TTS Arena — AI හඬ ආකෘතිය නායකත්ව පුවරුව
20+ පෙළ-කතා ආකෘති සසඳන්න. නිල සංගණන, ප්රජා ශ්රේණිගත කිරීම්, සහ පැති-පාර්ශ්වීය සංසන්දනය.
අපි තවම ඔබේ භාෂාවෙන් TTS හඬක් නැහැ. අපිට උදව් කරන්න ඔබගේ එක එකතු කරන්න!
ඔබේ හඬ විකුණන්න
පැත්තෙන්- පැත්තට සංසන්දනය
පෙළ වර්ගය, ආකෘති දෙකක් තෝරා, හා ප්රතිඵල සසඳන්න. නිදහස්-තලය ආකෘති කිසිදු ගිණුමක් අවශ්ය.
නොමිලේ ආකෘති ගිණුමක් නොමැතිව වැඩ. ලියාපදිංචි වන්න වාරික ආකෘති සසඳන.
ආදර්ශ නායකත්ව පුවරුව
| # | ආකෘතිය | නිල | ප්රජාව | ඔබේ අගය කිරීම | වේගය | සත්ත්වයා |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 ඡන්දය
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | තවමත් ඡන්ද නැත | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | තවමත් ඡන්ද නැත | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | තවමත් ඡන්ද නැත | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | තවමත් ඡන්ද නැත | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | තවමත් ඡන්ද නැත | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | තවමත් ඡන්ද නැත | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | තවමත් ඡන්ද නැත | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | තවමත් ඡන්ද නැත | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | තවමත් ඡන්ද නැත | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | තවමත් ඡන්ද නැත | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | තවමත් ඡන්ද නැත | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | තවමත් ඡන්ද නැත | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | තවමත් ඡන්ද නැත | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | තවමත් ඡන්ද නැත | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | තවමත් ඡන්ද නැත | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | තවමත් ඡන්ද නැත | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | තවමත් ඡන්ද නැත | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | තවමත් ඡන්ද නැත | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | තවමත් ඡන්ද නැත | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | තවමත් ඡන්ද නැත | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | තවමත් ඡන්ද නැත | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | තවමත් ඡන්ද නැත | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | තවමත් ඡන්ද නැත | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | තවමත් ඡන්ද නැත | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | තවමත් ඡන්ද නැත | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | තවමත් ඡන්ද නැත | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | තවමත් ඡන්ද නැත | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | තවමත් ඡන්ද නැත | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | තවමත් ඡන්ද නැත | fast | Standard | |
| 31 |
MOSS-TTS
Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.
8B
500000h
2026
|
— | තවමත් ඡන්ද නැත | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | තවමත් ඡන්ද නැත | slow | Premium |
සවිස්තරාත්මක සම්මත ලකුණු
නිල TTS.ai සමානුපාතික මාන තුනක් පුරා ලකුණු: ස්වාභාවිකත්වය, නිරවද්යතාව, සහ වේගය.
Kokoro
Free
ස්වභාවික බව
4.8/5
නිරවද්යතාව
4.7/5
වේගය
4.9/5
සමස්තය
4.8/5
CosyVoice 2
Standard
ස්වභාවික බව
4.5/5
නිරවද්යතාව
4.4/5
වේගය
3.8/5
සමස්තය
4.26/5
Chatterbox
Premium
ස්වභාවික බව
4.7/5
නිරවද්යතාව
4.5/5
වේගය
3.4/5
සමස්තය
4.25/5
StyleTTS 2
Premium
ස්වභාවික බව
4.5/5
නිරවද්යතාව
4.3/5
වේගය
3.8/5
සමස්තය
4.23/5
Piper
Free
ස්වභාවික බව
3.5/5
නිරවද්යතාව
4.2/5
වේගය
4.95/5
සමස්තය
4.15/5
MeloTTS
Free
ස්වභාවික බව
3.8/5
නිරවද්යතාව
4.1/5
වේගය
4.6/5
සමස්තය
4.13/5
Dia TTS
Standard
ස්වභාවික බව
4.6/5
නිරවද්යතාව
4.3/5
වේගය
3.2/5
සමස්තය
4.09/5
VITS
Free
ස්වභාවික බව
3.4/5
නිරවද්යතාව
4.0/5
වේගය
4.8/5
සමස්තය
4.0/5
Orpheus
Standard
ස්වභාවික බව
4.3/5
නිරවද්යතාව
4.1/5
වේගය
3.5/5
සමස්තය
4.0/5
OpenVoice
Premium
ස්වභාවික බව
4.0/5
නිරවද්යතාව
4.1/5
වේගය
3.9/5
සමස්තය
4.0/5
IndexTTS-2
Standard
ස්වභාවික බව
4.3/5
නිරවද්යතාව
4.1/5
වේගය
3.2/5
සමස්තය
3.91/5
Spark TTS
Standard
ස්වභාවික බව
4.2/5
නිරවද්යතාව
4.0/5
වේගය
3.4/5
සමස්තය
3.9/5
Parler TTS
Standard
ස්වභාවික බව
4.1/5
නිරවද්යතාව
3.9/5
වේගය
3.4/5
සමස්තය
3.83/5
Tortoise TTS
Premium
ස්වභාවික බව
4.6/5
නිරවද්යතාව
4.4/5
වේගය
1.8/5
සමස්තය
3.7/5
Bark
Standard
ස්වභාවික බව
4.2/5
නිරවද්යතාව
3.8/5
වේගය
2.5/5
සමස්තය
3.57/5
සසඳන ක්රමවේදය
පරීක්ෂණ සැකසුම
- දෘඩාංග: 4x එන්වීඩියා ටෙස්ලා P40 (24GB VRAM එක් එක්), 96GB මුළු
- පරීක්ෂණ පෙළ: 5 විවිධ කථා රටා ආවරණය සම්මත මාර්ග (කථාව, සංවාදය, තාක්ෂණික, මානසික, බහුභාෂා)
- ඇගයීම: ස්වයංක්රීය දර්ශක (MOS ඇස්තමේන්තු, WER, RTF) මානව සවන් පරීක්ෂණ සමග ඒකාබද්ධ
- ධාවනය: එක් එක් ආකෘතිය පරීක්ෂා 10 වරක් ගමන්, ලකුණු සාමාන්ය
ලකුණු කිරීමේ නිර්ණායක
- ස්වාභාවික බව (40%): මනෝවිද්යාව, මනෝවිද්යාව, මනෝවිද්යාව, මනෝවිද්යාව, මනෝවිද්යාව, මනෝවිද්යාව, මනෝවිද්යාව, මනෝවිද්යාව, මනෝවිද්යාව යනු කුමක්ද?
- නිරවද්යතාව (30%): උච්චාරණය නිවැරදි බව, වචනය දෝෂ අනුපාතය, තේරුම්
- වේගය (30%): සැබෑ කාලය සාධකය (ශ්රව්ය තත්පර / පරම්පරාව තත්පර). ඉහළ = වේගවත්.
- සමස්තය: බර සාමාන්යය: 0.4 x ස්වාභාවිකත්වය + 0.3 x නිරවද් යතාවය + 0.3 x වේගය
සටහන: බෙන්ච්මාර්ක්ස් අපගේ විශේෂිත දෘඩාංග හා පරීක්ෂණ පෙළ මත කාර්ය සාධනය පිළිබිඹු. සැබෑ ලෝකයේ ගුණාත්මක ආදාන පෙළ මත පදනම්ව වෙනස් විය හැක, භාෂාව, හා හඬ තෝරා. ප්රජා ශ්රේණිගත කිරීම් විවිධ සැබෑ භාවිතය මත පදනම් වූ අතිරේක සංඥාවක් ලබා දීම.
නිතර අසන ප්රශ්න
අපි වැඩි දියුණු කළ හැකි දේ? ඔබේ ප්රතිචාරය අපට ගැටළු විසඳීමට උපකාරී වේ.
ඔබේ පරිපූර්ණ හඬ සොයන්න
Kokoro සමග නිදහස් ඕනෑම ආකෘතිය උත්සාහ, Piper, VITS, හෝ MeloTTS. කිසිදු ගිණුමක් අවශ්ය.