TTS Arena - د AI غږ ماډل رهبري
د 20 + متن-to-speech ماډلونه پرتله کړئ. رسمي معیارونه، د ټولنې درجه بندي، او د خوا سره پرتله کول.
څنګ په څنګ پرتله کول
د متن ډول، دوه ماډلونه غوره کړئ، او پایلې یې پرتله کړئ. د وړیا کچې ماډلونه هیڅ حساب ته اړتیا نلري.
وړیا ماډلونه د حساب پرته کار کوي. ننوتل د وړيا ماډلونو پرتله.
ليډر بورډ بېلګه
| # | بېلګه | رسمي | ټولنه | ستاسو کچونه | چټکتيا | ځناور |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 رايه
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | هېڅ رايې | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | هېڅ رايې | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | هېڅ رايې | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | هېڅ رايې | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | هېڅ رايې | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | هېڅ رايې | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | هېڅ رايې | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | هېڅ رايې | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | هېڅ رايې | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | هېڅ رايې | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | هېڅ رايې | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | هېڅ رايې | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | هېڅ رايې | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | هېڅ رايې | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | هېڅ رايې | medium | Standard | |
| 17 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | هېڅ رايې | slow | Standard | |
| 18 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | هېڅ رايې | medium | Standard |
تفصيلي بنچمارک نښې
رسمي TTS.ai معیاري په دریو ابعادونو کې سکورونه: طبیعي، دقت، او سرعت.
Kokoro
Free
طبیعي
4.8/5
دقت
4.7/5
چټکتيا
4.9/5
ټوليز
4.8/5
CosyVoice 2
Standard
طبیعي
4.5/5
دقت
4.4/5
چټکتيا
3.8/5
ټوليز
4.26/5
Chatterbox
Premium
طبیعي
4.7/5
دقت
4.5/5
چټکتيا
3.4/5
ټوليز
4.25/5
StyleTTS 2
Premium
طبیعي
4.5/5
دقت
4.3/5
چټکتيا
3.8/5
ټوليز
4.23/5
Piper
Free
طبیعي
3.5/5
دقت
4.2/5
چټکتيا
4.95/5
ټوليز
4.15/5
MeloTTS
Free
طبیعي
3.8/5
دقت
4.1/5
چټکتيا
4.6/5
ټوليز
4.13/5
Dia TTS
Standard
طبیعي
4.6/5
دقت
4.3/5
چټکتيا
3.2/5
ټوليز
4.09/5
VITS
Free
طبیعي
3.4/5
دقت
4.0/5
چټکتيا
4.8/5
ټوليز
4.0/5
Orpheus
Standard
طبیعي
4.3/5
دقت
4.1/5
چټکتيا
3.5/5
ټوليز
4.0/5
OpenVoice
Premium
طبیعي
4.0/5
دقت
4.1/5
چټکتيا
3.9/5
ټوليز
4.0/5
IndexTTS-2
Standard
طبیعي
4.3/5
دقت
4.1/5
چټکتيا
3.2/5
ټوليز
3.91/5
Spark TTS
Standard
طبیعي
4.2/5
دقت
4.0/5
چټکتيا
3.4/5
ټوليز
3.9/5
Parler TTS
Standard
طبیعي
4.1/5
دقت
3.9/5
چټکتيا
3.4/5
ټوليز
3.83/5
Tortoise TTS
Premium
طبیعي
4.6/5
دقت
4.4/5
چټکتيا
1.8/5
ټوليز
3.7/5
Bark
Standard
طبیعي
4.2/5
دقت
3.8/5
چټکتيا
2.5/5
ټوليز
3.57/5
معياري طريقه کار
ازموېنې سازونه
- :هډوانې 4x NVIDIA ټیسلا P40 (هر یو 24GB VRAM)، ټول 96GB
- : ازموېنې ليکنه 5 معیاري پړاوونه چې د مختلفو خبرو نمونې پوښي (کیسه، خبرو اترو، تخنیکي، احساساتي، څو ژبه)
- : ارزونه اتومات متریکونه (MOS اټکل، WER، RTF) سره د انسان د اوریدلو ازموینو سره یوځای
- ځغلول: هر ماډل په هر پاس کې 10 ځله ازمول شوی، اوسط سکورونه
د شمېرنې معيارونه
- طبیعي (40٪): Prosody، intonation، ریتم، احساس - څومره انسان دا غږ کوي؟
- دقت (30٪): د تلفظ سموالی، د کلمې د تېروتنې کچه، د پوهېدو وړتيا
- : چټکتيا (% 30) د ریښتیني وخت فکتور (آډیو ثانیې / نسل ثانیې). لوړ = چټک.
- : ټوليز وزن اوسط: 0.4 x طبیعي + 0.3 x دقت + 0.3 x سرعت
: يادښت Benchmarks زموږ په ځانګړي هارډویر او ازموینې متنونو کې فعالیت منعکس کوي. د ریښتیني نړۍ کیفیت ممکن د ننوتلو متن، ژبې او غږ انتخاب پر بنسټ توپیر ولري. د ټولنې درجه بندي د مختلفو ریښتیني کارونې پر بنسټ یو مکمل سیګنال وړاندې کوي.
ډېرې پوښتنې
خپل بشپړ غږ ومومئ
د Kokoro، Piper، VITS، یا MeloTTS سره هر ماډل وړیا هڅه وکړئ. هیڅ حساب ته اړتیا نشته.