Etiquetas que o modelo escollido entende - prema para deixar unha no texto onde ocorre:
Este modelo le texto simple, polo que se ignoran as etiquetas inline. Para emocións baseadas en etiquetas, cambie a un modelo expresivo como Orpheus ou Bark.
Indicacións de entrega de linguaxe natural. Honrado por Qwen3- TTS hoxe; outros modelos expresivos en breve.
Este modelo non admite instrucións de estilo; cambie a un modelo que o faga (por ex. Qwen3- TTS).
Controla a expresividade (0 = neutro, 1 = moi expresivo)
Peso de guía libre de clasificadores (maior = máis seguimento)
Describa o estilo de voz en linguaxe natural (Parler usa isto no canto das voces predefinidas)
Formato do diálogo Dia: Empregue as etiquetas < code> [S1] e < code> [S2] para marcar diferentes oradores. Exemplo: < code> [S1] Ola! [S2] Ola, como está?
Este é un modelo de voz premium, dispoñíbel en calquera plan de pago. Pode previsualizar as súas voces gratuitamente co botón de reprodución xunto ao selector de voz.
StyleTTS 2, developed at Columbia University, achieves human-level text-to-speech for single-speaker synthesis by combining style diffusion with adversarial training guided by large speech language models. Its diffusion-based style modeling captures the full natural variation of human speech — subtle shifts in rhythm, emphasis, and tone — so output can rival real recordings. It is widely regarded as one of the most natural-sounding open single-speaker models, which makes it a strong choice for studio-quality narration and professional voiceover where polish matters more than cloning or multilingual range. StyleTTS 2 is English-focused and released under the permissive MIT license.
Mellor para: Studio-quality single-speaker synthesis, professional narration
MIT (code); pre-trained model requires telling listeners the speech is synthesized
Tier
premium
Velocidade
medium
Clonaxe de voz
Non
Linguas
English
Caracteres máximos
500
StyleTTS 2 voces
Default
English
PremiumNeutral
StyleTTS 2 TTS - FAQ
It combines style diffusion with adversarial training using large speech language models. The diffusion-based style modeling captures the full range of human speech variation, producing output that can rival real recordings.
No. It is focused on producing the most natural single-speaker synthesis rather than cloning a specific voice. For cloning, use a model like Chatterbox or GPT-SoVITS.
Studio-quality single-speaker work — professional narration and voiceover — where naturalness and polish are the priority. It is English-focused and MIT-licensed.
Introduza o seu correo electrónico para seguir xerando fala de balde, ou subscríbase para obter 15. 000 caracteres extra.
Non se precisa contrasinal — enviarémoslle unha ligazón para configurar un máis tarde.
Acadouse o límite de niveis libres
Esgotou os seus 5. 000 caracteres diarios gratuítos. Cree unha conta gratuíta para obter 15. 000 caracteres extra máis 10. 000 caracteres gratuítos cada mes.
