টিটিএস অ্যারেনা - AI ভয়েস মডেল লিডারবোর্ড
২০+ টেক্সট-টু-স্পিকার মডেল তুলনা করুন। সরকারি বেঞ্চমার্ক, সম্প্রদায় রেটিং এবং পাশে-পাশে তুলনা।
আপনার ভাষায় এখনো TTS শব্দ নেই। আমাদের আপনার শব্দ যোগ করতে সাহায্য করুন!
আপনার কণ্ঠ বিক্রি করুন
পাশে-পাশে তুলনা
টেক্সট টাইপ করুন, দুটি মডেল বেছে নিন এবং ফলাফল তুলনা করুন। ফ্রি-টিয়ার মডেলের জন্য কোন অ্যাকাউন্টের প্রয়োজন নেই।
বিনামূল্যে মডেল অ্যাকাউন্ট ছাড়া কাজ করে। নিবন্ধন করুন প্রাইম মডেল তুলনা করতে।
মডেল লিডারবোর্ড
| # | মডেল | অফিসিয়াল | সম্প্রদায় | আপনার রেটিং | গতি | টাইমার |
|---|---|---|---|---|---|---|
| 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 | এখনো কোনো ভোট নেই | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | এখনো কোনো ভোট নেই | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | এখনো কোনো ভোট নেই | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | এখনো কোনো ভোট নেই | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | এখনো কোনো ভোট নেই | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | এখনো কোনো ভোট নেই | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | এখনো কোনো ভোট নেই | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | এখনো কোনো ভোট নেই | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | এখনো কোনো ভোট নেই | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | এখনো কোনো ভোট নেই | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | এখনো কোনো ভোট নেই | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | এখনো কোনো ভোট নেই | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | এখনো কোনো ভোট নেই | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | এখনো কোনো ভোট নেই | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | এখনো কোনো ভোট নেই | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | এখনো কোনো ভোট নেই | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | এখনো কোনো ভোট নেই | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | এখনো কোনো ভোট নেই | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | এখনো কোনো ভোট নেই | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | এখনো কোনো ভোট নেই | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | এখনো কোনো ভোট নেই | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | এখনো কোনো ভোট নেই | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | এখনো কোনো ভোট নেই | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | এখনো কোনো ভোট নেই | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | এখনো কোনো ভোট নেই | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | এখনো কোনো ভোট নেই | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | এখনো কোনো ভোট নেই | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | এখনো কোনো ভোট নেই | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | এখনো কোনো ভোট নেই | 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
|
— | এখনো কোনো ভোট নেই | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | এখনো কোনো ভোট নেই | slow | Premium |
বিস্তারিত বেঞ্চমার্ক স্কোর
সরকারি TTS.ai বেঞ্চমার্ক তিনটি দিক থেকে স্কোর করে: প্রাকৃতিকতা, সঠিকতা এবং গতি।
Kokoro
Free
প্রাকৃতিকতা
4.8/5
নির্ভুলতা
4.7/5
গতি
4.9/5
সার্বিক
4.8/5
CosyVoice 2
Standard
প্রাকৃতিকতা
4.5/5
নির্ভুলতা
4.4/5
গতি
3.8/5
সার্বিক
4.26/5
Chatterbox
Premium
প্রাকৃতিকতা
4.7/5
নির্ভুলতা
4.5/5
গতি
3.4/5
সার্বিক
4.25/5
StyleTTS 2
Premium
প্রাকৃতিকতা
4.5/5
নির্ভুলতা
4.3/5
গতি
3.8/5
সার্বিক
4.23/5
Piper
Free
প্রাকৃতিকতা
3.5/5
নির্ভুলতা
4.2/5
গতি
4.95/5
সার্বিক
4.15/5
MeloTTS
Free
প্রাকৃতিকতা
3.8/5
নির্ভুলতা
4.1/5
গতি
4.6/5
সার্বিক
4.13/5
Dia TTS
Standard
প্রাকৃতিকতা
4.6/5
নির্ভুলতা
4.3/5
গতি
3.2/5
সার্বিক
4.09/5
VITS
Free
প্রাকৃতিকতা
3.4/5
নির্ভুলতা
4.0/5
গতি
4.8/5
সার্বিক
4.0/5
Orpheus
Standard
প্রাকৃতিকতা
4.3/5
নির্ভুলতা
4.1/5
গতি
3.5/5
সার্বিক
4.0/5
OpenVoice
Premium
প্রাকৃতিকতা
4.0/5
নির্ভুলতা
4.1/5
গতি
3.9/5
সার্বিক
4.0/5
IndexTTS-2
Standard
প্রাকৃতিকতা
4.3/5
নির্ভুলতা
4.1/5
গতি
3.2/5
সার্বিক
3.91/5
Spark TTS
Standard
প্রাকৃতিকতা
4.2/5
নির্ভুলতা
4.0/5
গতি
3.4/5
সার্বিক
3.9/5
Parler TTS
Standard
প্রাকৃতিকতা
4.1/5
নির্ভুলতা
3.9/5
গতি
3.4/5
সার্বিক
3.83/5
Tortoise TTS
Premium
প্রাকৃতিকতা
4.6/5
নির্ভুলতা
4.4/5
গতি
1.8/5
সার্বিক
3.7/5
Bark
Standard
প্রাকৃতিকতা
4.2/5
নির্ভুলতা
3.8/5
গতি
2.5/5
সার্বিক
3.57/5
বেঞ্চমার্ক পদ্ধতি
পরীক্ষা সেটআপ
- হার্ডওয়্যার: ৪x NVIDIA Tesla P40 (প্রতিটি ২৪GB VRAM), মোট ৯৬GB
- টেস্ট টেক্সট: ৫টি মানসম্মত অংশ, যা বিভিন্ন ধরনের কথাবার্তার (উক্তি, আলাপ, প্রযুক্তিগত, আবেগ, বহুভাষিক) উপর আলোকপাত করে।
- মূল্যায়ন: স্বয়ংক্রিয় মেট্রিক (MOS অনুমান, WER, RTF) মানব শ্রবণ পরীক্ষার সাথে মিলিত
- চালায়: প্রতিটি মডেল প্রতি পাস ১০ বার পরীক্ষা করা হয়, স্কোর গড়ে
স্কোরিং শর্তাবলী
- প্রাকৃতিকতা (৪০%): প্রসোডি, ইনটোনেশন, রীতি, আবেগ - এটা কতটা মানবিক শোনাচ্ছে?
- নির্ভুলতা (৩০%): উচ্চারণ সঠিকতা, শব্দ ত্রুটি হার, বুঝার ক্ষমতা
- গতি (৩০%): রিয়েল-টাইম ফ্যাক্টর (অডিও সেকেন্ড / জেনারেশন সেকেন্ড)। উচ্চ = দ্রুত।
- সার্বিক: ওজনকৃত গড়: ০. ৪ x প্রাকৃতিকতা + ০. ৩ x সঠিকতা + ০. ৩ x গতি
নোট: বেঞ্চমার্ক আমাদের নির্দিষ্ট হার্ডওয়্যার এবং টেস্ট টেক্সটের পারফরম্যান্স প্রতিফলিত করে। বাস্তব বিশ্বের গুণমান ইনপুট টেক্সট, ভাষা এবং শব্দ নির্বাচনের উপর নির্ভর করে পরিবর্তিত হতে পারে। সম্প্রদায়ের রেটিং বিভিন্ন বাস্তব ব্যবহারের উপর ভিত্তি করে একটি পরিপূরক সংকেত প্রদান করে।
প্রায়শ জিজ্ঞাসিত প্রশ্ন
আমরা কি উন্নতি করতে পারি? আপনার ফিডব্যাক আমাদের সমস্যা সমাধানে সাহায্য করে।
আপনার চমৎকার কন্ঠ খুঁজুন
Kokoro, Piper, VITS, অথবা MeloTTS এর সাথে যেকোন মডেল বিনামূল্যে চেষ্টা করুন। কোন অ্যাকাউন্টের প্রয়োজন নেই।