TTS Arena — AI آواز ماڊل ليڊر بورڊ
20+ متن کان ڳالهائڻ جا ماڊل مقابلو ڪريو. سرڪاري معيار، برادري جي درجي بندي، ۽ ساڄي پاسي مقابلو.
پاسي پاسي مقابلو
متن لک، ٻه ماڊل چونڊ ۽ نتيجن جو مقابلو ڪر. مفت ماڊلن کي اڪائونٽ جي ضرورت نه آھي.
مفت ماڊل اڪائونٽ کانسواءِ ڪم ڪن ٿا. رجسٽر ٿيو اعلي معيار جي ماڊلن جي مقابلي لاءِ.
ماڊل ليڊر بورڊ
| # | ماڊل | سرڪاري | برادري | توھان جو تصنيف | رفتار | جانور |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 ووٽ
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | اڃان ڪو ووٽ نه | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | اڃان ڪو ووٽ نه | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | اڃان ڪو ووٽ نه | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | اڃان ڪو ووٽ نه | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | اڃان ڪو ووٽ نه | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | اڃان ڪو ووٽ نه | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | اڃان ڪو ووٽ نه | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | اڃان ڪو ووٽ نه | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | اڃان ڪو ووٽ نه | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | اڃان ڪو ووٽ نه | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | اڃان ڪو ووٽ نه | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | اڃان ڪو ووٽ نه | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | اڃان ڪو ووٽ نه | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | اڃان ڪو ووٽ نه | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | اڃان ڪو ووٽ نه | medium | Standard | |
| 17 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | اڃان ڪو ووٽ نه | slow | Standard | |
| 18 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | اڃان ڪو ووٽ نه | medium | Standard |
تفصيلي بينچ مارڪ رڪارڊ
سرڪاري TTS.ai بينچ مارڪ ٽين ابعاد ۾ اسڪور ڪري ٿو: طبيعت، دقت ۽ رفتار.
Kokoro
Free
فطرت
4.8/5
دقت
4.7/5
رفتار
4.9/5
مجموعي
4.8/5
CosyVoice 2
Standard
فطرت
4.5/5
دقت
4.4/5
رفتار
3.8/5
مجموعي
4.26/5
Chatterbox
Premium
فطرت
4.7/5
دقت
4.5/5
رفتار
3.4/5
مجموعي
4.25/5
StyleTTS 2
Premium
فطرت
4.5/5
دقت
4.3/5
رفتار
3.8/5
مجموعي
4.23/5
Piper
Free
فطرت
3.5/5
دقت
4.2/5
رفتار
4.95/5
مجموعي
4.15/5
MeloTTS
Free
فطرت
3.8/5
دقت
4.1/5
رفتار
4.6/5
مجموعي
4.13/5
Dia TTS
Standard
فطرت
4.6/5
دقت
4.3/5
رفتار
3.2/5
مجموعي
4.09/5
VITS
Free
فطرت
3.4/5
دقت
4.0/5
رفتار
4.8/5
مجموعي
4.0/5
Orpheus
Standard
فطرت
4.3/5
دقت
4.1/5
رفتار
3.5/5
مجموعي
4.0/5
OpenVoice
Premium
فطرت
4.0/5
دقت
4.1/5
رفتار
3.9/5
مجموعي
4.0/5
IndexTTS-2
Standard
فطرت
4.3/5
دقت
4.1/5
رفتار
3.2/5
مجموعي
3.91/5
Spark TTS
Standard
فطرت
4.2/5
دقت
4.0/5
رفتار
3.4/5
مجموعي
3.9/5
Parler TTS
Standard
فطرت
4.1/5
دقت
3.9/5
رفتار
3.4/5
مجموعي
3.83/5
Tortoise TTS
Premium
فطرت
4.6/5
دقت
4.4/5
رفتار
1.8/5
مجموعي
3.7/5
Bark
Standard
فطرت
4.2/5
دقت
3.8/5
رفتار
2.5/5
مجموعي
3.57/5
معياري طريقيڪار
آزمائش جي ترتيب
- هارڊويئر: 4x NVIDIA Tesla P40 (24GB VRAM هر)، 96GB گڏيل
- آزمائشي متن: 5 معياري حصا مختلف ڳالهائڻ جي نمونن کي ڍڪيندا آهن (قصو، گفتگو، فني، جذباتي، ڪيترن ٻولين ۾)
- درجه بندي: خودڪار ميٽرڪ (MOS اندازو، WER، RTF) انسان ٻڌڻ ٽيسٽ سان گڏ
- ڊرائيو: هر ماڊل 10 ڀيرا آزمايو ويو، اوسط نمبر
رڪارڊ ڪرڻ جا معيار
- طبيعت (40%): پروسيڊي، انتونيشن، ريتم، احساس - اهو ڪيترو انساني آهي؟
- دقت (30%): آواز جي صحيحي، لفظ جي غلطي جي شرح، سمجھائي
- رفتار (30%): ريئل ٽائيم فيڪٽر (آڊيو سيڪنڊ / پيدائش سيڪنڊ). وڌيڪ = تيز.
- مجموعي: اوسط وزن: 0.4 x طبيعت + 0.3 x دقت + 0.3 x رفتار
نوٽ: بينچ مارڪ اسان جي خاص هارڊويئر ۽ ٽيسٽ متن تي ڪارڪردگي ڏيکاريندا آھن. حقيقي دنيا جي معيار داخل ڪيل متن، ٻولي، ۽ آواز جي چونڊ تي منحصر ٿي سگھي ٿو. سوسائٽي جي درجي بندي مختلف حقيقي استعمال تي ٻڌل اضافي اشارو مهيا ڪري ٿي.
گھڻا پڇيا ويندا سوال
پنھنجو پورو آواز ڳوليو
ڪوڪورو، پيپر، VITS يا MeloTTS سان ڪنهن به ماڊل کي مفت ۾ آزمايو. ڪوبه اڪائونٽ نه گھرجي.