TTS Arena - AI آواز ماڈل ليڈر بورڈ
20+ ٹیکس-تو-زبان ماڈلز کا موازنہ کریں. سرکاری بینکمارکس، کمیونٹی ریتینگز، اور سایڈ-بائی-سایڈ موازنہ.
آپ کی زبان میں اب تک ہمارے پاس TTS آوازیں نہیں ہیں. ہمیں آپ کی آوازیں شامل کرنے میں مدد کریں!
آپ کی آواز فروخت کریں
کنارے-بجانب موازنہ
متن ٹائپ کريں ، دو ماڈل منتخب کريں اور نتيجوں کا موازنہ کريں
مفت ماڈل ایک اکاؤنٹ کے بغیر کام کرتے ہیں۔ رجسٹر کریں پرائم ماڈلز کے مقابلے کے لئے.
ماڈل ليڈر بورڈ
| # | ماڈل | سرکاري | کميونٽي | آپ کا درجہ | رفتار | تير |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 ووٹ
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | ابھی تک کوئی ووٹ نہیں | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | ابھی تک کوئی ووٹ نہیں | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | ابھی تک کوئی ووٹ نہیں | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | ابھی تک کوئی ووٹ نہیں | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | ابھی تک کوئی ووٹ نہیں | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | ابھی تک کوئی ووٹ نہیں | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | ابھی تک کوئی ووٹ نہیں | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | ابھی تک کوئی ووٹ نہیں | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | ابھی تک کوئی ووٹ نہیں | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | ابھی تک کوئی ووٹ نہیں | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | ابھی تک کوئی ووٹ نہیں | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | ابھی تک کوئی ووٹ نہیں | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | ابھی تک کوئی ووٹ نہیں | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | ابھی تک کوئی ووٹ نہیں | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | ابھی تک کوئی ووٹ نہیں | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | ابھی تک کوئی ووٹ نہیں | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | ابھی تک کوئی ووٹ نہیں | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | ابھی تک کوئی ووٹ نہیں | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | ابھی تک کوئی ووٹ نہیں | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | ابھی تک کوئی ووٹ نہیں | 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
|
— | ابھی تک کوئی ووٹ نہیں | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | ابھی تک کوئی ووٹ نہیں | slow | Premium |
تفصیلی بنچمارک سکور
سرکاری TTS.ai بنچمارک تین پہلوؤں میں امتیازات: فطرت، دقت، اور رفتار.
Kokoro
Free
فطرت
4.8/5
درستگي
4.7/5
رفتار
4.9/5
مجموعی
4.8/5
CosyVoice 2
Standard
فطرت
4.5/5
درستگي
4.4/5
رفتار
3.8/5
مجموعی
4.26/5
Chatterbox
Premium
فطرت
4.7/5
درستگي
4.5/5
رفتار
3.4/5
مجموعی
4.25/5
StyleTTS 2
Premium
فطرت
4.5/5
درستگي
4.3/5
رفتار
3.8/5
مجموعی
4.23/5
Piper
Free
فطرت
3.5/5
درستگي
4.2/5
رفتار
4.95/5
مجموعی
4.15/5
MeloTTS
Free
فطرت
3.8/5
درستگي
4.1/5
رفتار
4.6/5
مجموعی
4.13/5
Dia TTS
Standard
فطرت
4.6/5
درستگي
4.3/5
رفتار
3.2/5
مجموعی
4.09/5
VITS
Free
فطرت
3.4/5
درستگي
4.0/5
رفتار
4.8/5
مجموعی
4.0/5
Orpheus
Standard
فطرت
4.3/5
درستگي
4.1/5
رفتار
3.5/5
مجموعی
4.0/5
OpenVoice
Premium
فطرت
4.0/5
درستگي
4.1/5
رفتار
3.9/5
مجموعی
4.0/5
IndexTTS-2
Standard
فطرت
4.3/5
درستگي
4.1/5
رفتار
3.2/5
مجموعی
3.91/5
Spark TTS
Standard
فطرت
4.2/5
درستگي
4.0/5
رفتار
3.4/5
مجموعی
3.9/5
Parler TTS
Standard
فطرت
4.1/5
درستگي
3.9/5
رفتار
3.4/5
مجموعی
3.83/5
Tortoise TTS
Premium
فطرت
4.6/5
درستگي
4.4/5
رفتار
1.8/5
مجموعی
3.7/5
Bark
Standard
فطرت
4.2/5
درستگي
3.8/5
رفتار
2.5/5
مجموعی
3.57/5
بينچمارک طريقہ کار
ٹیسٹ ترتیبات
- ہارڈ ویئر: 4x NVIDIA Tesla P40 (24GB VRAM ہر)، مجموعی 96GB
- ٹیسٹ متن: مختلف زباني نمونوں کو ڈھانپنے کے ليے 5 معياري حصے (تصوير، مباحثہ، تخنيکي، جذباتي، چند زباني)
- درجہ بندی: خودکار میٹرکس (MOS تخمينہ، WER، RTF) انسانی سننے کے ٹیسٹ کے ساتھ مل کر
- چلتا ہے: ہر ماڈل کو 10 بار آزمایا گیا، اوسط سکور
سکورنگ معیار
- فطرت (40%): پروسوڈی، انٹنیشن، ریتمی، احساس - یہ کس طرح انسانی آواز لگتی ہے؟
- درستگي (30%): لفظي درستي ، لفظي غلطي کي شرح ، سمجھي کي قابليت
- رفتار (30%): ریئل ٹائم فیکٹر (آڈیو سیکنڈز / جنریشن سیکنڈز). زیادہ = تیز.
- مجموعی: ويزڈ اوسط: 0.4 x فطرت + 0.3 x دقت + 0.3 x رفتار
یادداشت: بينچمارکز ہمارے مخصوص ہارڈ ویئر اور ٹیسٹ ٹیکسٹز پر کارکردگی کا اظہار کرتے ہیں. حقیقی دنیا کی معیار ان پٹ ٹیکسٹ، زبان اور آواز کی انتخاب کے بنیاد پر مختلف ہو سکتی ہے. کمیونٹی رےٹنگ مختلف حقیقی استعمال کے بنیاد پر ایک مکمل سیگنل فراہم کرتی ہے.
بار بار پوچھے گئے سوالات
ہم کیا بہتر کر سکتے ہیں؟ آپ کا رائے ہمیں مسائل حل کرنے میں مدد کرتا ہے.
آپ کی بہترین آواز تلاش کریں
Kokoro, Piper, VITS, or MeloTTS کے ساتھ کوئی ماڈل مفت آزمائيں ۔کوئي اڪاؤنٹ ضروري نهيں