# リアルタイム音声生成

Qwen2.5-Omniはエンドツーエンドのマルチモーダルモデルで、テキスト、画像、音声、動画を含む複数のモダリティを認識し、ストリーミング方式でテキストと自然な音声応答を生成できます。

これはMLXフォーマットに基づくテキスト音声変換モデルで、英語と中国語をサポートし、prince-canuma/Spark-TTS-0.5Bから変換されました。

Spark-TTS-0.5B-4-6bit はMLXフォーマットに基づくテキスト音声合成モデルで、英語と中国語をサポートしています。

Spark-TTS-0.5B-fp16 はMLXフォーマットのテキスト読み上げモデルで、英語と中国語をサポートしています。

このモデルはMYZY-AI/Muyan-TTS-SFTから変換されたGGUF形式のテキスト音声変換モデルで、中国語音声合成をサポートしています。

DiaはNari Labsが開発した16億パラメータのテキスト音声合成モデルで、テキストから高度にリアルな対話を直接生成でき、感情やイントネーションの制御をサポートし、非言語コミュニケーション内容も生成可能です。

Kokoroは8200万のパラメータを持つオープンソースのテキスト音声変換モデルで、軽量なアーキテクチャで大型モデルに匹敵する音質を提供し、同時に速度とコスト効率を大幅に向上させます。

Kokoroはオープンウェイトの小型ながら強力なテキスト読み上げ（TTS）モデルシリーズで、専門データセットから100名の中国語話者データを追加しました。

StyleTTS2-LJSpeechをベースにしたクローン版で、英語テキスト読み上げタスク向けに最適化され、一部の依存関係を削除して展開を簡素化しました。

このモデルはHKUST-Audio/Llasa-1Bから変換されたGGUF形式のモデルで、主にテキストから音声への変換タスクに使用されます。

OuteTTS-0.3-1BはOuteAIが開発した多言語テキスト読み上げモデルで、英語、中国語、日本語、韓国語、フランス語、ドイツ語をサポートしています。

OuteTTS-0.3-1B は多言語対応のテキスト読み上げモデルで、OuteAI によって開発され、Second State Inc. によって量子化処理が行われました。

OuteTTS-0.3-500M は多言語テキスト読み上げモデルで、英語、中国語、日本語、韓国語、フランス語、ドイツ語をサポートしています。

OuteTTS-0.2-500M は OuteAI が開発した多言語テキスト読み上げモデルで、英語、中国語、日本語、韓国語をサポートしています。

OuteTTS-0.2-500M は多言語テキスト読み上げモデルで、英語、中国語、日本語、韓国語をサポートしています。

Fish Speech 1.5 は多言語テキスト読み上げモデルで、複数の言語をサポートし、アクセストークンなしで利用可能です。

IndriはTransformerアーキテクチャに基づく新規・超小型・軽量なTTSモデルで、英語とヒンディー語のテキスト音声変換タスクをサポートします。

microsoft/speecht5_ttsをファインチューニングしたヒンディー語テキスト音声変換モデル

ⓍTTSは音声生成モデルで、わずか6秒の音声サンプルで声をクローンし、異なる言語に適用できます。何時間もの大量のトレーニングデータは必要ありません。

これはシャン語（Shan）のテキストを音声に変換する（TTS）モデルで、シャン語のテキストを自然な音声に変換します。

ChatTTSはテキストを音声に変換する(TTS)モデルで、入力されたテキストを自然で流暢な音声に変換できます。

SpeechT5アーキテクチャに基づくカタルーニャ語テキスト音声変換モデル、Common Voice 11.0データセットでファインチューニング

HiFiGANは生成敵対ネットワーク(GAN)モデルで、メルスペクトログラムから高品質な音声を生成でき、テキスト読み上げシステムに適しています。

LJ SpeechデータセットでトレーニングされたHiFi-GANボコーダーモデル、高品質な音声合成用