Tags izvēlētais modelis saprot — noklikšķiniet, lai iemestu vienu jūsu tekstā, kur tas notiek:
Šis modelis lasa vienkāršu tekstu, tāpēc tiek ignorēti inline tagi. Uz tag-based emocijas, pāriet uz izteiksmīgu modeli, piemēram, Orpheus vai Bark.
Dabas valodas piegādes cues. Godināts QWEN3-TTS šodien; citi izteiksmīgi modeļi nāk drīz.
Šis modelis neatbalsta stila instrukcijas – pāriet uz modeli, kas ir (piemēram, Qwen3-TTS).
Definēt pielāgotu izrunas (vārds = izruna):
-12
+12
Kontroles izteiksme (0 = neitrāla, 1 = ļoti izteiksmīga)
Classifier-free Guidance svars (augstāks = ātrāka sekošana)
Aprakstīt balss stilu dabīgā valodā (Parler izmanto šo nevis iepriekš iestatītas balsis)
Dialoga formāts: Izmantot [S1] un < kods>[S2] tagus, lai atzīmētu dažādus skaļruņus. Piemērs: < kods>[S1] Sveiks! [S2] Sveiks, kā tu esi?
Šis ir premium balss modelis, kas ir pieejams jebkurā apmaksātā plānā. Jūs joprojām varat priekšskatīt savas balsis bez maksas, izmantojot play pogu blakus balss picker.
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.
CC BY-NC-SA 4.0 (weights, non-commercial) + Llama 3.2 Community (base)
Tikai personiskai un nekomerciālai lietošanai
Līmeņrādis
free
Ātrums
slow
Balss klonēšana
Nē
Valodas
English
Maks. rakstzīmes
1000
OuteTTS balsis
Female 1 (Neutral)
English
BezmaksasFemaleTikai personiskai un nekomerciālai lietošanai
OuteTTS TTS – 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.
Ievadiet savu e-pastu, lai iegūtu 15,000 bezmaksas rakstzīmes un saglabāt ģenerējot runu.
Parole nav nepieciešama — mēs jums nosūtīsim e-pastu, lai noteiktu vienu vēlāk.
Sasniegts brīvs līmenis
Jūs esat izmantojis savu 5000 bezmaksas ikdienas rakstzīmes. Izveidot bezmaksas kontu, lai saņemtu 15,000 bonus rakstzīmes plus 10,000 bezmaksas rakstzīmes katru mēnesi.
