Dia 是一個由 Nari Labs 開發的文本到語音（TTS）模型，具有 1.6 億參數，能夠直接從文本生成高度逼真的對話。該模型支持情感和語調控制，並能夠生成非言語交流，如笑聲和咳嗽。它的預訓練模型權重託管在 Hugging Face 上，適用於英語生成。此產品對於研究和教育用途至關重要，能夠推動對話生成技術的發展。

Orpheus TTS 是一個基於 Llama-3b 模型的開源文本轉語音系統，旨在提供更加自然的人類語音合成。它具備較強的語音克隆能力和情感表達能力，適合各種即時應用場景。該產品是免費的，旨在為開發者和研究者提供便捷的語音合成工具。

Spark-TTS 是一種基於大語言模型的高效文本到語音合成模型，具有單流解耦語音令牌的特性。它利用大語言模型的強大能力，直接從代碼預測的音頻進行重建，省略了額外的聲學特徵生成模型，從而提高了效率並降低了複雜性。該模型支持零樣本文本到語音合成，能夠跨語言和代碼切換場景，非常適合需要高自然度和準確性的語音合成應用。它還支持虛擬語音創建，用戶可以通過調整參數（如性別、音高和語速）來生成不同的語音。該模型的背景是為了解決傳統語音合成系統中效率低下和複雜性高的問題，旨在為研究和生產提供高效、靈活且強大的解決方案。目前，該模型主要面向學術研究和合法應用，如個性化語音合成、輔助技術和語言研究等。

Llasa是一個基於Llama框架的文本到語音（TTS）基礎模型，專為大規模語音合成任務設計。該模型利用16萬小時的標記化語音數據進行訓練，具備高效的語言生成能力和多語言支持。其主要優點包括強大的語音合成能力、低推理成本和靈活的框架兼容性。該模型適用於教育、娛樂和商業場景，能夠為用戶提供高質量的語音合成解決方案。目前該模型在Hugging Face上免費提供，旨在推動語音合成技術的發展和應用。

IndexTTS 是一種基於 GPT 風格的文本到語音（TTS）模型，主要基於 XTTS 和 Tortoise 進行開發。它能夠通過拼音糾正漢字發音，並通過標點符號控制停頓。該系統在中文場景中引入了字符-拼音混合建模方法，顯著提高了訓練穩定性、音色相似性和音質。此外，它還集成了 BigVGAN2 來優化音頻質量。該模型在數萬小時的數據上進行訓練，性能超越了當前流行的 TTS 系統，如 XTTS、CosyVoice2 和 F5-TTS。IndexTTS 適用於需要高質量語音合成的場景，如語音助手、有聲讀物等，其開源性質也使其適合學術研究和商業應用。

Zonos 是一個先進的文本到語音模型，支持多種語言，能夠根據文本提示和說話者嵌入或音頻前綴生成自然語音。它還支持語音克隆，只需幾秒鐘的參考音頻即可準確複製說話者的聲音。該模型具有高質量的語音輸出（44kHz），並允許對語速、音調變化、音頻質量和情緒（如快樂、恐懼、悲傷和憤怒）進行精細控制。Zonos 提供了 Python 和 Gradio 接口，方便用戶快速上手，並支持通過 Docker 部署。該模型在 RTX 4090 上的即時因子約為 2 倍，適合需要高質量語音合成的應用場景。

Zonos-v0.1-hybrid 是由 Zyphra 開發的一款開源文本轉語音模型，它能夠根據文本提示生成高度自然的語音。該模型經過大量英語語音數據訓練，採用 eSpeak 進行文本歸一化和音素化，再通過變換器或混合骨幹網絡預測 DAC 令牌。它支持多種語言，包括英語、日語、中文、法語和德語，並且可以對生成語音的語速、音調、音頻質量和情緒等進行精細控制。此外，它還具備零樣本語音克隆功能，僅需 5 到 30 秒的語音樣本即可實現高保真語音克隆。該模型在 RTX 4090 上的即時因子約為 2 倍，運行速度較快。它還配備了易於使用的 gradio 界面，並且可以通過 Docker 文件簡單安裝和部署。目前，該模型在 Hugging Face 上提供，用戶可以免費使用，但需要自行部署。

Llasa-1B 是一個由香港科技大學音頻實驗室開發的文本轉語音模型。它基於 LLaMA 架構，通過結合 XCodec2 代碼本中的語音標記，能夠將文本轉換為自然流暢的語音。該模型在 25 萬小時的中英文語音數據上進行了訓練，支持從純文本生成語音，也可以利用給定的語音提示進行合成。其主要優點是能夠生成高質量的多語言語音，適用於多種語音合成場景，如有聲讀物、語音助手等。該模型採用 CC BY-NC-ND 4.0 許可證，禁止商業用途。

Llasa-3B 是一個強大的文本到語音（TTS）模型，基於 LLaMA 架構開發，專注於中英文語音合成。該模型通過結合 XCodec2 的語音編碼技術，能夠將文本高效地轉換為自然流暢的語音。其主要優點包括高質量的語音輸出、支持多語言合成以及靈活的語音提示功能。該模型適用於需要語音合成的多種場景，如有聲讀物製作、語音助手開發等。其開源性質也使得開發者可以自由探索和擴展其功能。

VoiSpark是一個AI語音生成平臺，能生成逼真的文本轉語音，克隆聲音，併為視頻、播客等定製獨特AI聲音。該平臺具有100%免費試用。

Voicss是一款AI音軌去除器，能夠智能分離音樂中的人聲和背景音樂，適用於音樂編輯、卡拉OK製作等領域，無需下載軟件。

ListenHub 是一款輕量級的 AI 播客生成工具，支持中文和英語，基於前沿 AI 技術，能夠快速生成用戶感興趣的播客內容。其主要優點包括自然對話和超真實人聲效果，使得用戶能夠隨時隨地享受高品質的聽覺體驗。ListenHub 不僅提升了內容生成的速度，還兼容移動端，便於用戶在不同場合使用。產品定位為高效的信息獲取工具，適合廣泛的聽眾需求。

Audio-SDS 是一個將 Score Distillation Sampling（SDS）概念應用於音頻擴散模型的框架。該技術能夠在不需要專門數據集的情況下，利用大型預訓練模型進行多種音頻任務，如物理引導的衝擊聲合成和基於提示的源分離。其主要優點在於通過一系列迭代優化，使得複雜的音頻生成任務變得更為高效。此技術具有廣泛的應用前景，能夠為未來的音頻生成和處理研究提供堅實基礎。

Audiox是一款利用AI技術生成專業音頻的工具，無需音樂知識，可快速創建令人驚歎的音樂和聲音效果。其主要優點包括創作便捷、音質優良、使用簡單，適用於音樂製作、視頻製作、聲效設計等領域。

CreateWise AI 是一款利用人工智能技術為播客提供內容生成服務的工具。其主要優點在於快速生成節目筆記、剪輯和亮點，幫助節目製作者節省大量時間和精力。產品定位於為播客創作者提供便捷而高效的內容生成解決方案。

Dia 是一個由 Nari Labs 開發的文本到語音（TTS）模型，具有 1.6 億參數，能夠直接從文本生成高度逼真的對話。該模型支持情感和語調控制，並能夠生成非言語交流，如笑聲和咳嗽。它的預訓練模型權重託管在 Hugging Face 上，適用於英語生成。此產品對於研究和教育用途至關重要，能夠推動對話生成技術的發展。

Text to Bark 是由 ElevenLabs 開發的首個 AI 驅動的文本轉語音模型，旨在幫助人們與狗狗進行更有效的溝通。該技術不僅展現了極高的語音合成質量，還能以自然的方式模擬狗的聲音，創造出適合狗狗理解的交流方式。這個創新產品的推出，將人與寵物之間的互動提升到了一個新的高度，讓主人與愛犬之間的交流更加有趣和有效。用戶可以通過簡單的文本輸入，生成相應的 “狗語”，從而更好地理解和與寵物互動。