微軟開源實時語音模型VibeVoice-Realtime-0.5B，具備極低延遲和接近真人的語音表現。該模型從文本輸入到發聲平均僅需300毫秒，遠低於傳統TTS模型的1-3秒，實現近乎零延遲的實時語音合成。
巨人網絡與清華大學聯合發佈多方言語音合成大模型DiaMoE-TTS，實現技術突破並全面開源數據代碼。該框架旨在解決方言TTS依賴海量專有數據的行業難題，推動方言語音合成的公平普惠發展。
微軟開源文本轉語音模型VibeVoice引發關注，支持90分鐘超長語音生成，突破時長限制，爲長篇語音、多人對話及中文語音合成樹立新標杆。
ElevenLabs於2025年8月20日推出全新Eleven v3 Alpha API，作爲突破性文本轉語音工具。該API支持70多種語言，能生成自然流暢且富有情感的語音，被譽爲全球最具表現力的TTS模型。新增對話模式功能，支持開發者創建多角色語音交互。
提供語音AI的ASR、TTS和LLM模型，可測試部署用於即時應用。
一個可以在一次傳遞中生成超逼真的對話的 TTS 模型。
開發者可互動體驗 OpenAI API 中的新語音模型gpt-4o-transcribe， gpt-4o-mini-transcribe and gpt-4o-mini-tts。
Spark-TTS 是一種基於大語言模型的高效單流解耦語音合成模型。
Google
$0.49
輸入tokens/百萬
$2.1
輸出tokens/百萬
1k
上下文長度
Openai
$2.8
$11.2
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$1
$10
256
$6
$24
$4
$16
$2
$20
Baidu
128
Bytedance
$1.2
$3.6
4
nari-labs
Dia2是由Nari Labs開發的流式對話文本轉語音(TTS)模型，支持即時語音生成，無需完整文本即可開始生成音頻，能夠根據對話上下文進行調整，實現自然流暢的對話體驗。
Dia2是由Nari Labs開發的流式對話文本轉語音(TTS)模型，支持即時語音生成，無需完整文本即可開始生成音頻，專為自然對話場景設計。
neuphonic
NeuTTS Air是世界上首個具備即時語音克隆功能的超逼真、端側文本轉語音（TTS）語言模型。基於0.5B參數的大語言模型骨幹構建，能為本地設備帶來自然的語音、即時性能、內置安全性和說話人克隆功能。
NeuTTS Air是世界上首個具備即時語音克隆功能的超逼真、設備端文本轉語音（TTS）語言模型。基於0.5B大語言模型骨幹網絡構建，能為本地設備帶來自然的語音、即時性能、內置安全功能和說話人克隆能力。
notmax123
Zonos-v0.1 是一款領先的開源文本轉語音（TTS）模型，基於超過20萬小時的多語言語音數據訓練，在表現力和質量上可與頂級TTS供應商相媲美。支持零樣本語音克隆、多語言合成和精細的音頻控制。
NeuCodec的ONNX編譯版本解碼器，專為設備端文本轉語音（TTS）設計的輕量級音頻解碼模型，能夠高效地將編碼後的音頻特徵轉換為高質量音頻信號。
snorbyte
snorTTS-Indic-v0 是一個多語言印度語語音合成（TTS）模型，能夠生成九種印度語言的語音。
unsloth
Orpheus TTS 是一款基於 Llama 的先進語音大語言模型（Speech-LLM），專為生成高質量、富有情感的語音而設計。
kyutai
京都臺文本轉語音（TTS）模型是一款用於流式文本轉語音的模型，支持即時語音生成和多語言處理。
re-skill
Orpheus TTS 是一款基於 Llama 的先進語音大語言模型，專為實現高質量、富有情感的文本轉語音功能而設計。
salihfurkaan
VoxPolska Auralis是一款先進的波蘭語文本轉語音(TTS)模型，採用前沿深度學習技術，能夠精準捕捉波蘭語的細微差別和語調，將書面文本轉化為自然、流暢且富有表現力的語音。
cocktailpeanut
OpenAudio S1是一款領先的文本轉語音（TTS）模型，基於超過200萬小時的多語言音頻數據訓練，支持13種常見語言，提供高質量的語音合成服務，並支持豐富的情感、語調和特殊效果標記。
Llasa是一個基於LLaMA的文本轉語音(TTS)系統，通過整合語音標記擴展了語言模型的能力，支持中英文語音生成。
hcsolakoglu
鄂爾渾-TTS是基於F5 TTS架構的土耳其語文本轉語音模型，由Hasan Can Solakoğlu開發，目前處於Alpha階段。
mmwillet2
Dia 1.6B 是一個適用於文本轉語音任務的模型，支持多種量化版本，兼容TTS.cpp框架。
mrfakename
OpenF5 TTS 是一款基於F5-TTS框架訓練的開源文本轉語音模型，支持零樣本語音克隆功能，採用Apache 2.0許可協議，可商業使用。
NikolayKozloff
Muyan-TTS是一個文本轉語音(TTS)模型，已轉換為GGUF格式以便與llama.cpp配合使用。
2121-8
基於llm-jp/llm-jp-3-150m-instruct3訓練的日語TTS基礎模型，通過精簡控制提示實現高效參數配置
Karayakar
OuteTTS是一個專注於土耳其語的文本轉語音(TTS)模型，基於500M參數規模，能夠將土耳其語文本轉換為自然語音。
基於sarashina2.2‑0.5b‑instruct‑v0.1訓練的日語TTS模型，支持通過提示控制音質
一個基於Chatterbox TTS模型的簡化MCP服務器，提供文本轉語音生成及自動播放功能，支持即時進度通知和自動模型加載。
Deep-Co是一個基於Compose Multiplatform開發的跨平臺聊天客戶端，支持多種LLM API提供商，包括OpenRouter、Anthropic、Grok、OpenAI等，併兼容OpenAI API和本地模型。具備聊天記錄管理、提示詞管理、角色適配、TTS等功能，支持多語言和主題定製。
一個基於Kokoro TTS模型的文本轉語音MCP服務器，提供高質量的語音合成服務
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
