טעקסט צו שפּראַך אױסגלײַכונג מוזיק טעקסט פֿאַרב שריפֿט גרײס שפּראַך־פֿאַרב מארקפלעצער מער
װײַז דורכפֿאַל/פֿעיִקײט־בקשה
StyleTTS 2

StyleTTS 2 TTS

Reaches human-level single-speaker synthesis through style diffusion and adversarial training.

0/500 שריפֿטצײכן · אַרײַנשרײַבן זיך פֿאַר 5,000 פּער װעלט →
אַרײַנשרײַבן פֿאַר 5,000 שריפֿטצײכן

איבער־פֿאַרקער דעם טעקסט אין SSML הענטלעך פֿאַר אַ פּשוטער קאָנטראָל:

<speak><prosody rate="slow">Slow speech</prosody></speak>

הענטלעך װאָס דער אויסגעקליבן מאָדעל פֿאַרשטײט — קליק צו אַרײַנשרײַבן אײן אין װײַז־טעקסט װוּ עס פּאַסט זיך:

דאָס מאָדעל לייענט נאָרמאַלן טעקסט, אַזוי אַרײַנגעלייגטע הענטלעך ווערן איגנאָרירט. פֿאַר הענטלעך־באזירטע װײַב־איגנאָרירונג, װײַז צו אַ װײַז־מאָדעל װי אורפיאָ אָדער װאַרק

װײַז פֿאָרױסװײַז

-12 +12
0.5x 2.0x
פֿרײַ מיט Piper, VITS, MeloTTS
די אױדיו־טעקע װעט דאָ װײַזן זיך. קלײַב אַ מאָדעל אױס, אַרײַנשרײַב דעם טעקסט און קליק אױף אױסשרײַבן
אוודיאָ אױסגעגרײט
0:00
דאַונלאָוד אַרײַנשטעלן.srt פֿאַרבינדונג ענדיקט זיך אין 24 שעה
פרייע מדרגה: פּערזענלעכער ניצן קאָממערשעל ליסענסע פֿון $5/חודש
ליבע TTS.ai? זאָגן דיין פריינט

אױף StyleTTS 2

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.

בעסטער פֿאַר: Studio-quality single-speaker synthesis, professional narration

בלעטער StyleTTS 2 שריפֿטצײכן

אין אַ שריט

אַנטוויקלער
Columbia University
לינקס
MIT
װײַז
premium
שאַטירונג
medium
שפּראַך
ניט
שפּראַכן
English
גרעסטע שריפֿטצײכן
500

StyleTTS 2 שריפֿטצײכן

Default

English
פֿאָרױסװײַז Neutral

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.
← אַלע שפּראַכן