Modelo de código abierto ñe'ẽjoaju rehegua

Opaite modelo TTS oĩva ñane plataforma-pe ha'e código abierto, ha hetave oiporu MIT térã Apache 2.0. Oĩ modelo ha ñe'ẽnguéra ojeguerekóva licencia jeporurã ndaha'éiva ñemurã añónte ha ojehero 'jeporu ha'eño ha ndaha'éiva ñemurã añónte'. Oiporu API alojado rupive, térã ho'a ijehegui infraestructura imba'évape control tuichakue rehe.

Código abierto Licencia MIT Apache Auto-hospedado GitHub

Ojehecha jey jey ko'agãite

Iñambuéva Kokoro, Piper, VITS, MeloTTS-gui
Audio-kuéra oguenohẽva ojekuaauka ko'ápe
Oñemohenda
0:00
Oñehu'ã
Ehayhuetéva TTS.ai? He'i umi iñangirũpe!

Oñeme'ẽkuaa TTS código abierto-pegua

Mba'érepa umi modelo de código abierto tekotevẽterei nde apopyrãpe g̃uarã

Opaite código fuente ojeguerekóva licencia

Opaite modelo TTS.ai-pe hína código abierto, ha peteĩteĩ modelo página ohechauka licencia oguerekóva. Ndaipóri caja imboriahu propiedad-pe ha ndaipóri proveedor-kuéra bloqueo.

Código abierto licencia

Hetave umi modelo ojeguerekóva licencia MIT térã Apache 2.0 rupive. Sa'i oĩ oipuru ambue licencia, ha umi modelo térã ñe'ẽ ojeguerekóva licencia jeporurã ndaha'éiva ñemurã ojehero "jeporu ha'eño ha ndaha'éiva ñemurã añónte".

Auto-hospedado

Oñeguenohẽ oimeraẽ modelo ha oipuru hardware-pe. Oñemoakãporãve umi dato, latencia ha infraestructura. Ndaipóri dependencia nube-pe.

Optimizado GPU rupive

Umi modelo oñemoporãve GPU NVIDIA-pe g̃uarã CUDA apo rupive. Piper oiko CPU-pe añónte. Hetave umi modelo oikotevẽ 2-8 GB VRAM inferencia eficiente-rã.

Manteneva'ekue comunidad

Umi comunidad activa de código abierto omoakã ha ombohetave ko'ã modelo. Ojehechaporã umi contribución: ome'ẽ umi error, ñeikumby pyahu ha ñe'ẽ pyahu GitHub-pe.

Licencia comercial oĩ

Peteĩ plan ojejapyhyva $5/ha'e rupi peteĩ arapokõindy ryepýpe oguereko licencia comercial umi mba'e oguenohẽvape g̃uarã, ndoguerekói rupi royalty térã jeporu rehegua pago; pe nivel libre ojeiporu hag̃ua peteĩteĩ rehe. Umi modelo ha ñe'ẽ ojekuaáva "jeporu peteĩteĩ ha ndojeporuiha ñemurãpe g̃uarã añónte" ojeipe'a.

Catálogo de modelo de código abierto

Peteĩteĩ modelo, licencia oguerekóva ha mba'épa ojapoporãve.

KokoroKokoro

Free

Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.

Fijo 5/5

Oñeikotevẽ: Apache 2.0 - modelo libre calidad porãvéva, 82M parámetro, ndahasýi auto-hospedaje

Oñeha'ã Kokoro

PiperPiper

Free

A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.

Fijo 3/5

Oñeikotevẽ: MIT — CPU añónte, iporãve umi dispositivo periférico ha auto-hosting incrustado-pe g̃uarã.

Oñeha'ã Piper

VITSVITS

Free

Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.

Fijo 3/5

Oñeikotevẽ: MIT: arquitectura básica ojeporúva heta modelo uperireguápe.

Oñeha'ã VITS

BarkBark

Standard

Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.

Oñepy'ỹijo 4/5

Oñeikotevẽ: MIT - capacidad ojehecharamovéva ñehendurã generación-pe TTS estándar ykére.

Oñeha'ã Bark

Tortoise TTSTortoise TTS

Premium

Multi-voice text-to-speech focused on quality with autoregressive architecture.

Oñepy'ỹijo 5/5 Clonación ñe'ẽnguéra rehe

Oñeikotevẽ: Apache 2.0 - calidad máxima, implementación referencia-rã ojeikuaave tuichaháicha

Oñeha'ã Tortoise TTS

OpenVoiceOpenVoice

Premium

Instant voice cloning with granular control over style, emotion, and accent.

Medio 4/5 Clonación ñe'ẽnguéra rehe

Oñeikotevẽ: MIT - Clonación ñe'ẽ rehegua fuente abierto control de estilo granular reheve.

Oñeha'ã OpenVoice

Mba'éichapa ojeporu código abierto TTS

Oiporu API hospedada térã ejecuta modelo-kuéra ndejehegui

1

Ojejuhu modelo de código abierto

Ojehecha ñane catálogo oguerekóva hetave 20 modelo TTS código abierto rehegua. Peteĩteĩ modelo página ohechauka licencia, arquitectura, capacidad ha auto-hosting ñeikotevẽ.

2

Oñeha'ã navegador-pe

Ojehecha oimeraẽ modelo TTS.ai-pe, ndoikói'ỹre mba'eve. Jaikuaauka umi servidor GPU omboguataha proceso ikatu hag̃uaicha ohesa'ỹijo calidad oñemoneĩ mboyve autohosting.

3

Hoste-ijehe térã oiporu API ñanepegua

Clona modelo repositorio GitHub-gui ha ejecuta localmente, térã oiporu API hospedada producción-rã. Auto-hospedaje ome'ẽ control tuichakue; API ome'ẽ infraestructura administrada.

4

Oñemopu'ã peteĩ aplicación

Oike TTS nde producto-pe oipurukuévo modelo-kuéra ho'a'ỹva térã API REST. Ojehecha ypy peteĩteĩ modelo licencia: oĩ modelo ha ñe'ẽnguéra ojeporu hag̃ua ndaha'éi ñemurãrã añónte.

Licencia comparación

Licencia peteĩteĩ modelo rehegua TTS.ai-pe

Modelo Licencia Ojeporu ñemuhápe Modificar Host-i-peteĩ Atribución
Kokoro Apache 2.0 Oñeikotevẽ
Piper MIT motor; ñe'ẽnguéra licencia ojoavy Oĩ ñe'ẽnguéra añónte Opcional
VITS MIT Opcional
MeloTTS MIT Opcional
Chatterbox MIT Opcional
Tortoise TTS Apache 2.0 Oñeikotevẽ
StyleTTS 2 MIT Opcional
OpenVoice MIT Opcional
Sesame CSM Apache 2.0 Oñeikotevẽ
Orpheus Llama 3.2 "Built with Llama"
Spark TTS CC BY-NC-SA 4.0 Ojeporu tapichakuéra apytépe ha ndojeporu mba'e ñemurekorã añónte Oñeikotevẽ
OuteTTS CC BY-NC-SA 4.0 Ojeporu tapichakuéra apytépe ha ndojeporu mba'e ñemurekorã añónte Oñeikotevẽ

Auto-hosting vs API hosted

Ejecuta modelo-kuéra nde-rehe térã jajeporavo infraestructura

Host-e ijeheguiete hardware-pe

Opaite modelo TTS.ai rehegua oĩ disponible peteĩ proyecto de código abierto ramo GitHub térã Hugging Face-pe. Oñeguenohẽ peso, omoĩnge dependencia ha ejecuta inferencia GPU-pe. Oguereko control tuichakue latencia, privacidad ha escalamiento ári.

  • Datos-kuéra privacidad tuichakue — audio ndovy'ái server-gui
  • Ndojeporúi mba'e repy peteĩteĩ ñeporandu rire configuración ñepyrũmby
  • Ajuste fino personalizado umi dato-kuéra rehe
  • Oikotevẽ hardware GPU (NVIDIA ojeporuporãve)
  • Oñeha'ãmbaite umi actualización, escalado ha dependencia

Oiporu API hospedada TTS.ai

Oñemoinge pya'e opaite modelo-kuéra 20+ peteĩ API REST añónte rupive. Oñemongu'e GPU provisionamiento, modelo ñemomarandu, cola jeporavo ha escalado. Peteĩ clave API ome'ẽ acceso opaite modelo-pe g̃uarã, ndaha'éi oñeikotevẽva omoakã umi despliegue ojeíva ojuehegui.

  • Nahániri hardware GPU oñeikotevẽva
  • Opaite 20+ modelo peteĩ API rupive
  • Modelo ñembopyahu ha jejapo porãve
  • 99,9% tiempo de actividad infraestructura redundante rupive
  • Oñeme'ẽ jey umi oiporukuaáva añónte

Arranque rápido: API térã host propio

Oiporu API alojado térã oñemoĩ Kokoro localmente peteĩ minuto aja

Opción 1: API hospedada TTS.ai Iporãvéva
import requests

response = requests.post("https://api.tts.ai/v1/tts", json={
    "text": "Open source TTS with a simple API.",
    "model": "kokoro",
    "voice": "af_heart",
    "format": "wav"
}, headers={"Authorization": "Bearer YOUR_API_KEY"})

with open("output.wav", "wb") as f:
    f.write(response.content)
Opción 2: Auto-Host pip ndive Control tuichakue
# Install Kokoro locally
pip install kokoro

# Generate speech on your own GPU
import kokoro

pipeline = kokoro.KPipeline(lang_code="a")
generator = pipeline("Hello from your own server!", voice="af_heart")
for i, (gs, ps, audio) in enumerate(generator):
    kokoro.save(audio, f"output_{i}.wav")

Código abierto, mba'e repy ndahasýi

API alojado-kuéra ojapo TTS fuente abierto jeikekuaa'ỹre GPU-kuéra jeporavo'ỹ rehe.

Nivel libre

$0

15.000 caractere registro-pe

  • 4 modelo código abierto-pegua ndahasýi
  • Ndojehechaporãi jeporu mbykymirã
  • Jeporu tee, ndojeporuiete ñemuhápe

Arranque

$9

500.000 caractere/mbyte

  • Opaite modelo 20+ código abierto rehegua
  • Clonación ñe'ẽnguéra rehe
  • API jeike

Pro

$29

2.000.000 caractere/ha'e

  • Procesamiento GPU ñemboguatapy
  • Opaite modelo premium
  • Apopyrã empresa-pegua
Ojehecha mba'e repy tuichakue

Pregunta ojejapóva py'ỹinte

Ñeporandu ñe'ẽnguéra rehe ñeñangarekorã

Aye, opaite modelo TTS.ai-pegua hína código abierto, ha hetave oipuru MIT térã Apache 2.0. Oĩ ambue oipurukuaáva ambue licencia, oikehápe ambue oguerekóva licencia jeporurã ndaha'éiva ñemurã añónte, ojekuaáva "jeporu ha'eño ha ndaha'éiva ñemurã añónte" ñe'ẽjoaju jeporavohárape. Opaite modelo página omoĩ licencia oguerekóva.

Mokõive hína licencia de código abierto permisiva, ombohapéva jeporu ñemuhápe, ñemoambue ha ñemboja'o jey. Apache 2.0 omoĩve peteĩ patente ñemoneĩ ha oikotevẽ oñemoambue código. MIT ndahasyivéva ha sa'ive requisito oikotevẽva. Mokõive ndahasyiete ñemurãpe g̃uarã.

Aye. Opaite modelo ikatu ojehóvo ijehegui. Clona modelo repositorio GitHub-gui, oñemoĩnge dependencia-kuéra, ojejapyhy modelo peso ha ojejapóva inferencia. Oñemohenda marandu peteĩteĩ modelo autohospedaje rehegua, oikehápe GPU, RAM ha Python versión.

Umi requisito iñambue modelo rupive. Piper ndoikotevẽi GPU (CPU añónte). Kokoro ha MeloTTS oikotevẽ 1-2 GB VRAM. Hetave umi modelo estándar oikotevẽ 4 GB VRAM. Tortoise ha Sesame CSM oikotevẽ 8 GB. Peteĩ NVIDIA RTX 3060 (12 GB) ikatu oipuru opavave nunga umi modelo.

Añetehápe, umi código abierto licencia ombohape oñemoambue hag̃ua, oikehápe ajuste fino. Umi modelo taha'e GPT-SoVITS ha Bark ome'ẽ umi script ajuste fino rehegua. Ikatu omohenda modelo-kuéra umi ñe'ẽ dato-kuéra rehe, omoheñói hag̃ua ñe'ẽ ojehecharamovéva térã omombareteve hag̃ua ñe'ẽnguéra peteĩteĩ rendimiento.

Umi modelo de código abierto ojehecharamovéva (Kokoro, StyleTTS 2, Chatterbox) ko'ágã ojogua térã ohupyty servicio comercial-kuéra, taha'e ElevenLabs ha Google TTS, calidad rehegua referencia-pe.

Oĩ ambue oñemomombyrýva: XTTS/XTTS-v2 (Coqui CPML, ndojeporuvéima ñemuhápe), F5-TTS (CC-BY-NC, ndojeporuvéima ñemuhápe) ha Higgs-v2 (Licencia de Bosón, restrictiva). Oĩ ambue modelo ha ñe'ẽnguéra, taha'e Spark TTS, OuteTTS ha hetave ñe'ẽnguéra Piper-pegua, ojeiporu haguã ñemuhápe añónte; ojehero "Personal ha ndojeporuvéima ñemuhápe añónte" ñe'ẽnguéra jeporavohárape, upévare ojeiporu haguã peteĩ ñe'ẽ ambue umi tembiapo ñemuhápe g̃uarã.

Aye. Hetave umi modelo omoneĩ comunidad rembiapo GitHub rupive. Ikatu omoĩ marandu oguerekóva error, ñe'ẽnguéra pyahu rehegua grabación, código ñembopyahu ha marandu. Ojehecha peteĩteĩ modelo GitHub repositorio-pe ojejuhu hag̃ua mbojojahakuéra contribución rehegua ha apañuãi oĩva.

Oñemu modelo ojeipotáva ha ojeipe'a ojejesareko jave GPU memoria rehe. Jaikuaaháicha, ñane servidor GPU ejecuta hetave modelo 20-gui 4x Tesla P40 (96GB VRAM tuichakue) oipurukuévo carga dinámica. Ojeho'a hag̃ua, peteĩ GPU 24GB añónte ikatu ome'ẽ 3-5 modelo ojoapykuéri.

Heta modelo ome'ẽ Docker imagen térã Dockfiles. Ojeporu hag̃ua heta modelo, ikatu omoheñói peteĩ Docker configuración ojehechapyréva NVIDIA Container Toolkit rupive GPU jeikerã. Ko'ã servidor API arquitectura ikatu ojeporu implementación referencia-ramo.

Hetave umi modelo oikotevẽ Python 3.10-3.12. Coqui TTS (VITS) oikotevẽ Python 3.11. Oñe'ẽ Python 3.12-pe hetave umi modelo-pe g̃uarã. Oñeha'ã peteĩteĩ modelo requisites.txt ojehecha hag̃ua versión oguerekóva compatibilidad.

Ojeporúramo peteĩteĩ, katuínte oĩ: MIT ha Apache 2.0 licencia-kuéra oheja jeporu ñemuhápe, ha heta modelo ko'ápe oiporu, ikatu hag̃uaicha omoheñói SaaS producto, aplicación móvil, ñembosarái ha servicio licencia térã royalty-kuéra ndoguerekóiva. Ojehecha ypy licencia peteĩteĩ modelo página-pe, oĩ rupi modelo ha ñe'ẽ'ỹme'ẽ ndoguerekóiva ñemuhápe. Ñembohasa ojehupytýva TTS.ai-pe oguata hína nde plan he'iháicha: jeporu tee nivel libre-pe, jeporu ñemuhápe oimeraẽ plan ojejapyhyhápe.
5.0/5 (1)

Mba'épa ikatu ñambohape? Tuichave ñemoneĩ oipytyvõta ñamoambue hag̃ua umi apañuãi.

Ojehecha TTS código abierto ko'agãite

20+ modelo fuente abierto rehegua, peteĩteĩ oguereko licencia ojehechaukáva. Oiporu API térã auto-host, ha nde'iporavo hína.