# リアルタイム音声合成

Spark-TTS-0.5B は prince-canuma/Spark-TTS-0.5B を基にした量子化バージョンで、英語と中国語のテキスト読み上げタスクをサポートします。

Llamaアーキテクチャに基づく最先端の音声大規模モデルで、高品質で共感性のあるテキストから音声への生成に特化

アルパカモデルを基盤とした最先端の音声大規模言語モデルで、高品質で共感性のあるテキストから音声への生成に特化

Orpheus-3b FTの4ビットAWQ量子化バージョンで、テキストから音声への変換タスクに最適化されており、音声クローン機能をサポートしています。

これはMLX形式のテキスト音声変換モデルで、複数の言語をサポートし、音声合成タスクに適しています。

これはMLX形式の3ビット量子化テキスト読み上げモデルで、複数の言語をサポートしています。

Dia-1.6B-6bit は Dia-1.6B を基にした 6 ビット量子化バージョンで、MLX フレームワーク向けに最適化されたテキスト読み上げモデルです。

Kokoroは8200万パラメータのオープンソースTTSモデルで、音質はより大規模なモデルに匹敵しつつ、顕著な速度優位性とコスト効率を備えています。

Zonos-v0.1 は、20万時間以上の多言語音声データでトレーニングされた最先端のオープンソース重み付けテキスト音声合成モデルで、表現力と品質においてトップクラスのTTSサービスプロバイダーに匹敵、あるいは凌駕する性能を発揮します。

ウルドゥー語のテキスト読み上げと音声クローンをサポートするTTSモデル

IndriはTransformerアーキテクチャに基づく超小型軽量級TTSモデルで、英語とヒンディー語のテキスト読み上げタスクをサポートします。

FastPitchは完全並列のTransformerアーキテクチャを採用したテキスト音声変換モデルで、ピッチや音素の持続時間を制御し、高品質なアメリカ英語音声を生成できます。