Ετικέτες το επιλεγμένο μοντέλο καταλαβαίνει □ κάντε κλικ για να ρίξετε ένα στο κείμενο σας όπου συμβαίνει:
Αυτό το μοντέλο διαβάζει απλό κείμενο, έτσι οι ετικέτες inline αγνοούνται. Για tag-based συναίσθημα, μεταβείτε σε ένα εκφραστικό μοντέλο όπως ο Ορφέας ή Bark.
Τιμήθηκε από Qwen3-TTS σήμερα? άλλα εκφραστικά μοντέλα έρχονται σύντομα.
Αυτό το μοντέλο δεν υποστηρίζει τις οδηγίες στυλ, αλλάξτε σε ένα μοντέλο που κάνει (π.χ. Qwen3-TTS).
Define custom προφορές (word = εκφώνηση):
-12
+12
Εξπρές ελέγχου (0 = ουδέτερο, 1 = πολύ εκφραστικό)
Βάρος κατεύθυνσης χωρίς ταξινομητή (υψηλότερο = πιο άμεσος)
Περιγράψτε το στυλ φωνής στη φυσική γλώσσα (Ο Πάρλερ χρησιμοποιεί αυτό αντί για προεπιλεγμένες φωνές)
Μορφή διαλόγου Dia: Χρησιμοποιήστε [S1] και [S2] tags για να σημειώσετε διαφορετικά ηχεία. Παράδειγμα: [S1] Γεια σας εκεί! [S2] Γεια σας, πώς είστε;
Αυτό είναι ένα premium μοντέλο φωνής, διαθέσιμο σε οποιοδήποτε πρόγραμμα πληρωμής. Μπορείτε ακόμα να προεπισκεφθείτε τις φωνές του δωρεάν με το κουμπί αναπαραγωγής δίπλα στον φωνητή.
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.
Το καλύτερο για: Edge deployment, browser-based TTS, low-resource environments
CC BY-NC-SA 4.0 (weights, non-commercial) + Llama 3.2 Community (base)
Μόνο προσωπική και μη εμπορική χρήση
Βαθμίδα
free
Ταχύτητα
slow
Κλωνοποίηση φωνής
Όχι.
Γλώσσες
English
Μεγ. χαρακτήρες
1000
OuteTTS φωνές
Female 1 (Neutral)
English
ΑτελώςFemaleΜόνο προσωπική και μη εμπορική χρήση
OuteTTS TTS □ Συχνές ερωτήσεις
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.
