Spark-TTSは大規模言語モデルに基づいた、効率的なテキスト音声変換モデルであり、シングルストリームデカップリング音声トークンの特徴を持っています。大規模言語モデルの強力な能力を活用して、コードから予測された音声データを直接再構築し、追加の音響特徴量生成モデルを省略することで、効率性を向上させ、複雑さを軽減しています。このモデルはゼロショットテキスト音声変換をサポートし、複数言語やコードの切り替えシナリオに対応できるため、高い自然さと正確性を必要とする音声合成アプリケーションに最適です。また、仮想音声の作成にも対応しており、ユーザーは性別、ピッチ、速度などのパラメーターを調整することで、さまざまな音声を作成できます。このモデルの背景には、従来の音声合成システムにおける非効率性と複雑性の問題解決があり、研究と生産に効率的で柔軟かつ強力なソリューションを提供することを目指しています。現在、このモデルは主に学術研究や合法的なアプリケーション、例えばパーソナライズされた音声合成、支援技術、言語研究などに焦点を当てています。

Llasaは、大規模な音声合成タスク向けに設計された、Llamaフレームワークに基づくテキスト音声変換（TTS）基礎モデルです。このモデルは16万時間のトークン化された音声データを使用してトレーニングされており、効率的な言語生成能力と多言語対応を備えています。主な利点としては、強力な音声合成能力、低い推論コスト、柔軟なフレームワークとの互換性などがあります。このモデルは、教育、エンターテインメント、ビジネスシーンに適用でき、ユーザーに高品質の音声合成ソリューションを提供します。現在、このモデルはHugging Faceで無料で提供されており、音声合成技術の発展と応用を促進することを目的としています。

IndexTTSは、GPTスタイルのテキスト音声変換（TTS）モデルであり、主にXTTSとTortoiseに基づいて開発されました。ピンインによる漢字の発音修正、句読点によるポーズ制御が可能です。中国語のシナリオでは、文字とピンインの混合モデリング手法を導入することで、トレーニングの安定性、音声の類似性、音質を大幅に向上させています。さらに、BigVGAN2を統合して音声品質を最適化しています。数万時間分のデータでトレーニングされており、XTTS、CosyVoice2、F5-TTSなどの現在普及しているTTSシステムを凌駕する性能を備えています。IndexTTSは、音声アシスタント、オーディオブックなど、高品質の音声合成が必要なシナリオに適しており、オープンソースであるため、学術研究や商業利用にも適しています。

Zonosは、テキストプロンプトとスピーカーエンベディングまたはオーディオプレフィックスに基づいて自然な音声生成を行う、高度な多言語対応テキスト音声変換モデルです。数秒間の参照音声だけで、話者の声を正確に複製できる音声クローン機能も備えています。高品質な音声出力（44kHz）を特長とし、話速、イントネーション、音質、感情（喜び、恐怖、悲しみ、怒りなど）を細かく制御できます。PythonとGradioインターフェースを提供し、ユーザーは簡単に利用開始でき、Dockerによるデプロイにも対応しています。RTX 4090上でのリアルタイム係数は約2倍で、高品質な音声合成が必要なアプリケーションに最適です。

Zonos-v0.1-hybridは、Zyphraによって開発されたオープンソースのテキスト読み上げモデルであり、テキストプロンプトに基づいて自然な音声を出力します。このモデルは膨大な量の英語音声データでトレーニングされており、eSpeakを使用してテキストの正規化と音素化を行い、トランスフォーマーまたは混合バックボーンネットワークでDACトークンを予測します。英語、日本語、中国語、フランス語、ドイツ語など、複数の言語に対応しており、生成される音声の速度、トーン、音質、感情などを細かく制御できます。さらに、5～30秒の音声サンプルだけで高忠実度の音声クローンを作成できる、ゼロショット音声クローン機能も備えています。RTX 4090上でのリアルタイム係数は約2倍で、高速に動作します。使いやすいグラディオインターフェースも備えており、Dockerファイルで簡単にインストールとデプロイが可能です。現在、Hugging Faceで提供されており、ユーザーは無料で利用できますが、自身でデプロイする必要があります。

Llasa-1Bは、香港科技大学音声研究室によって開発されたテキスト読み上げモデルです。LLaMAアーキテクチャを基盤とし、XCodec2コードブックの音声トークンを組み合わせることで、自然で滑らかな音声へのテキスト変換を実現しています。25万時間の中国語と英語の音声データで訓練されており、テキストからの音声生成に加え、指定の音声プロンプトを利用した合成も可能です。主な利点として、高品質な多言語音声の生成能力があり、オーディオブック、音声アシスタントなど、様々な音声合成シーンに適しています。本モデルはCC BY-NC-ND 4.0ライセンスを採用しており、商用利用は禁止されています。

kokoro-onnxは、KokoroモデルとONNXランタイムに基づくテキスト読み上げ（TTS）プロジェクトです。英語に対応しており、フランス語、日本語、韓国語、中国語への対応も計画されています。macOS M1ではほぼリアルタイムの高速性能を実現し、ささやき声を含む様々な音声オプションを提供します。モデルは軽量で、約300MB（量子化後約80MB）です。このプロジェクトはGitHub上でオープンソースとして公開されており、MITライセンスを採用しているため、開発者は容易に統合して使用できます。

Audiblezは、Kokoroの高品質音声合成技術を利用して、一般的な電子書籍（.epub形式）を.m4b形式のオーディオブックに変換するツールです。複数の言語と音声に対応しており、シンプルなコマンドライン操作で変換できます。電子書籍の読書体験を大幅に向上させ、運転中や運動中など、読書が困難な状況でも使用できます。このツールはClaudio Santini氏によって2025年に開発され、MITライセンスの下で無料でオープンソースとして公開されています。

Kokoro-82Mは、hexgradによって作成され、Hugging Faceでホストされているテキスト音声変換(TTS)モデルです。8200万パラメーターを備え、Apache 2.0ライセンスの下でオープンソースとして公開されています。2024年12月25日にv0.19版がリリースされ、10種類のユニークな音声パックを提供しています。TTS Spaces Arenaで1位を獲得しており、パラメーター規模とデータ使用における効率性の高さを示しています。アメリカ英語とイギリス英語に対応し、高品質の音声出力を生成できます。

Spark-TTSは大規模言語モデルに基づいた、効率的なテキスト音声変換モデルであり、シングルストリームデカップリング音声トークンの特徴を持っています。大規模言語モデルの強力な能力を活用して、コードから予測された音声データを直接再構築し、追加の音響特徴量生成モデルを省略することで、効率性を向上させ、複雑さを軽減しています。このモデルはゼロショットテキスト音声変換をサポートし、複数言語やコードの切り替えシナリオに対応できるため、高い自然さと正確性を必要とする音声合成アプリケーションに最適です。また、仮想音声の作成にも対応しており、ユーザーは性別、ピッチ、速度などのパラメーターを調整することで、さまざまな音声を作成できます。このモデルの背景には、従来の音声合成システムにおける非効率性と複雑性の問題解決があり、研究と生産に効率的で柔軟かつ強力なソリューションを提供することを目指しています。現在、このモデルは主に学術研究や合法的なアプリケーション、例えばパーソナライズされた音声合成、支援技術、言語研究などに焦点を当てています。

Llasaは、大規模な音声合成タスク向けに設計された、Llamaフレームワークに基づくテキスト音声変換（TTS）基礎モデルです。このモデルは16万時間のトークン化された音声データを使用してトレーニングされており、効率的な言語生成能力と多言語対応を備えています。主な利点としては、強力な音声合成能力、低い推論コスト、柔軟なフレームワークとの互換性などがあります。このモデルは、教育、エンターテインメント、ビジネスシーンに適用でき、ユーザーに高品質の音声合成ソリューションを提供します。現在、このモデルはHugging Faceで無料で提供されており、音声合成技術の発展と応用を促進することを目的としています。

Octave TTSは、Hume AIによって開発された次世代の音声合成モデルです。テキストを音声に変換するだけでなく、テキストの意味と感情を理解し、表現力豊かな音声出力を生成します。この技術の中核となる強みは、言語に対する深い理解力であり、文脈に基づいて自然で生き生きとした音声を生成できるため、オーディオブック、バーチャルアシスタント、感情的な音声対話など、さまざまなアプリケーションシナリオに適しています。Octave TTSの登場は、音声合成技術が単純なテキスト朗読から、より表現力豊かでインタラクティブな方向への発展を示しており、ユーザーによりパーソナライズされ、感情豊かな音声体験を提供します。現在、この製品は主に開発者とクリエイターを対象としており、APIとプラットフォームを介してサービスを提供しており、将来的にはより多くの言語とアプリケーションシナリオに拡張される予定です。

IndexTTSは、GPTスタイルのテキスト音声変換（TTS）モデルであり、主にXTTSとTortoiseに基づいて開発されました。ピンインによる漢字の発音修正、句読点によるポーズ制御が可能です。中国語のシナリオでは、文字とピンインの混合モデリング手法を導入することで、トレーニングの安定性、音声の類似性、音質を大幅に向上させています。さらに、BigVGAN2を統合して音声品質を最適化しています。数万時間分のデータでトレーニングされており、XTTS、CosyVoice2、F5-TTSなどの現在普及しているTTSシステムを凌駕する性能を備えています。IndexTTSは、音声アシスタント、オーディオブックなど、高品質の音声合成が必要なシナリオに適しており、オープンソースであるため、学術研究や商業利用にも適しています。

ElevenLabs Studioは、高度な人工知能技術を活用してテキストコンテンツを高品質のオーディオに変換することに特化したプラットフォームです。主な利点としては、複数のファイル形式のサポート、豊富な音声ライブラリの提供、感情やコンテキストに合わせて音声表現を調整できることなどがあります。オーディオブック制作やポッドキャスト制作などに適しており、制作者が効率的にオーディオコンテンツを生成し、制作効率と品質を向上させることができます。価格設定はユーザーのニーズや利用状況によって異なる場合があり、具体的な価格は公式サイトの価格ページをご覧ください。

Zonosは、テキストプロンプトとスピーカーエンベディングまたはオーディオプレフィックスに基づいて自然な音声生成を行う、高度な多言語対応テキスト音声変換モデルです。数秒間の参照音声だけで、話者の声を正確に複製できる音声クローン機能も備えています。高品質な音声出力（44kHz）を特長とし、話速、イントネーション、音質、感情（喜び、恐怖、悲しみ、怒りなど）を細かく制御できます。PythonとGradioインターフェースを提供し、ユーザーは簡単に利用開始でき、Dockerによるデプロイにも対応しています。RTX 4090上でのリアルタイム係数は約2倍で、高品質な音声合成が必要なアプリケーションに最適です。

Zonos-v0.1-hybridは、Zyphraによって開発されたオープンソースのテキスト読み上げモデルであり、テキストプロンプトに基づいて自然な音声を出力します。このモデルは膨大な量の英語音声データでトレーニングされており、eSpeakを使用してテキストの正規化と音素化を行い、トランスフォーマーまたは混合バックボーンネットワークでDACトークンを予測します。英語、日本語、中国語、フランス語、ドイツ語など、複数の言語に対応しており、生成される音声の速度、トーン、音質、感情などを細かく制御できます。さらに、5～30秒の音声サンプルだけで高忠実度の音声クローンを作成できる、ゼロショット音声クローン機能も備えています。RTX 4090上でのリアルタイム係数は約2倍で、高速に動作します。使いやすいグラディオインターフェースも備えており、Dockerファイルで簡単にインストールとデプロイが可能です。現在、Hugging Faceで提供されており、ユーザーは無料で利用できますが、自身でデプロイする必要があります。

Llasa-1Bは、香港科技大学音声研究室によって開発されたテキスト読み上げモデルです。LLaMAアーキテクチャを基盤とし、XCodec2コードブックの音声トークンを組み合わせることで、自然で滑らかな音声へのテキスト変換を実現しています。25万時間の中国語と英語の音声データで訓練されており、テキストからの音声生成に加え、指定の音声プロンプトを利用した合成も可能です。主な利点として、高品質な多言語音声の生成能力があり、オーディオブック、音声アシスタントなど、様々な音声合成シーンに適しています。本モデルはCC BY-NC-ND 4.0ライセンスを採用しており、商用利用は禁止されています。