TTS Arena — AI শব্দ মডেল লিডাৰবোর্ড
20+ টেক্সট-টু-স্পিচ মডেলৰ তুলনা কৰক। আনুষ্ঠানিক বেঞ্চমাৰ্ক, কমিউনিটি ৰেটিং, আৰু পাশে-পাশে তুলনা কৰক।
পাশে-পাশে তুলনা
টেক্সট লিখক, দুটা মডেল বাছক, আৰু ফলাফলৰ তুলনা কৰক। ফ্ৰি-টিয়াৰ মডেলৰ বাবে কোনো একাওন্টৰ প্ৰয়োজন নাই।
বিনামূলীয়া মডেলসমূহ একাওন্ট অবিহনে কাম কৰে। নিবন্ধন কৰক প্ৰিমিয়াম মডেলসমূহৰ তুলনা কৰিবলৈ।
মডেল লিডাৰবোর্ড
| # | আৰ্হি | আনুষ্ঠানিক | কমিউনিটি | আপোনাৰ ৰেটিং | গতি | টাইৰ |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 ভোট
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | এতিয়াও কোনো ভোট নাই | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | এতিয়াও কোনো ভোট নাই | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | এতিয়াও কোনো ভোট নাই | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | এতিয়াও কোনো ভোট নাই | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | এতিয়াও কোনো ভোট নাই | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | এতিয়াও কোনো ভোট নাই | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | এতিয়াও কোনো ভোট নাই | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | এতিয়াও কোনো ভোট নাই | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | এতিয়াও কোনো ভোট নাই | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | এতিয়াও কোনো ভোট নাই | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | এতিয়াও কোনো ভোট নাই | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | এতিয়াও কোনো ভোট নাই | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | এতিয়াও কোনো ভোট নাই | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | এতিয়াও কোনো ভোট নাই | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | এতিয়াও কোনো ভোট নাই | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | এতিয়াও কোনো ভোট নাই | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | এতিয়াও কোনো ভোট নাই | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | এতিয়াও কোনো ভোট নাই | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | এতিয়াও কোনো ভোট নাই | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | এতিয়াও কোনো ভোট নাই | fast | Standard | |
| 31 |
MOSS-TTS
Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.
8B
500000h
2026
|
— | এতিয়াও কোনো ভোট নাই | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | এতিয়াও কোনো ভোট নাই | slow | Premium |
বিৱৰণমূলক বেঞ্চমাৰ্ক স্কোৰ
আনুষ্ঠানিক TTS.ai বেঞ্চমাৰ্ক স্কোৰ চাৰিটা দিশৰ ওপৰত নিৰ্ভৰ কৰে: প্ৰাকৃতিকতা, সঠিকতা আৰু গতি।
Kokoro
Free
প্ৰাকৃতিকতা
4.8/5
সঠিকতা
4.7/5
গতি
4.9/5
সাৰ্বজনীন
4.8/5
CosyVoice 2
Standard
প্ৰাকৃতিকতা
4.5/5
সঠিকতা
4.4/5
গতি
3.8/5
সাৰ্বজনীন
4.26/5
Chatterbox
Premium
প্ৰাকৃতিকতা
4.7/5
সঠিকতা
4.5/5
গতি
3.4/5
সাৰ্বজনীন
4.25/5
StyleTTS 2
Premium
প্ৰাকৃতিকতা
4.5/5
সঠিকতা
4.3/5
গতি
3.8/5
সাৰ্বজনীন
4.23/5
Piper
Free
প্ৰাকৃতিকতা
3.5/5
সঠিকতা
4.2/5
গতি
4.95/5
সাৰ্বজনীন
4.15/5
MeloTTS
Free
প্ৰাকৃতিকতা
3.8/5
সঠিকতা
4.1/5
গতি
4.6/5
সাৰ্বজনীন
4.13/5
Dia TTS
Standard
প্ৰাকৃতিকতা
4.6/5
সঠিকতা
4.3/5
গতি
3.2/5
সাৰ্বজনীন
4.09/5
VITS
Free
প্ৰাকৃতিকতা
3.4/5
সঠিকতা
4.0/5
গতি
4.8/5
সাৰ্বজনীন
4.0/5
Orpheus
Standard
প্ৰাকৃতিকতা
4.3/5
সঠিকতা
4.1/5
গতি
3.5/5
সাৰ্বজনীন
4.0/5
OpenVoice
Premium
প্ৰাকৃতিকতা
4.0/5
সঠিকতা
4.1/5
গতি
3.9/5
সাৰ্বজনীন
4.0/5
IndexTTS-2
Standard
প্ৰাকৃতিকতা
4.3/5
সঠিকতা
4.1/5
গতি
3.2/5
সাৰ্বজনীন
3.91/5
Spark TTS
Standard
প্ৰাকৃতিকতা
4.2/5
সঠিকতা
4.0/5
গতি
3.4/5
সাৰ্বজনীন
3.9/5
Parler TTS
Standard
প্ৰাকৃতিকতা
4.1/5
সঠিকতা
3.9/5
গতি
3.4/5
সাৰ্বজনীন
3.83/5
Tortoise TTS
Premium
প্ৰাকৃতিকতা
4.6/5
সঠিকতা
4.4/5
গতি
1.8/5
সাৰ্বজনীন
3.7/5
Bark
Standard
প্ৰাকৃতিকতা
4.2/5
সঠিকতা
3.8/5
গতি
2.5/5
সাৰ্বজনীন
3.57/5
বেঞ্চমাৰ্ক পদ্ধতি
পৰীক্ষাৰ বিন্যাস
- হাৰ্ডৱেৰ: 4x NVIDIA Tesla P40 (প্ৰত্যেকত 24GB VRAM), মোট 96GB
- পৰীক্ষাৰ টেক্সট: ৫) বিভিন্ন ভাষিক বিন্যাস (উপন্যাস, সংলাপ, প্ৰযুক্তিগত, অনুভূতিমূলক, বহুভাষিক) অন্তৰ্ভুক্ত কৰা প্ৰমাণিত অংশ
- মূল্যায়ন: স্বচালিত মেট্ৰিক (MOS অনুমান, WER, RTF) মানৱ শুনা পৰীক্ষাৰ সৈতে সংযুক্ত
- চলোৱা হৈছে: প্ৰতিটো মডেল দহবাৰ পৰীক্ষা কৰা হৈছে, গড় স্কোৰ
স্কোৰিং মাপকাঠি
- প্ৰাকৃতিকতা (৪০%): প্ৰোছোডি, ইটোনেশন, ৰিদম, ইমোচন – এইবোৰ কেনেকৈ মানৱীয় হৈ উঠে?
- সঠিকতা (৩০%): উচ্চাৰণ সঠিকতা, শব্দ ত্ৰুটিৰ হাৰ, বুদ্ধিমত্তা
- গতি (৩০%): ৰিয়েল-টাইম ফেক্টৰ (অডিঅ' ছেকেণ্ড / প্ৰজনন ছেকেণ্ড)। উচ্চ = দ্ৰুত।
- সৰ্বমোট: ওজনযুক্ত গড়: ০.৪ x স্বাভাৱিকতা + ০.৩ x সঠিকতা + ০.৩ x গতি
টোকা: বেঞ্চমাৰ্কসমূহ আমাৰ নিৰ্দিষ্ট হাৰ্ডৱেৰ আৰু পৰীক্ষাৰ টেক্সটসমূহত কাৰ্যক্ষমতা প্ৰতিফলন কৰে। প্ৰকৃত বিশ্বৰ গুণমান ইনপুট টেক্সট, ভাষা, আৰু শব্দ নিৰ্বাচনৰ ভিত্তিত পৰিবৰ্তন হব পাৰে। সম্প্রদায়ৰ ৰেটিংসমূহ বিভিন্ন প্ৰকৃত ব্যৱহাৰৰ ভিত্তিত এটা অতিৰিক্ত সংকেত প্ৰদান কৰে।
সদায় সোধা প্ৰশ্নসমূহ
আমি কি উন্নত কৰিব পাৰো? আপোনাৰ মতামত আমাক সমস্যা সমাধানত সহায় কৰে।
আপোনাৰ পূৰ্ণ কন্ঠ অনুসন্ধান কৰক
Kokoro, Piper, VITS, অথবা MeloTTS ৰ সৈতে যিকোনো মডেল বিনামূল্যে চেষ্টা কৰক। কোনো একাওন্টৰ প্ৰয়োজন নাই।