-->
MegaTTS 3 是由字节跳动开发的一款基于 PyTorch 的高效语音合成模型,具有超高质量的语音克隆能力。其轻量级架构只包含 0.45B 参数,支持中英文及代码切换,能够根据输入文本生成自然流畅的语音,广泛应用于学术研究和技术开发。
Sesame AI 代表了下一代语音合成技术,通过结合先进的人工智能技术和自然语言处理,能够生成极其逼真的语音,具备真实的情感表达和自然的对话流程。该平台在生成类似人类的语音模式方面表现出色,同时能够保持一致的性格特征,非常适合内容创作者、开发者和企业,用于为其应用程序增添自然语音功能。目前尚不清楚其具体价格和市场定位,但其强大的功能和广泛的应用场景使其在市场上具有较高的竞争力。
Octave TTS 是由 Hume AI 开发的下一代语音合成模型,它不仅能够将文本转换为语音,还能理解文本的语义和情感,从而生成富有表现力的语音输出。该技术的核心优势在于其对语言的深度理解能力,使其能够根据上下文生成自然、生动的语音,适用于多种应用场景,如有声读物、虚拟助手和情感化语音交互等。Octave TTS 的出现标志着语音合成技术从简单的文本朗读向更具表现力和交互性的方向发展,为用户提供更加个性化和情感化的语音体验。目前,该产品主要面向开发者和创作者,通过 API 和平台提供服务,未来有望扩展到更多语言和应用场景。
Llasa-1B 是一个由香港科技大学音频实验室开发的文本转语音模型。它基于 LLaMA 架构,通过结合 XCodec2 代码本中的语音标记,能够将文本转换为自然流畅的语音。该模型在 25 万小时的中英文语音数据上进行了训练,支持从纯文本生成语音,也可以利用给定的语音提示进行合成。其主要优点是能够生成高质量的多语言语音,适用于多种语音合成场景,如有声读物、语音助手等。该模型采用 CC BY-NC-ND 4.0 许可证,禁止商业用途。
Llasa-3B 是一个强大的文本到语音(TTS)模型,基于 LLaMA 架构开发,专注于中英文语音合成。该模型通过结合 XCodec2 的语音编码技术,能够将文本高效地转换为自然流畅的语音。其主要优点包括高质量的语音输出、支持多语言合成以及灵活的语音提示功能。该模型适用于需要语音合成的多种场景,如有声读物制作、语音助手开发等。其开源性质也使得开发者可以自由探索和扩展其功能。
AI ContentCraft 是一个强大的内容创作平台,旨在帮助创作者快速生成故事、播客脚本和多媒体内容。它通过集成文本生成、语音合成和图像生成技术,为创作者提供一站式的解决方案。该工具支持中英文内容转换,适合需要高效创作的用户。其技术栈包括 DeepSeek AI、Kokoro TTS 和 Replicate API,确保高质量的内容生成。产品目前开源免费,适合个人和团队使用。
CosyVoice 2是由阿里巴巴集团的SpeechLab@Tongyi团队开发的语音合成模型,它基于监督离散语音标记,并结合了两种流行的生成模型:语言模型(LMs)和流匹配,实现了高自然度、内容一致性和说话人相似性的语音合成。该模型在多模态大型语言模型(LLMs)中具有重要的应用,特别是在交互体验中,响应延迟和实时因素对语音合成至关重要。CosyVoice 2通过有限标量量化提高语音标记的码本利用率,简化了文本到语音的语言模型架构,并设计了块感知的因果流匹配模型以适应不同的合成场景。它在大规模多语言数据集上训练,实现了与人类相当的合成质量,并具有极低的响应延迟和实时性。
CosyVoice语音生成大模型2.0-0.5B是一个高性能的语音合成模型,支持零样本、跨语言的语音合成,能够根据文本内容直接生成相应的语音输出。该模型由通义实验室提供,具有强大的语音合成能力和广泛的应用场景,包括但不限于智能助手、有声读物、虚拟主播等。模型的重要性在于其能够提供自然、流畅的语音输出,极大地丰富了人机交互的体验。
OuteTTS-0.2-500M是基于Qwen-2.5-0.5B构建的文本到语音合成模型,它在更大的数据集上进行了训练,实现了在准确性、自然度、词汇量、声音克隆能力以及多语言支持方面的显著提升。该模型特别感谢Hugging Face提供的GPU资助,支持了模型的训练。
OuteTTS-0.1-350M是一款基于纯语言模型的文本到语音合成技术,它不需要外部适配器或复杂架构,通过精心设计的提示和音频标记实现高质量的语音合成。该模型基于LLaMa架构,使用350M参数,展示了直接使用语言模型进行语音合成的潜力。它通过三个步骤处理音频:使用WavTokenizer进行音频标记化、CTC强制对齐创建精确的单词到音频标记映射、以及遵循特定格式的结构化提示创建。OuteTTS的主要优点包括纯语言建模方法、声音克隆能力、与llama.cpp和GGUF格式的兼容性。
Fish Speech是一款专注于语音合成的产品,它通过使用先进的深度学习技术,能够将文本转换为自然流畅的语音。该产品支持多种语言,包括中文、英文等,适用于需要文本到语音转换的场景,如语音助手、有声读物制作等。Fish Speech以其高质量的语音输出、易用性和灵活性为主要优点,背景信息显示,该产品不断更新,增加了数据集大小,并改进了量化器的参数,以提供更好的服务。
Seed-TTS是由字节跳动推出的一系列大规模自回归文本到语音(TTS)模型,能够生成与人类语音难以区分的语音。它在语音上下文学习、说话人相似度和自然度方面表现出色,通过微调可进一步提升主观评分。Seed-TTS还提供了对情感等语音属性的优越控制能力,并能生成高度表达性和多样性的语音。此外,提出了一种自蒸馏方法用于语音分解,以及一种增强模型鲁棒性、说话人相似度和控制性的强化学习方法。还展示了Seed-TTS模型的非自回归(NAR)变体Seed-TTSDiT,它采用完全基于扩散的架构,不依赖于预先估计的音素持续时间,通过端到端处理进行语音生成。
OpenVoice V2是一款文本到语音(Text-to-Speech, TTS)的模型,它在2024年4月发布,包含了V1的所有功能,并进行了改进。它采用了不同的训练策略,提供了更好的音质,支持英语、西班牙语、法语、中文、日语和韩语等多种语言。此外,它还允许商业用途的免费使用。OpenVoice V2能够精确地克隆参考音调色彩,并在多种语言和口音中生成语音。它还支持零样本跨语言语音克隆,即生成语音的语言和参考语音的语言不需要在大规模多语种训练数据集中出现。
BASE TTS是亚马逊开发的大规模文本到语音合成模型,运用了10亿参数的自动回归转换器,可将文本转换成语音代码,再通过卷积解码器生成语音波形。该模型使用了超过10万小时的公共语音数据进行训练,实现了语音自然度的新状态。还具有音素解离和压缩等新颖的语音编码技术。随着模型规模的增大,BASE TTS展现出了处理复杂句子的自然语调能力。
StyleTTS 2 是一款文本转语音(TTS)模型,使用大型语音语言模型(SLMs)进行风格扩散和对抗训练,实现了人级别的 TTS 合成。它通过扩散模型将风格建模为潜在随机变量,以生成最适合文本的风格,而无需参考语音。此外,我们使用大型预训练的 SLMs(如 WavLM)作为判别器,并结合我们的创新可微持续时间建模进行端到端训练,从而提高了语音的自然度。StyleTTS 2 在单说话人 LJSpeech 数据集上超越了人类录音,并在多说话人 VCTK 数据集上与之匹配,得到了母语为英语的评审人员的认可。此外,当在 LibriTTS 数据集上进行训练时,我们的模型优于先前公开可用的零样本扩展模型。通过展示风格扩散和对抗训练与大型 SLMs 的潜力,这项工作在单个和多说话人数据集上实现了一个人级别的 TTS 合成。
EmotiVoice是一个功能强大、现代化的开源文本到语音引擎。它支持英语和中文,并拥有超过2000种不同的语音。最显著的特点是情感合成,可以让你创造具有各种情感的语音,包括快乐、兴奋、悲伤、愤怒等。 EmotiVoice提供了一个易于使用的网页界面,还提供了用于批量生成结果的脚本界面。 主要功能点包括: 1. 支持英语和中文 2. 拥有超过2000种不同的语音 3. 提供情感合成功能 价格:免费 定位:面向开发者和研究人员。
依图语音开放平台为开发者提供语音识别、语音合成等语音AI能力,包括精准语音转文本、文本转语音合成、声纹识别、语音增强降噪等服务,支持不同场景下的语音交互应用开发。平台提供高效、灵活的语音AI能力接入方式,可轻松将语音技术应用于各类产品与业务场景。
Summme是一个插件,为您喜欢的AI聊天机器人添加自然语言的语音合成功能。它支持ChatGPT、Bard、Bing Chat、Claude.ai等多个聊天机器人平台。您可以自动或手动将聊天机器人的回复转换为语音,享受更加自然的语音交流体验。Summme提供多种语音音调和语言选择,支持调节语速,还可以根据您的名字进行个性化问候。完全免费且无需注册。尝试Summme,为您的聊天机器人增添声音。
SeamlessM4T是一款基于多模态模型的语音翻译产品,支持近100种语言的自动语音识别、语音翻译、文本翻译、语音合成等功能。该产品采用了全新的多任务UnitY模型架构,能够直接生成翻译文本和语音。SeamlessM4T的自我监督语音编码器w2v-BERT 2.0通过分析数百万小时的多语言语音,学习如何在语音中找到结构和意义。该产品还提供了SONAR、SpeechLASER等多语言语音和文本数据集,以及fairseq2等序列建模工具包。SeamlessM4T的发布,标志着AI技术在实现语音翻译方面取得了重大突破。
MetaVoice是一个AI语音合成与实时语音转换的网站。它提供高质量的AI语音合成和实时语音转换服务,帮助用户定制在线身份。MetaVoice拥有先进的AI技术,可以保持语音的情感和人性化,同时支持在800多个平台上一键切换身份。用户可以在网站上免费试用。
Emvoice是一款具有真实感的下一代语音合成插件。它使用先进的技术和声音采样,能够以极高的真实度合成出自然流畅的人声。Emvoice具有可定制的声音调节和表情控制功能,可以在各种音乐创作和制作环境中使用。它提供VST/AU/AAX格式,支持多种音乐软件,并且提供了一个易于使用的界面,使用户能够轻松地创建出动人的人声音乐作品。Emvoice的定价合理,并且适用于各种音乐创作者和制作人的需求。
ReadSpeaker提供逼真的在线和离线语音合成解决方案,使您的产品和服务更具吸引力。我们的产品包括ReadSpeaker Online,ReadSpeaker Learning和ReadSpeaker Enterprise。无论是教育、企业学习还是定制语音合成,ReadSpeaker都可以满足您的需求。
Voice Jacket是一款先进的文本到语音工具,使用先进的算法生成多语言的自然语音。适用于视频、音频和多媒体内容,让您轻松创建专业级别的语音合成,吸引和吸引您的受众。立即尝试Voice Jacket,体验我们先进的文本到语音技术的力量。
SpeechLab是一款桌面客户端,提供语音翻译和语音合成功能。它能够帮助用户进行语音翻译,将语言转换成其他语言,同时还能够合成语音,将文字转换成自然流畅的语音。SpeechLab的优势在于其高质量的语音合成技术,可以生成与人类声音相似的合成语音。SpeechLab的定价为免费试用和付费订阅两种方式,具体定价可在官方网站上查看。SpeechLab定位于帮助用户跨越语言障碍,使内容在全球范围内更容易获得。