TTS Arena — AI ସ୍ୱର ମଡେଲ ଲିଡରବୋର୍ଡ
20+ ପାଠ୍ୟ-ରୁ-ବାକ୍ୟ ମଡେଲକୁ ତୁଳନା କରନ୍ତୁ । ସରକାରୀ ବେଞ୍ଚମାର୍କ, ସମୁଦାୟ ରେଟିଂ, ଏବଂ ପାର୍ଶ୍ୱ-ପାର୍ଶ୍ୱ ତୁଳନା ।
ଆପଣଙ୍କ ଭାଷାରେ ଆମ ପାଖରେ ବର୍ତ୍ତମାନ TTS ଧ୍ୱନି ନାହିଁ । ଆମକୁ ଆପଣଙ୍କର ଯୋଗ କରିବାରେ ସହାୟତା କରନ୍ତୁ!
ଆପଣଙ୍କର ସ୍ୱର ବିକ୍ରି କରନ୍ତୁ
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 ମଡେଲର ତୁଳନା କରିବା ପାଇଁ ।
ନମୂନା ଲିଡରବୋର୍ଡ
| # | ଆକାର | ଅଫିସିଆଲ | ସମୁଦାୟ | ଆପଣଙ୍କର ଆକଳନ | ବେଗ | ତିଆର |
|---|---|---|---|---|---|---|
| 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 preset voices and voice design from text.
1.7B
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 19 |
VieNeu-TTS-v2
Vietnamese + English code-switching TTS with 7 preset voices and zero-shot voice cloning. CPU-only, no GPU required.
0.3B
10000h
2026
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Standard | |
| 22 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Standard | |
| 23 |
Kani TTS 2
Ultra-lightweight 400M English TTS model running in just 3GB VRAM.
400M
10000h
2026
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Free | |
| 24 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Free | |
| 25 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Standard | |
| 26 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Free | |
| 27 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Free | |
| 28 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Standard | |
| 29 |
NAMAA Saudi TTS
First open Saudi-Arabic TTS. Native Saudi dialect with Chatterbox-quality voice cloning.
300M
2026
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 30 |
Darwin TTS
Cross-modal Qwen3-TTS variant with FFN weights blended from the Qwen3-1.7B language model for sharper multilingual cloning.
2.1B
2026
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 31 |
MOSS-TTSD
Multi-speaker dialogue continuation model — generate podcast-style conversations with up to 5 speakers and 60 minutes of coherent audio.
7B
2026
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Standard | |
| 32 |
Ming-Omni TTS
Compact 0.5B omni-modal speech model from inclusionAI with high-fidelity 44.1kHz output and zero-shot voice cloning.
500M
2026
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | medium | Free | |
| 33 |
MOSS-TTS Nano
Tiny 100M MOSS-TTS variant — same architecture, 80x smaller, free-tier latency.
100M
500000h
2026
|
— | ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ଭୋଟ ନାହିଁ | fast | Free |
ବିସ୍ତୃତ ବେଞ୍ଚମାର୍କ ସ୍କୋର
ତିନୋଟି ଆକାରରେ ഔଦ୍ଯାଗିକ TTS.ai ବେଞ୍ଚମାର୍କ ସ୍କୋର: ପ୍ରାକୃତିକତା, ସଠିକତା, ଏବଂ ଗତି।
Kokoro
Free
ପ୍ରାକୃତିକତା
4.8/5
ସଠିକତା
4.7/5
ବେଗ
4.9/5
ସାର୍ବଜନୀନ
4.8/5
CosyVoice 2
Standard
ପ୍ରାକୃତିକତା
4.5/5
ସଠିକତା
4.4/5
ବେଗ
3.8/5
ସାର୍ବଜନୀନ
4.26/5
Chatterbox
Premium
ପ୍ରାକୃତିକତା
4.7/5
ସଠିକତା
4.5/5
ବେଗ
3.4/5
ସାର୍ବଜନୀନ
4.25/5
StyleTTS 2
Premium
ପ୍ରାକୃତିକତା
4.5/5
ସଠିକତା
4.3/5
ବେଗ
3.8/5
ସାର୍ବଜନୀନ
4.23/5
Piper
Free
ପ୍ରାକୃତିକତା
3.5/5
ସଠିକତା
4.2/5
ବେଗ
4.95/5
ସାର୍ବଜନୀନ
4.15/5
MeloTTS
Free
ପ୍ରାକୃତିକତା
3.8/5
ସଠିକତା
4.1/5
ବେଗ
4.6/5
ସାର୍ବଜନୀନ
4.13/5
Dia TTS
Standard
ପ୍ରାକୃତିକତା
4.6/5
ସଠିକତା
4.3/5
ବେଗ
3.2/5
ସାର୍ବଜନୀନ
4.09/5
VITS
Free
ପ୍ରାକୃତିକତା
3.4/5
ସଠିକତା
4.0/5
ବେଗ
4.8/5
ସାର୍ବଜନୀନ
4.0/5
Orpheus
Standard
ପ୍ରାକୃତିକତା
4.3/5
ସଠିକତା
4.1/5
ବେଗ
3.5/5
ସାର୍ବଜନୀନ
4.0/5
OpenVoice
Premium
ପ୍ରାକୃତିକତା
4.0/5
ସଠିକତା
4.1/5
ବେଗ
3.9/5
ସାର୍ବଜନୀନ
4.0/5
IndexTTS-2
Standard
ପ୍ରାକୃତିକତା
4.3/5
ସଠିକତା
4.1/5
ବେଗ
3.2/5
ସାର୍ବଜନୀନ
3.91/5
Spark TTS
Standard
ପ୍ରାକୃତିକତା
4.2/5
ସଠିକତା
4.0/5
ବେଗ
3.4/5
ସାର୍ବଜନୀନ
3.9/5
Parler TTS
Standard
ପ୍ରାକୃତିକତା
4.1/5
ସଠିକତା
3.9/5
ବେଗ
3.4/5
ସାର୍ବଜନୀନ
3.83/5
Tortoise TTS
Premium
ପ୍ରାକୃତିକତା
4.6/5
ସଠିକତା
4.4/5
ବେଗ
1.8/5
ସାର୍ବଜନୀନ
3.7/5
Bark
Standard
ପ୍ରାକୃତିକତା
4.2/5
ସଠିକତା
3.8/5
ବେଗ
2.5/5
ସାର୍ବଜନୀନ
3.57/5
ରେଖାଙ୍କିତ ପଦ୍ଧତି
ପରୀକ୍ଷଣ ବିନ୍ୟାସ
- ହାର୍ଡୱେର: 4x NVIDIA Tesla P40 (ପ୍ରତିଟିରେ 24GB VRAM), ମୋଟ 96GB
- ପରୀକ୍ଷଣ ପାଠ୍ୟ: 5ଟି ମାନକ ପାଠ୍ୟ ଭିନ୍ନ ଭିନ୍ନ ଭାଷଣ ପଦ୍ଧତି (ବର୍ଣ୍ଣନା, ଆଲୋଚନା, ବୈଷୟିକ, ଭାବଗତ, ବହୁଭାଷୀ)କୁ ଆବରଣ କରିଥାଏ
- 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%): ପ୍ରୋସୋଡି, ଇଣ୍ଟୋନେସନ, ରିଦମ୍, ଇମୋସନ – ଏହା କେତେ ମାନବୀୟ ।
- ସଠିକତା (30%): ଉଚ୍ଚାରଣ ସଠିକତା, ଶବ୍ଦ ତ୍ରୁଟି ହାର, ସ୍ପଷ୍ଟତା
- 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: ବେଞ୍ଚମାର୍କଗୁଡ଼ିକ ଆମର ନିର୍ଦ୍ଦିଷ୍ଟ ହାର୍ଡୱେର ଏବଂ ପରୀକ୍ଷଣ ପାଠ୍ୟଗୁଡ଼ିକରେ ପ୍ରଦର୍ଶନକୁ ପ୍ରତିବିମ୍ବିତ କରିଥାଏ। ପ୍ରକୃତ-ବିଶ୍ୱ ଗୁଣବତ୍ତା ନିବେଶ ପାଠ୍ୟ, ଭାଷା, ଏବଂ ସ୍ୱର ଚୟନ ଆଧାରରେ ପରିବର୍ତ୍ତନ ହୋଇପାରେ। ସମୁଦାୟ ରେଟିଂଗୁଡ଼ିକ ବିଭିନ୍ନ ପ୍ରକୃତ ବ୍ୟବହାର ଆଧାରରେ ଏକ ସମୂହ ସଂକେତ ପ୍ରଦାନ କରିଥାଏ।
ପ୍ରାୟ ପଚରାଯାଉଥିବା ପ୍ରଶ୍ନName
ଆମେ କଣ ସୁଧାରିପାରିବା? ଆପଣଙ୍କର ପ୍ରତିକ୍ରିୟା ଆମକୁ ସମସ୍ୟାର ସମାଧାନ କରିବାରେ ସହାୟକ ହୋଇଥାଏ ।
ଆପଣଙ୍କର ଉତ୍ତମ ଧ୍ୱନିକୁ ଖୋଜନ୍ତୁ
Kokoro, Piper, VITS, କିମ୍ବା MeloTTS ସହିତ ଯେକୌଣସି ନମୂନାକୁ ମୁକ୍ତ ଭାବରେ ଚେଷ୍ଟାକରନ୍ତୁ। କୌଣସି ଖାତା ଆବଶ୍ୟକ ନାହିଁ।