை இப்போது தொடங்கு
TTS.ai பயன்படுத்தி ஆயிரக்கணக்கான உருவாக்குபவர்களுடன் இணையுங்கள். புதிய கணக்குடன் 15,000 இலவச எழுத்துக்களை பெறுங்கள். பதிவு இல்லாமல் இலவச மாதிரிகள் கிடைக்கும்.