TTS Arena — AI හඬ ආකෘතිය නායකත්ව පුවරුව
සංසන්දනය 20+ පෙළ-කතා ආකෘති. නිල ලකුණු, ප්රජා ශ්රේණිගත කිරීම්, සහ පැත්තෙන් පැත්තට සංසන්දනය.
පැත්තෙන්- පැත්තට සංසන්දනය
පෙළ වර්ගය, ආකෘති දෙකක් තෝරා, හා ප්රතිඵල සසඳන්න. නිදහස්-තලය ආකෘති කිසිදු ගිණුමක් අවශ්ය.
නොමිලේ ආකෘති ගිණුමක් නොමැතිව වැඩ. ලියාපදිංචි වෙන්න වාරික ආකෘති සංසන්දනය කිරීමට.
ආදර්ශ නායකත්ව පුවරුව
| # | ආකෘතිය | නිල | ප්රජාව | ඔබේ අගය කිරීම | වේගය | සත්වයා |
|---|---|---|---|---|---|---|
| 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 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | තවමත් ඡන්ද නැත | slow | Standard | |
| 18 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | තවමත් ඡන්ද නැත | medium | Standard |
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 NVIDIA ටෙස්ලා P40 (24GB VRAM එක් එක්), 96GB මුළු
- පරීක්ෂණ පෙළ: 5 විවිධ කථා රටා ආවරණය සම්මත කොටස් (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%): Prosody, intonation, rhythm, emotion — how human does it sound?
- නිරවද්යතාව (30%): Pronunciation correctness, word error rate, intelligibility
- 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: Benchmarks reflect performance on our specific hardware and test texts. Real-world quality may vary based on input text, language, and voice selection. Community ratings provide a complementary signal based on diverse real usage.
නිතර අසන ප්රශ්න
ඔබේ පරිපූර්ණ හඬ සොයන්න
Kokoro සමග නිදහස් ඕනෑම ආකෘතිය උත්සාහ, Piper, VITS, හෝ MeloTTS. කිසිදු ගිණුමක් අවශ්ය.