TTS Arena — AI ସ୍ୱର ମଡେଲ ଲିଡରବୋର୍ଡ
20+ ପାଠ୍ୟ-ରୁ-ବାକ୍ୟ ମଡେଲଗୁଡ଼ିକୁ ତୁଳନା କରନ୍ତୁ। ସରକାରୀ ବେଞ୍ଚମାର୍କ, ସମୁଦାୟ ରେଟିଂ, ଏବଂ ପାର୍ଶ୍ୱ-ପାର୍ଶ୍ୱ ତୁଳନା।
ପାର୍ଶ୍ୱ-ପ୍ରତି-ପାର୍ଶ୍ୱ ତୁଳନା
ପାଠ୍ୟ ଟାଇପ କରନ୍ତୁ, ଦୁଇଟି ମଡେଲ ବାଛନ୍ତୁ, ଏବଂ ଫଳାଫଳଗୁଡ଼ିକୁ ତୁଳନା କରନ୍ତୁ। ମୁକ୍ତ-ସ୍ତର ମଡେଲଗୁଡ଼ିକୁ କୌଣସି ଖାତାର ଆବଶ୍ୟକତା ନାହିଁ।
ମୁକ୍ତ ନମୂନାଗୁଡ଼ିକ ଖାତା ବିନା କାମ କରନ୍ତି। ସଦସ୍ୟତା ନିଅନ୍ତୁ ପ୍ରିମିୟମ ମଡେଲକୁ ତୁଳନା କରିବା ପାଇଁ ।
ନମୂନା ଲିଡରବୋର୍ଡ
| # | ଆକାର | ଅଫିସିଆଲ | ସମୁଦାୟ | ଆପଣଙ୍କର ଆକଳନ | ବେଗ | ଅକ୍ଟୋବର |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 ଭୋଟ
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 17 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | slow | Standard | |
| 18 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard |
ବିସ୍ତୃତ ବେଞ୍ଚମାର୍କ ସ୍କୋର
ତିନୋଟି ଦିଗ – ପ୍ରାକୃତିକତା, ସଠିକତା ଏବଂ ଦ୍ରୁତତା ଉପରେ ଅଫିସିଆଲ ଟିଟିଏସ.ଏଆଇ ବେଞ୍ଚମାର୍କ ସ୍କୋର କରିଥାଏ ।
Kokoro
Free
ପ୍ରାକୃତିକତା
4.8/5
Accuracy
4.7/5
ବେଗ
4.9/5
ସାର୍ବଜନୀନ
4.8/5
CosyVoice 2
Standard
ପ୍ରାକୃତିକତା
4.5/5
Accuracy
4.4/5
ବେଗ
3.8/5
ସାର୍ବଜନୀନ
4.26/5
Chatterbox
Premium
ପ୍ରାକୃତିକତା
4.7/5
Accuracy
4.5/5
ବେଗ
3.4/5
ସାର୍ବଜନୀନ
4.25/5
StyleTTS 2
Premium
ପ୍ରାକୃତିକତା
4.5/5
Accuracy
4.3/5
ବେଗ
3.8/5
ସାର୍ବଜନୀନ
4.23/5
Piper
Free
ପ୍ରାକୃତିକତା
3.5/5
Accuracy
4.2/5
ବେଗ
4.95/5
ସାର୍ବଜନୀନ
4.15/5
MeloTTS
Free
ପ୍ରାକୃତିକତା
3.8/5
Accuracy
4.1/5
ବେଗ
4.6/5
ସାର୍ବଜନୀନ
4.13/5
Dia TTS
Standard
ପ୍ରାକୃତିକତା
4.6/5
Accuracy
4.3/5
ବେଗ
3.2/5
ସାର୍ବଜନୀନ
4.09/5
VITS
Free
ପ୍ରାକୃତିକତା
3.4/5
Accuracy
4.0/5
ବେଗ
4.8/5
ସାର୍ବଜନୀନ
4.0/5
Orpheus
Standard
ପ୍ରାକୃତିକତା
4.3/5
Accuracy
4.1/5
ବେଗ
3.5/5
ସାର୍ବଜନୀନ
4.0/5
OpenVoice
Premium
ପ୍ରାକୃତିକତା
4.0/5
Accuracy
4.1/5
ବେଗ
3.9/5
ସାର୍ବଜନୀନ
4.0/5
IndexTTS-2
Standard
ପ୍ରାକୃତିକତା
4.3/5
Accuracy
4.1/5
ବେଗ
3.2/5
ସାର୍ବଜନୀନ
3.91/5
Spark TTS
Standard
ପ୍ରାକୃତିକତା
4.2/5
Accuracy
4.0/5
ବେଗ
3.4/5
ସାର୍ବଜନୀନ
3.9/5
Parler TTS
Standard
ପ୍ରାକୃତିକତା
4.1/5
Accuracy
3.9/5
ବେଗ
3.4/5
ସାର୍ବଜନୀନ
3.83/5
Tortoise TTS
Premium
ପ୍ରାକୃତିକତା
4.6/5
Accuracy
4.4/5
ବେଗ
1.8/5
ସାର୍ବଜନୀନ
3.7/5
Bark
Standard
ପ୍ରାକୃତିକତା
4.2/5
Accuracy
3.8/5
ବେଗ
2.5/5
ସାର୍ବଜନୀନ
3.57/5
ବେଞ୍ଚମାର୍କ ପଦ୍ଧତି
ପରୀକ୍ଷଣ ବିନ୍ୟାସ
- ହାର୍ଡ଼ୱେର: 4x NVIDIA Tesla P40 (ପ୍ରତିଟି 24GB VRAM), ମୋଟ 96GB
- ପରୀକ୍ଷଣ ପାଠ୍ୟ: ଭିନ୍ନ ଭିନ୍ନ ଭାଷଣ ପଦ୍ଧତି (ବର୍ଣ୍ଣନା, ଆଲୋଚନା, ବୈଷୟିକ, ଭାବପ୍ରବଣ, ବହୁଭାଷୀ)କୁ ଆବରଣ କରୁଥିବା 5ଟି ମାନ୍ୟତାପ୍ରାପ୍ତ ଅଂଶ
- ଆକଳନ: ସ୍ୱୟଂଚାଳିତ ମାପକ (MOS ଆକଳନ, WER, RTF) ମାନବ ଶୁଣିବା ପରୀକ୍ଷା ସହିତ ସଂଯୁକ୍ତ
- ଚଲାଇଥାଏ: ପ୍ରତ୍ୟେକ ମଡେଲ ପ୍ରତି ପାସ 10 ଥର ପରୀକ୍ଷିତ, ସ୍କୋରଗୁଡ଼ିକ ହାରାହାରି
ସ୍କୋର ମାପକାଠି
- ପ୍ରାକୃତିକତା (40%): Prosody, intonation, rhythm, emotion — how human does it sound?
- ସଠିକତା (30%): Pronunciation correctness, word error rate, intelligibility
- ବେଗ (30%): ରିୟଲ-ଟାଇମ କାରକ (ଧ୍ୱନି ସେକଣ୍ଡ / ନିର୍ମାଣ ସେକଣ୍ଡ)। ଉଚ୍ଚ = ଦ୍ରୁତ।
- ସାରାଂଶ: ଓଜନିତ ହାରାହାରି: 0.4 x ପ୍ରାକୃତିକତା + 0.3 x ସଠିକତା + 0.3 x ବେଗ
ଟିପ୍ପଣୀ: 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.
ପ୍ରାୟ ପଚରାଯାଉଥିବା ପ୍ରଶ୍ନName
ଆପଣଙ୍କର ଉତ୍ତମ ଧ୍ୱନିକୁ ଖୋଜନ୍ତୁ
Kokoro, Piper, VITS, କିମ୍ବା MeloTTS ସହିତ ଯେକୌଣସି ନମୂନାକୁ ମୁକ୍ତ ଭାବରେ ଚେଷ୍ଟାକରନ୍ତୁ। କୌଣସି ଖାତା ଆବଶ୍ୟକ ନାହିଁ।