Tag yang dipilih mengerti klik °C untuk memasukkan satu ke dalam teks Anda di mana hal itu terjadi:
Model ini membaca teks biasa, sehingga tag inline diabaikan. Untuk tag berbasis emosi, beralih ke model ekspresif seperti Orpheus atau Bark.
isyarat pengiriman bahasa alami. yang dihormati oleh Qwen3-TTS hari ini; model ekspresif lain akan segera datang.
Model ini tidak mendukung instruksi gaya å beralih ke model yang melakukan (misalnya Qwen3-TTS).
Definisikan pengucapan ubahan (kata = pelafalan):
-12
+12
Kontrol ekspresif (0 = netral, 1 = sangat ekspresif)
Berat panduan kelas-bebas (lebih tinggi = lebih prompt-following)
Gambarkan gaya suara dalam bahasa alami (Parler menggunakan ini bukan suara preset)
Format Dia Dialog: Gunakan [S1] dan [S2] tag untuk menandai speaker yang berbeda. Contoh: [S1] Hello there! [S2] Hi, bagaimana kabarmu?
Ini adalah model suara premium, tersedia pada setiap rencana yang dibayar. Anda masih dapat mempratinjau suaranya dengan tombol pemutaran di sebelah pemilih suara.
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.
Terbaik untuk: Edge deployment, browser-based TTS, low-resource environments
CC BY-NC-SA 4.0 (weights, non-commercial) + Llama 3.2 Community (base)
Penggunaan pribadi dan non-komersial saja
Tier
free
Kecepatan
slow
Penklonan Suara
Tidak
Bahasa
English
Karakter maksimal
1000
OuteTTS suara
Female 1 (Neutral)
English
BebasFemalePenggunaan pribadi dan non-komersial saja
OuteTTS TTS °F FAQ
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.
