आंतरराष्ट्रीय एकदिवसीय पदार्पण - श्रीलंका विरूद्ध.
20+ टेक्स्ट-टू-स्पीच मॉडेल्सची तुलना करा. अधिकृत बेंचमार्क, समुदाय गुणवत्ता, आणि बाजूला-बाजूने तुलना.
बाजूला- बाजूला तुलना
पाठ्य टाइप करा, दोन नमुने निवडा, आणि परिणामांची तुलना करा. मोफत-स्तरीय नमुन्यांसाठी खाते आवश्यक नाही.
मोफत सेवा देणाऱ्या संस्थांची यादी खालीलप्रमाणे आहे. नोंदणी करा प्रीमियम मॉडेल्सची तुलना करण्यासाठी.
मॉडेल लीडरबोर्ड
| # | मॉडेल | अधिकृत | समुदाय | तुमचे मूल्यांकन | वेग | जानेवारी चा |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 मत
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | अद्याप मत नाही | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | अद्याप मत नाही | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | अद्याप मत नाही | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | अद्याप मत नाही | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | अद्याप मत नाही | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | अद्याप मत नाही | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | अद्याप मत नाही | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | अद्याप मत नाही | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | अद्याप मत नाही | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | अद्याप मत नाही | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | अद्याप मत नाही | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | अद्याप मत नाही | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | अद्याप मत नाही | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | अद्याप मत नाही | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | अद्याप मत नाही | medium | Standard | |
| 17 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | अद्याप मत नाही | slow | Standard | |
| 18 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | अद्याप मत नाही | medium | Standard |
तपशीलवार बेंचमार्क गुण
आयसीसीच्या नियमांनुसार एकदिवसीय सामन्यात तीन प्रकारचे सामने खेळवले जातात: एकदिवसीय, ट्वेंटी२० आणि एकदिवसीय कसोटी.
Kokoro
Free
नैसर्गिकता
4.8/5
अचूकता
4.7/5
वेग
4.9/5
सर्वसाधारण
4.8/5
CosyVoice 2
Standard
नैसर्गिकता
4.5/5
अचूकता
4.4/5
वेग
3.8/5
सर्वसाधारण
4.26/5
Chatterbox
Premium
नैसर्गिकता
4.7/5
अचूकता
4.5/5
वेग
3.4/5
सर्वसाधारण
4.25/5
StyleTTS 2
Premium
नैसर्गिकता
4.5/5
अचूकता
4.3/5
वेग
3.8/5
सर्वसाधारण
4.23/5
Piper
Free
नैसर्गिकता
3.5/5
अचूकता
4.2/5
वेग
4.95/5
सर्वसाधारण
4.15/5
MeloTTS
Free
नैसर्गिकता
3.8/5
अचूकता
4.1/5
वेग
4.6/5
सर्वसाधारण
4.13/5
Dia TTS
Standard
नैसर्गिकता
4.6/5
अचूकता
4.3/5
वेग
3.2/5
सर्वसाधारण
4.09/5
VITS
Free
नैसर्गिकता
3.4/5
अचूकता
4.0/5
वेग
4.8/5
सर्वसाधारण
4.0/5
Orpheus
Standard
नैसर्गिकता
4.3/5
अचूकता
4.1/5
वेग
3.5/5
सर्वसाधारण
4.0/5
OpenVoice
Premium
नैसर्गिकता
4.0/5
अचूकता
4.1/5
वेग
3.9/5
सर्वसाधारण
4.0/5
IndexTTS-2
Standard
नैसर्गिकता
4.3/5
अचूकता
4.1/5
वेग
3.2/5
सर्वसाधारण
3.91/5
Spark TTS
Standard
नैसर्गिकता
4.2/5
अचूकता
4.0/5
वेग
3.4/5
सर्वसाधारण
3.9/5
Parler TTS
Standard
नैसर्गिकता
4.1/5
अचूकता
3.9/5
वेग
3.4/5
सर्वसाधारण
3.83/5
Tortoise TTS
Premium
नैसर्गिकता
4.6/5
अचूकता
4.4/5
वेग
1.8/5
सर्वसाधारण
3.7/5
Bark
Standard
नैसर्गिकता
4.2/5
अचूकता
3.8/5
वेग
2.5/5
सर्वसाधारण
3.57/5
बेंचमार्क पद्धती
चाचणी संयोजना
- हार्डवेअर: 4x NVIDIA Tesla P40 (24GB VRAM प्रत्येकी), एकूण 96GB
- चाचणी पाठ्य: 5 वेगवेगळ्या भाषण पद्धती (कहाणी, संवाद, तांत्रिक, भावनिक, बहुभाषिक) समाविष्ट करणारे मानकीकृत भाग
- मूल्यांकन: मानवी श्रवण चाचणीसह एकत्रित स्वचालित मेट्रिक्स (MOS अंदाज, WER, RTF)
- चालविले: प्रत्येक भागात १० प्रश्न विचारले जातात व त्यावर उत्तरे दिली जातात.
गुणवत्ताश्रेणी
- नैसर्गिकता (40%): Prosody, intonation, rhythm, emotion — how human does it sound?
- अचूकता (30%): Pronunciation correctness, word error rate, intelligibility
- वेग (30%): वास्तविक वेळ घटक (ऑडिओ सेकंद / निर्मिती सेकंद). जास्त = जलद.
- सर्वसाधारण: 0.4 x नैसर्गिकता + 0.3 x अचूकता + 0.3 x वेग
टिप: Benchmarks reflect performance on our specific hardware and test texts. Real-world quality may vary based on input text, language, and voice selection. Community ratings provide a complementary signal based on diverse real usage.
वारंवार विचारले जाणारे प्रश्न
तुमचा उत्तम आवाज शोधा
कोकोरो, पाइपर, VITS, किंवा MeloTTS सह कोणतेही मॉडेल मोफत वापरा. खाते आवश्यक नाही.