TTS Arena - AI ਵੌਇਸ ਮਾਡਲ ਲੀਡਰਬੋਰਡ
20+ ਪਾਠ-ਤੋਂ-ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ। ਰਸਮੀ ਬੈਂਕਮਾਰਕ, ਕਮਿਊਨਿਟੀ ਰੇਟਿੰਗ ਅਤੇ ਪਾਸੇ-ਪਾਸੇ ਤੁਲਨਾ।
ਤੁਹਾਡੇ ਕੋਲ ਤੁਹਾਡੀ ਭਾਸ਼ਾ ਵਿੱਚ TTS ਆਵਾਜ਼ਾਂ ਨਹੀਂ ਹਨ । ਸਾਨੂੰ ਆਪਣੀਆਂ ਸ਼ਾਮਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੋ!
ਆਪਣੀ ਆਵਾਜ਼ ਵੇਚੋ
ਸਾਈਡ- ਸਾਈਡ ਤੁਲਨਾ
ਟੈਕਸਟ ਲਿਖੋ, ਦੋ ਮਾਡਲ ਚੁਣੋ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ। ਮੁਫਤ-ਟਾਇਰ ਮਾਡਲਾਂ ਲਈ ਕੋਈ ਅਕਾਊਂਟ ਲੋੜੀਦਾ ਨਹੀਂ ਹੈ।
ਮੁਫਤ ਮਾਡਲ ਅਕਾਊਂਟ ਬਿਨਾਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਸਾਈਨ ਅੱਪ ਇਸ ਲਈ ਇਹ ਢੰਗ ਬਹੁਤ ਹੀ ਲਾਭਦਾਇਕ ਹੈ।
ਮਾਡਲ ਲੀਡਰਬੋਰਡ
| # | ਮਾਡਲ | ਅਧਿਕਾਰਤ | ਕਮਿਊਨਿਟੀ | ਤੁਹਾਡਾ ਰੇਟਿੰਗ | ਗਤੀ | ਟੀਅਰ |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 ਵੋਟ
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Standard | |
| 22 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Standard | |
| 23 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Standard | |
| 24 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Free | |
| 25 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Standard | |
| 26 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Standard | |
| 27 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Free | |
| 28 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Free | |
| 29 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | fast | Standard | |
| 30 |
MOSS-TTS
Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.
8B
500000h
2026
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | medium | Premium | |
| 31 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | ਹਾਲੇ ਕੋਈ ਵੋਟ ਨਹੀਂ | slow | Premium |
ਵੇਰਵਾ ਬੈਂਚਮਾਰਕ ਸਕੋਰ
ਅਧਿਕਾਰਤ TTS.ai ਬੈਂਕਮਾਰਕ ਤਿੰਨ ਆਕਾਰਾਂ ਵਿੱਚ ਸਕੋਰ ਕਰਦਾ ਹੈ: ਕੁਦਰਤੀਤਾ, ਸਹੀਤਾ ਅਤੇ ਗਤੀ।
Kokoro
Free
ਕੁਦਰਤੀ
4.8/5
ਠੀਕਤਾ
4.7/5
ਸਪੀਡ
4.9/5
ਕੁੱਲ
4.8/5
CosyVoice 2
Standard
ਕੁਦਰਤੀ
4.5/5
ਠੀਕਤਾ
4.4/5
ਸਪੀਡ
3.8/5
ਕੁੱਲ
4.26/5
Chatterbox
Premium
ਕੁਦਰਤੀ
4.7/5
ਠੀਕਤਾ
4.5/5
ਸਪੀਡ
3.4/5
ਕੁੱਲ
4.25/5
StyleTTS 2
Premium
ਕੁਦਰਤੀ
4.5/5
ਠੀਕਤਾ
4.3/5
ਸਪੀਡ
3.8/5
ਕੁੱਲ
4.23/5
Piper
Free
ਕੁਦਰਤੀ
3.5/5
ਠੀਕਤਾ
4.2/5
ਸਪੀਡ
4.95/5
ਕੁੱਲ
4.15/5
MeloTTS
Free
ਕੁਦਰਤੀ
3.8/5
ਠੀਕਤਾ
4.1/5
ਸਪੀਡ
4.6/5
ਕੁੱਲ
4.13/5
Dia TTS
Standard
ਕੁਦਰਤੀ
4.6/5
ਠੀਕਤਾ
4.3/5
ਸਪੀਡ
3.2/5
ਕੁੱਲ
4.09/5
VITS
Free
ਕੁਦਰਤੀ
3.4/5
ਠੀਕਤਾ
4.0/5
ਸਪੀਡ
4.8/5
ਕੁੱਲ
4.0/5
Orpheus
Standard
ਕੁਦਰਤੀ
4.3/5
ਠੀਕਤਾ
4.1/5
ਸਪੀਡ
3.5/5
ਕੁੱਲ
4.0/5
OpenVoice
Premium
ਕੁਦਰਤੀ
4.0/5
ਠੀਕਤਾ
4.1/5
ਸਪੀਡ
3.9/5
ਕੁੱਲ
4.0/5
IndexTTS-2
Standard
ਕੁਦਰਤੀ
4.3/5
ਠੀਕਤਾ
4.1/5
ਸਪੀਡ
3.2/5
ਕੁੱਲ
3.91/5
Spark TTS
Standard
ਕੁਦਰਤੀ
4.2/5
ਠੀਕਤਾ
4.0/5
ਸਪੀਡ
3.4/5
ਕੁੱਲ
3.9/5
Parler TTS
Standard
ਕੁਦਰਤੀ
4.1/5
ਠੀਕਤਾ
3.9/5
ਸਪੀਡ
3.4/5
ਕੁੱਲ
3.83/5
Tortoise TTS
Premium
ਕੁਦਰਤੀ
4.6/5
ਠੀਕਤਾ
4.4/5
ਸਪੀਡ
1.8/5
ਕੁੱਲ
3.7/5
Bark
Standard
ਕੁਦਰਤੀ
4.2/5
ਠੀਕਤਾ
3.8/5
ਸਪੀਡ
2.5/5
ਕੁੱਲ
3.57/5
ਬੇਨਤੀ
ਟੈਸਟ ਸੈੱਟਅੱਪ
- ਹਾਰਡਵੇਅਰ: 4x NVIDIA Tesla P40 (24GB VRAM ਹਰੇਕ), ਕੁੱਲ 96GB
- ਟੈਸਟ ਪਾਠ: ਵੱਖ-ਵੱਖ ਬੋਲੀ ਪੈਟਰਨਾਂ (ਕਥਨ, ਸੰਵਾਦ, ਤਕਨੀਕੀ, ਭਾਵਨਾਤਮਕ, ਬਹੁਭਾਸ਼ੀ) ਨੂੰ ਕਵਰ ਕਰਨ ਵਾਲੇ5ਸਟੈਂਡਰਡ ਪਾਠ
- ਰੇਟਿੰਗ: ਆਟੋਮੈਟਿਕ ਮੀਟਰਿਕਸ (MOS ਅਨੁਮਾਨ, WER, RTF) ਮਨੁੱਖੀ ਸੁਣਨ ਟੈਸਟ ਨਾਲ ਜੋੜਿਆ
- ਚੱਲਦਾ ਹੈ: ਹਰੇਕ ਮਾਡਲ ਪ੍ਰਤੀ ਪਾਸ 10 ਵਾਰੀ ਟੈਸਟ ਕੀਤਾ ਗਿਆ, ਸਕੋਰ ਔਸਤ
ਸਕੋਰਿੰਗ ਮਾਪਦੰਡ
- ਕੁਦਰਤੀ (40%): ਪਰੋਸੋਡੀ, ਇੰਟੋਨੇਸ਼ਨ, ਰੀਥਮ, ਇਮੋਸ਼ਨ – ਇਹ ਕਿੰਨਾ ਮਨੁੱਖੀ ਸੁਣਾਈ ਦਿੰਦਾ ਹੈ?
- ਠੀਕਤਾ (30%): ਉਚਾਰਨ ਸਹੀਤਾ, ਸ਼ਬਦ ਗਲਤੀ ਦਰ, ਸਮਝਣਯੋਗਤਾ
- ਗਤੀ (30%): ਰੀਅਲ-ਟਾਈਮ ਫੈਕਟਰ (ਆਡੀਓ ਸਕਿੰਟ / ਜਨਰੇਸ਼ਨ ਸਕਿੰਟ) । ਵੱਧ = ਤੇਜ਼ ਹੈ ।
- ਕੁੱਲ: ਭਾਰੀ ਔਸਤ: 0.4x ਕੁਦਰਤੀ + 0.3x ਸਹੀ + 0.3x ਗਤੀ
ਨੋਟ: ਬੈਂਚਮਾਰਕ ਸਾਡੇ ਖਾਸ ਹਾਰਡਵੇਅਰ ਅਤੇ ਟੈਸਟ ਟੈਕਸਟ ਉੱਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ । ਅਸਲੀ ਕੁਆਲਟੀ ਇੰਪੁੱਟ ਟੈਕਸਟ, ਭਾਸ਼ਾ ਅਤੇ ਆਵਾਜ਼ ਚੋਣ ਉੱਤੇ ਅਧਾਰਿਤ ਹੋ ਸਕਦੀ ਹੈ । ਕਮਿਊਨਿਟੀ ਰੇਟਿੰਗ ਵੱਖ ਵੱਖ ਅਸਲੀ ਵਰਤੋਂ ਉੱਤੇ ਅਧਾਰਿਤ ਇੱਕ ਪੂਰਨ ਸਿਗਨਲ ਦਿੰਦੀ ਹੈ ।
ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ
ਅਸੀਂ ਕੀ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਾਂ? ਤੁਹਾਡੀ ਟਿੱਪਣੀ ਸਾਨੂੰ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।
ਆਪਣੀ ਸੰਪੂਰਨ ਆਵਾਜ਼ ਲੱਭੋ
ਕੋਕੋਰੋ, ਪਾਈਪਰ, VITS ਜਾਂ MeloTTS ਨਾਲ ਕੋਈ ਵੀ ਮਾਡਲ ਮੁਫਤ ਵਰਤੋਂ। ਕੋਈ ਅਕਾਊਂਟ ਲੋੜੀਦਾ ਨਹੀਂ ਹੈ।