تگ منتخب ماڈل سمجھتا هے - آپ کے متن ميں ایک ڈالنے کے ليے کلک کريں جہاں هيں :
هي ماڈل عام متن پڑھتا هے ، تو ان لائن ٹگز کو نظر انداز کريں تا گ ڑي گي ايميشن کے ليے ، اورف يا بارک کے ليے بيان کر نے والے ماڈل ميں تبديل کريں
فطری زبان کے دليپ کیوز. آج Qwen3-TTS کے ذمہ دار; دیگر اظہاری ماڈل جلدی آ رہے ہیں.
یہ ماڈل انداز اشارے کو مدد نہیں دیتا - ایک ماڈل پر منتقل کريں جو کريں (مثلاً Qwen3-TTS)
خود ساختہ تلفظ (لفظ = تلفظ):
-12
+12
تعبير کي کنٹرول (0 = خنثي ، 1 = زيادہ تعبيري)
درجہ بندی کرنے والا آزاد رہنمائی وزن (بڑھا = زیادہ پروموشن-فاؤنڈنگ)
آواز کے انداز کو فطری زبان میں بیان کریں (Parler اس کو پہلے سے مقرر شدہ آوازوں کی جگہ استعمال کرتا ہے)
ڈیا ڈائیلاگ فارمیٹ: مختلف اسپيکر کو نشانہ بنا نے کے ليے [S1] اور [S2] ٹائگلز استعمال کريں مثال: [S1] هيلو! [S2] هيلو، آپ کيسا هي؟
یہ ایک پرائم آواز ماڈل ہے، جو کسی بھی پیسے کے پلان پر دستیاب ہے۔ آپ اب بھی اس کی آوازوں کو آواز منتخب کرنے والے کے ساتھ بجلی بٹن کے ساتھ مفت دیکھ سکتے ہیں۔
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)
صرف ذاتی اور غیر تجارتی استعمال
تير
free
رفتار
slow
آواز کا کلوننگ
نہیں
زبانیں
English
زیادہ سے زیادہ حروف
1000
OuteTTS آوازیں
Female 1 (Neutral)
English
مفتFemaleصرف ذاتی اور غیر تجارتی استعمال
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.
