Report Bug / Feature Request

TTS Arena — AI የድምፅ ሞዴል መሪ

20+ ጽሑፍ-ወደ-ንግግር ሞዴሎችን ይወዳደሩ. የመንግስት መሳሪያዎች፣ የሕዝብ ደረጃዎች፣ እና በጎን በጎን መወዳደር።

አሁንም በቋንቋህ ላይ የቲቲኤስ ድምፆች የለንም። የራስህን ጨምርልን! ድምፅዎን ይሸጡ

የጎን-በ-ጎን ማወዳደር

ጽሑፉን ይጻፉ፣ ሁለት ሞዴሎችን ይምረጡ፣ እና ውጤቶቹን ያወዳድሩ። ነፃ-ደረጃ ሞዴሎች ምንም መለያ አይጠይቁም

ነጻ ሞዴሎች ያለ መለያ ሥራ. ምዝገባ የፕሪሚየም ሞዴሎችን ለመወዳደር

ሞዴል

# ሞዴል ፋይል ማህበረሰብ ደረጃዎ ፍጥነት ዐምድ
1
Kokoro
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M 1200h 2024
4.8 /5 5.0 /5
1 ድምፅ
fast Free
2
CosyVoice 2
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M 200000h 2024
4.26 /5 ድምፅ አልተሰጠም
medium Standard
3
Chatterbox
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M 2025
4.25 /5 ድምፅ አልተሰጠም
medium Premium
4
StyleTTS 2
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M 585h 2024
4.23 /5 ድምፅ አልተሰጠም
medium Premium
5
Piper
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M 2023
4.15 /5 ድምፅ አልተሰጠም
fast Free
6
MeloTTS
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M 2024
4.13 /5 ድምፅ አልተሰጠም
fast Free
7
Dia TTS
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B 2024
4.09 /5 ድምፅ አልተሰጠም
medium Standard
8
VITS
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M 585h 2021
4.0 /5 ድምፅ አልተሰጠም
fast Free
9
Orpheus
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B 100000h 2025
4.0 /5 ድምፅ አልተሰጠም
medium Standard
10
OpenVoice
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M 2024
4.0 /5 ድምፅ አልተሰጠም
medium Premium
11
IndexTTS-2
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M 2025
3.91 /5 ድምፅ አልተሰጠም
medium Standard
12
Spark TTS
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M 2025
3.9 /5 ድምፅ አልተሰጠም
medium Standard
13
Parler TTS
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M 45000h 2024
3.83 /5 ድምፅ አልተሰጠም
medium Standard
14
Tortoise TTS
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M 50000h 2022
3.7 /5 ድምፅ አልተሰጠም
slow Premium
15
Bark
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M 100000h 2023
3.57 /5 ድምፅ አልተሰጠም
slow Standard
16
Bark Small
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M 100000h 2023
ድምፅ አልተሰጠም
medium Standard
17
GLM-TTS
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M 2025
ድምፅ አልተሰጠም
medium Standard
18
GPT-SoVITS
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M 2024
ድምፅ አልተሰጠም
slow Standard
19
Qwen3 TTS
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B 2025
ድምፅ አልተሰጠም
medium Standard
20
Sesame CSM
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B 2025
ድምፅ አልተሰጠም
slow Premium
21
Chatterbox Turbo
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M 2025
ድምፅ አልተሰጠም
fast Standard
22
Dia 2
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B 2025
ድምፅ አልተሰጠም
fast Standard
23
VoxCPM
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M 1800000h 2025
ድምፅ አልተሰጠም
fast Standard
24
OuteTTS
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B 5000h 2025
ድምፅ አልተሰጠም
fast Free
25
TADA
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B 2026
ድምፅ አልተሰጠም
fast Standard
26
VibeVoice
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B 100000h 2025
ድምፅ አልተሰጠም
fast Standard
27
Pocket TTS
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M 50000h 2025
ድምፅ አልተሰጠም
fast Free
28
Kitten TTS
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M 2025
ድምፅ አልተሰጠም
fast Free
29
CosyVoice3
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M 200000h 2025
ድምፅ አልተሰጠም
fast Standard
30
MOSS-TTS
MOSS-TTS
Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.
8B 500000h 2026
ድምፅ አልተሰጠም
medium Premium
31
MegaTTS3
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B 100000h 2025
ድምፅ አልተሰጠም
slow Premium

ዝርዝር የቤንችማርክ ውጤቶች

የTTS.ai በይፋዊ የትኩረት ነጥቦች በሦስት ርዕሰ ጉዳዮች ላይ ይገኛሉ: ተፈጥሮአዊነት፣ ትክክለኛነት፣ እና ፍጥነት.

KokoroKokoro

Free
ተፈጥሯዊ 4.8/5
ትክክለኛነት 4.7/5
ፍጥነት 4.9/5
አጠቃላይ 4.8/5

CosyVoice 2CosyVoice 2

Standard
ተፈጥሯዊ 4.5/5
ትክክለኛነት 4.4/5
ፍጥነት 3.8/5
አጠቃላይ 4.26/5

ChatterboxChatterbox

Premium
ተፈጥሯዊ 4.7/5
ትክክለኛነት 4.5/5
ፍጥነት 3.4/5
አጠቃላይ 4.25/5

StyleTTS 2StyleTTS 2

Premium
ተፈጥሯዊ 4.5/5
ትክክለኛነት 4.3/5
ፍጥነት 3.8/5
አጠቃላይ 4.23/5

PiperPiper

Free
ተፈጥሯዊ 3.5/5
ትክክለኛነት 4.2/5
ፍጥነት 4.95/5
አጠቃላይ 4.15/5

MeloTTSMeloTTS

Free
ተፈጥሯዊ 3.8/5
ትክክለኛነት 4.1/5
ፍጥነት 4.6/5
አጠቃላይ 4.13/5

Dia TTSDia TTS

Standard
ተፈጥሯዊ 4.6/5
ትክክለኛነት 4.3/5
ፍጥነት 3.2/5
አጠቃላይ 4.09/5

VITSVITS

Free
ተፈጥሯዊ 3.4/5
ትክክለኛነት 4.0/5
ፍጥነት 4.8/5
አጠቃላይ 4.0/5

OrpheusOrpheus

Standard
ተፈጥሯዊ 4.3/5
ትክክለኛነት 4.1/5
ፍጥነት 3.5/5
አጠቃላይ 4.0/5

OpenVoiceOpenVoice

Premium
ተፈጥሯዊ 4.0/5
ትክክለኛነት 4.1/5
ፍጥነት 3.9/5
አጠቃላይ 4.0/5

IndexTTS-2IndexTTS-2

Standard
ተፈጥሯዊ 4.3/5
ትክክለኛነት 4.1/5
ፍጥነት 3.2/5
አጠቃላይ 3.91/5

Spark TTSSpark TTS

Standard
ተፈጥሯዊ 4.2/5
ትክክለኛነት 4.0/5
ፍጥነት 3.4/5
አጠቃላይ 3.9/5

Parler TTSParler TTS

Standard
ተፈጥሯዊ 4.1/5
ትክክለኛነት 3.9/5
ፍጥነት 3.4/5
አጠቃላይ 3.83/5

Tortoise TTSTortoise TTS

Premium
ተፈጥሯዊ 4.6/5
ትክክለኛነት 4.4/5
ፍጥነት 1.8/5
አጠቃላይ 3.7/5

BarkBark

Standard
ተፈጥሯዊ 4.2/5
ትክክለኛነት 3.8/5
ፍጥነት 2.5/5
አጠቃላይ 3.57/5

መተላለፊያ

የመተግበሪያ መጫኛ

  • ሃርድዌር፦ 4x NVIDIA Tesla P40 (24GB VRAM አንድ), 96GB በሙሉ
  • የጽሑፍ ሙከራ: 5 የተለያዩ የንግግር ቅርጾችን የሚሸፍኑ ስታንዳርድ ትራኮች (የተረት፣ የንግግር፣ የቴክኒክ፣ የስነልቦና፣ የብዙ ቋንቋዎች)
  • ደረጃ፦ አውቶማቲክ ሜትሪክስ (MOS ትንበያ, WER, RTF) ከሰው መስማት ሙከራዎች ጋር የተቀላቀሉ
  • ይጀምራል፦ እያንዳንዱ ሞዴል 10 ጊዜ በአንድ ጊዜ ተሞከረ ፣ ደረጃዎች መካከለኛ ናቸው

ደረጃዎች

  • ተፈጥሯዊነት (40%)፦ ፕሮሶዲ፣ ኢንቶኔሽን፣ ሪትም፣ ስሜት - እንዴት እንደ ሰው ይሰማል?
  • ትክክለኛነት (30%)፦ የድምፅ ትክክለኛነት፣ የቃል ስህተት መጠን፣ ግልጽነት
  • ፍጥነት (%s): እውነተኛ-ጊዜ ፋክተር (የድምፅ ሰከንዶች / የፈጠራ ሰከንዶች). ከፍ ያለ = ፈጣን
  • አጠቃላይ፦ መካከለኛ: 0.4 x ተፈጥሮ + 0.3 x ትክክለኛነት + 0.3 x ፍጥነት

ማስታወሻ፦ የቤንችማርኮች ውጤት በግልጽ የሃርድዌር እና የሙከራ ጽሑፎቻችን ላይ ያመለክታል። እውነተኛው የዓለም ጥራት በመግባት ጽሑፍ፣ ቋንቋ እና የድምፅ ምርጫ ላይ የተመሠረተ ሊለያይ ይችላል። የኅብረተሰብ ደረጃዎች በተለያዩ እውነተኛ ጥቅሞች ላይ የተመሠረተ የተሟላ ምልክት ይሰጣሉ።

ብዙ ጊዜ የሚጠየቁ ጥያቄዎች

ቲቲኤስ አሪና በአስፈጻሚ የቤንማርክ ሙከራዎች እና በጋራ ደረጃዎች ላይ የተመሠረተ የአእምሮ ችሎታ የጽሑፍ-ወደ-ንግግር ሞዴሎችን የሚቆጣጠር መሪ ሰሌዳ ነው። ሞዴሎችን ጎን ለጎን ይወዳደሩ፣ ምሳሌዎችን ያዳምጡ፣ እና ለእነዚያ ለእርስዎ በጣም ጥሩ ለሆኑት ድምፅ ይስጡ።

በእያንዳንዱ ሞዴል ላይ ተመሳሳይ የጽሑፍ ክፍሎችን ፣ ሃርድዌርን ፣ እና የመለኪያ መስፈርቶችን በመጠቀም ተቀባይነት ያላቸውን ሙከራዎች እናከናውናለን ፡፡ ውጤቶች ተፈጥሯዊነትን (ሰው እንዴት እንደሚሰማው) ፣ ትክክለኛነትን (ማናገር እና ማወቅ) ፣ እና ፍጥነትን (የመፍጠር ጊዜ) ያካትታሉ ፡፡ ሁሉም ሙከራዎች በ NVIDIA Tesla P40 GPUs የ GPU ሰርቨርችንን ይጠቀማሉ ፡፡

አዎ! ከ 1 እስከ 5 ደረጃ ለመስጠት ከማንኛውም ሞዴል በኩል ያሉትን ነጥቦች ጠቅ ያድርጉ። ለመምረጥ መግባትን ያስፈልግዎታል። ደረጃዎ በሊድቦርድ ላይ በተገለጸው የኅብረተሰብ አማካይ ላይ ይጨምራል። ደረጃዎን በማንኛውም ጊዜ መቀየር ይችላሉ።

ማንኛውንም ጽሑፍ ይተዉ፣ ሁለት ሞዴሎችን ይምረጡ፣ እና ይተያዩን ጠቅ ያድርጉ። ሁለቱም ሞዴሎች ከአንድ ተመሳሳይ ጽሑፍ በአንድ ጊዜ ንግግርን ያመጡ። ሁለቱንም ስሙ እና ለየትኛው የበለጠ ድምፅ ያለውን ይምረጡ። ይህ የጠፋ መወዳደር ለእርስዎ የተወሰኑ ፍላጎቶችዎ ምርጥ ሞዴልን ለመለየት ይረዳል ፡፡

ተፈጥሮአዊነት የንግግር ድምፅ (ፕሮሶዲ፣ ኢንቶኔሽን፣ ሪትም) ምን ያህል ሰውን እንደሚመስል ይለካል። ትክክለኛነት የንግግር ትክክለኛነትንና ግልጽነትን ይለካል። ፍጥነት ሞዴሉ ድምፅን ምን ያህል በፍጥነት እንደሚፈጥር በትክክለኛ ጊዜ ይለካል። አጠቃላይ የሁሉም ሜትሪክስ መካከለኛ መጠን ነው።

የሞዴሎች ብዛት የሌላቸው ሞዴሎች አዲስ የተጨመሩና ምርመራን የሚጠባበቁ ናቸው፣ ወይም ልዩ ማዘጋጀት ያስፈልጋቸዋል (ለምሳሌ በር የተዘጋ ቶኬኖች) የሚጠባበቁ ናቸው። የኅብረተሰብ ደረጃዎች ለእነዚህ ሞዴሎች አሁንም ይገኛሉ

የመንግሥት መከታተያ ሞዴሎች ትልቅ ማሻሻያዎች ማግኘት ወይም አዲስ ሞዴሎች ሲጨመሩ ጊዜ የተሻሻሉ ናቸው. ማህበረሰብ ደረጃዎች ተጠቃሚዎች እንደ ድምፅ በፍጥነት ይሻሻላል. የሊድቦርድ መረጃ ለ 5 ደቂቃዎች ለ ውጤታማነት cached ነው.

ነጻ ሞዴሎች (ኮኮሮ, Piper, VITS, MeloTTS) 0 ክሬዲቶች ዋጋ አላቸው. መደበኛ ሞዴሎች ለ 1,000 ፊደላት 2 ክሬዲቶች ዋጋ አላቸው. ፕሪሚየም ሞዴሎች ለ 1,000 ፊደላት 4 ክሬዲቶች ዋጋ አላቸው እና በአጠቃላይ ከፍተኛ ጥራት ወይም እንደ ድምፅ ክሎኒንግ ያሉ ልዩ ባህሪያትን ያቀርባሉ.

ለብዙዎች የስራ ሁኔታዎች ኮኮሮ (ነፃ ደረጃ) ምርጥ ጥራት ይሰጣል. የድምፅ ክሎኒንግ፣ ቻተርቦክስ ወይም ኮሲቮይስ 2 ይሞክሩ. ለብዙ ቋንቋዎች ይዘት፣ ሜሎቲቲኤስ ወይም ኮሲቮይስ 2. ለግልጽ ንግግር፣ ባርክ ወይም ዲአይ. የምርመራውን መሣሪያ በግልጽ ጽሑፍዎ ላይ ይጠቀሙ።

አዎ፣ ከሁለት ሞዴሎች ማንኛውንም ድምፅ ያለ ሒሳብ በመጠቀም ነፃ-ደረጃ ሞዴሎችን መፍጠር እና ማነፃፀር ይችላሉ። በሞዴሎች ላይ ለመወዳደር ነፃ ሒሳብ ያስፈልጋል። የፕሪሚየም ሞዴል ማነፃፀር አሃዞችን ይፈልጋል።

በሁሉም ሞዴሎች ላይ ተመሳሳይ የሃርድዌር እና ተመሳሳይ የግምገማ መስፈርቶችን በመጠቀም ለግልጽነት እንጥራለን. የጋራ ደረጃዎች ተጨማሪ ነፃ ምልክት ይሰጣሉ. ዘዴችን በታች ባለው የ Benchmark Methodology ክፍል ውስጥ ተብራርቷል.

ሞዴሎች በመጀመሪያ በአስፈጻሚው የቤንማርክ አጠቃላይ ውጤት ደረጃ ይሰጣሉ፣ ከዚያም በጋራ መካከለኛ ደረጃ እንደ ቴይብሬከር. ያለቤንማርኮች ያሉ ሞዴሎች ከቤንማርኮች ጋር ካሉት በታች ደረጃ ይሰጣሉ፣ በጋራ ደረጃ ተከፋፍለዋል።
5.0/5 (1)

ምን ማሻሻል እንችላለን? አስተያየቶችዎ ችግሮችን ለመፍታት ይረዳሉ.

የተሟላውን ድምፅ ፈልግ

በኮኮሮ፣ በፒፐር፣ በቪቲኤስ ወይም በሜሎቲቲኤስ ማንኛውንም ሞዴል ነፃ አድርገው ይሞክሩ። የግል መለያ ያስፈልጋል