Додати позначки емоцій доставки впливу (відносна підтримка model):
Ця модель читає простий текст, отже теґи вбудований буде проігноровано. Для емоцій, заснованих на мітках, перемкніться на модель експресивного вираження, на зразок Orpheus або Bark.
Натурально-мовних сигналів. Пошановано Qwen3-TTS сьогодні; скоро прибудуть інші виразні моделі.
Ця модель не підтримує інструкції стилю } перемкнутися на модель, яка робить (наприклад, Qwen3- TTS).
Визначити нетипові вимови (слово = вимова):
-12
+12
Контролює експресивність (0 = нейтральна, 1 = дуже виразна)
Вага напрямку без класифікатора (підвищення = пояснення)
Описувати стиль голосу природною мовою (Парлер використовує це замість набору голосів)
Формат діалогового діалогового вікна: Використовувати < code >[ S1] і < code >[ S2] для позначення різних гучномовців. Приклад: < code >[ S1] Привіт! [S2] Hello, як ви?
Це модель голосового забезпечення з можливістю відтворення, доступ до якого можна отримати за будь- якого оплачуваного плану. Ви можете переглядати його голоси безкоштовно за допомогою кнопки відтворення, розташованої поряд з інструментом вибору голосу.
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)
Лише особисте і некомерційне використання
Тір
free
Швидкість
slow
Клонування голосів
Ні
Мови
English
Макс. символи
1000
OuteTTS голоси
Female 1 (Neutral)
English
ВільноFemaleЛише особисте і некомерційне використання
OuteTTS ТЖИ · СО
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.
