Tags den valgte model forstår! klik for at droppe en i din tekst, hvor det sker:
Denne model læser almindelig tekst, så inline tags ignoreres. For tag-baserede følelser, skifte til en ekspressiv model som Orpheus eller Bark.
Natural-language levering cues. Æret af Qwen3-TTS i dag; andre udtryksfulde modeller kommer snart.
Denne model understøtter ikke style instruktioner! skifte til en model, der gør (f.eks Qwen3-TTS).
Definer brugerdefinerede udtaler (ord = udtale):
-12
+12
Kontrollerer udtryksfuldhed (0 = neutral, 1 = meget udtryksfuld)
Classifier-fri vejledning vægt (højere = mere hurtig-følgende)
Beskriv stemmestilen i naturligt sprog (Parler bruger dette i stedet for forudindstillede stemmer)
Dia- dialogformat: Brug [S1] og [S2] tags til at markere forskellige højttalere. Eksempel: [S1] Hej der! [S2] Hej, hvordan har du det?
Dette er en premium stemmemodel, tilgængelig på enhver betalt plan. Du kan stadig få vist sine stemmer gratis med play-knappen ved siden af stemmevælgeren.
OuteTTS by OuteAI takes a language-model approach to speech: it extends an LLM with text-to-speech capability while keeping the original architecture intact, so it can run through standard LLM tooling. That gives it unusually broad backend support — llama.cpp on CPU or GPU, Hugging Face Transformers, ExLlamaV2, VLLM, and even in-browser inference via Transformers.js. It is a natural fit for edge deployment and low-resource environments where running a model client-side or on CPU matters more than raw speed. On TTS.ai it is offered on the free tier for English. Because the LLM-based pipeline is slow on long inputs, it is best used for shorter regular text rather than long-form cloning.
Bedst for: Edge deployment, browser-based TTS, low-resource environments
CC BY-NC-SA 4.0 (weights, non-commercial) + Llama 3.2 Community (base)
Personlig og ikke-kommerciel brug
Metodetrin
free
Hastighed
slow
Stemmekloning
Nej
Sprog
English
Maks. tegn
1000
OuteTTS stemmer
Female 1 (Neutral)
English
FriFemalePersonlig og ikke-kommerciel brug
OuteTTS Ofte stillede spørgsmål om TTS
Across many backends — llama.cpp (CPU or GPU), Hugging Face Transformers, ExLlamaV2, VLLM, and even directly in the browser through Transformers.js — because it preserves the underlying LLM architecture.
Its LLM-based design runs efficiently on CPU and in the browser, so it can operate client-side or on modest hardware without a dedicated GPU.
It works best on shorter inputs. The LLM-based pipeline is slow on long passages, so it is offered for regular short-to-medium TTS rather than long-form generation.
