Tags që modeli i zgjedhur i kupton - kliko për të vendosur një në tekstin tuaj ku ndodh:
Ky model lexon tekst të thjeshtë, kështu që etiketat e brendshme injorohen. Për emocione të bazuara në etiketa, kalo në një model shprehës si Orpheus ose Bark.
Shënim për transmetimin e gjuhës natyrore. Nderuar sot nga Qwen3-TTS; modele të tjera ekspresive do të vijnë së shpejti.
Ky model nuk suporton instruksionet e stilit — kalo në një model që i suporton ato (p.sh. Qwen3-TTS).
Përcakto përkthimin e personalizuar (fjalë = përkthim):
-12
+12
Kontrollon shprehjen (0 = neutral, 1 = shumë shprehëse)
Pesha e udhëzimit pa klasifikues (më e lartë = më shumë ndjekje e kërkesës)
Përshkruaj stilin e zërit në gjuhën natyrore (Parler e përdor këtë në vend të zërave të paracaktuar)
Dia Dialog Formati: Përdor [S1] dhe [S2] për të shënuar folës të ndryshëm. Shembull: [S1] Përshëndetje! [S2] Përshëndetje, si jeni?
Ky është një model zëri premium, i disponueshëm në çdo plan të paguar. Mund të parashikoni zërat e tij pa pagesë me butonin e riprodhimit pranë zgjedhësit të zërit.
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.
Më i miri për: Studio-quality single-speaker synthesis, professional narration
MIT (code); pre-trained model requires telling listeners the speech is synthesized
Animal
premium
Shpejtësia
medium
Klonimi i zërit
Jo.
Gjuhë
English
Maksimumi i gërmave
500
StyleTTS 2 zëra
Default
English
PremiumNeutral
StyleTTS 2 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.
Shkruaj emailin tënd për të marrë 15,000 karaktere falas dhe vazhdo të gjenerosh fjalë.
Nuk duhet fjalëkalim — do të dërgojmë një lidhje me email për të vendosur një më vonë.
Kufiri i nivelit të lirë është arritur
Ke përdorur 5,000 karakterët e tu të përditshëm falas. Krijo një llogari falas për të marrë 15,000 karakterë bonus plus 10,000 karakterë falas çdo muaj.
