برچسبهایی که مدل برگزیده می‌فهمد — برای انداختن یکی در متن خود ، جایی که اتفاق می‌افتد ، کلیک کنید:
این مدل متن ساده را می‌خواند ، بنابراین برچسبهای خطی نادیده گرفته می‌شوند. برای احساسات مبتنی بر برچسب ، به یک مدل بیانی مانند Orpheus یا Bark تغییر دهید.
نشانههای ارائه زبان طبیعی. امروز توسط Qwen3-TTS مورد تقدیر قرار گرفت؛ مدلهای بیانی دیگر به زودی در دسترس خواهند بود.
این مدل از دستورالعملهای سبک پشتیبانی نمیکند - به مدلی که پشتیبانی میکند (مثل Qwen3-TTS) تغییر دهید.
تعریف تلفظ سفارشی) کلمه = تلفظ (:
-12
+12
کنترل بیان) ۰ = خنثی ، ۱ = بسیار بیانگر (
وزن راهنمایی بدون طبقهبندیکننده (بالاتر = بیشتر دنبالکننده)
توصیف سبک صدا به زبان طبیعی) Parler به جای صداهای پیش‌فرض از این استفاده میکند (
قالب محاورۀ Dia: از برچسبهای [S1] و [S2] برای نشان دادن بلندگوهای مختلف استفاده کنید. مثال: [S1] سلام! [S2] سلام، چطوری؟
FreyaTTS-small is a 183-million-parameter model built for one language and built well. It is a non-autoregressive conditional flow-matching diffusion transformer that reads Turkish directly at the character level — 92 symbols, no phonemizer and no grapheme-to-phoneme stage, which removes a whole class of mispronunciation that pronunciation dictionaries introduce. It generates in a frozen AudioVAE2 latent space and decodes to 48 kHz mono, more than double the sample rate of the piper Turkish voice, so the output carries treble detail that a 22 kHz model simply cannot represent. On the Freya-TR-Eval benchmark it reaches 8.0% word error rate, placing it ahead of both XTTS-v2 and F5-TTS among open sub-billion-parameter Turkish systems, and it runs fast enough for real-time use at roughly a tenth of real time.
بهترین برای: Turkish narration, voice agents, and any Turkish audio that needs high sample-rate output
It was trained from scratch on Turkish speech alone rather than adapted from a multilingual model. Specialising lets a 183M-parameter model compete with far larger multilingual systems on Turkish, but it means the model has no ability to read other languages — requests in another language are rejected rather than mispronounced.
Most open TTS models emit 22.05 kHz or 24 kHz, which caps reproducible audio at around 11-12 kHz and audibly dulls sibilants. FreyaTTS decodes to 48 kHz, the standard sample rate for video and broadcast, so its output drops into a production timeline without upsampling.
No. FreyaTTS has a single fixed speaker and does not support cloning. For a cloned Turkish voice use one of our zero-shot cloning models instead.
Many TTS systems first convert text into phonemes using a pronunciation dictionary, and anything missing from that dictionary — new words, names, loanwords — gets guessed. FreyaTTS reads the characters themselves, so Turkish spelling, which is highly regular, maps to sound without that lossy middle step.
