Google推出Gemini 2.5 Flash與Pro文本轉語音預覽模型，全面升級5月舊版。新模型支持24種語言的多角色對話，具備“情緒級”表達和自適應節奏功能，用戶可一鍵切換“歡快樂觀”或“陰鬱嚴肅”等音色。開發者現可在Google AI Studio與Playground免費測試，預計2025年第一季度投入生產，適用於有聲書、遊戲NPC及本地化課程等場景。
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。
B站Index團隊開源文本轉語音系統IndexTTS-2.0，該系統具備情感可控和時長可調兩大特點，標誌着零樣本TTS技術實現重要突破。通過引入時間編碼機制等核心創新，有效解決了語音合成領域的情感表達和時長控制難題，推動技術實用化進程。
先進的文本轉語音模型，提供高質量的語音合成服務。
提供語音AI的ASR、TTS和LLM模型，可測試部署用於即時應用。
尼泊爾首個AI內容創作平臺，支持TTS、STT、文本轉圖像，有500+語音、100+語言。
Nexa SDK可在數分鐘內將AI模型部署到任何設備上，快速、私密且適用於多場景。
Alibaba
-
輸入tokens/百萬
輸出tokens/百萬
上下文長度
$2.4
$12
8
$1.6
$10
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
syvai
基於1000+小時丹麥語數據訓練的文本轉語音模型，支持自然對話場景的語音合成
基於llm-jp/llm-jp-3-150m-instruct3訓練的日語TTS語音合成系統，支持通過提示詞調控音質
Zonos TTS與Claude的MCP集成項目，實現文本轉語音功能。
基於Kokoro TTS引擎的語音合成MCP服務
一個基於FishSpeech的文本轉語音(TTS)MCP服務器，支持語音參考保存，可與Dive等MCP兼容的LLM集成使用。
一個基於MCP框架的多功能TTS服務器，整合了Kokoro本地TTS和OpenAI雲端TTS引擎，支持即時音頻流、語音定製及播放控制。
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。
基於OpenAI TTS API的高質量文本轉語音工具與MCP服務
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。
Kokoro文本轉語音(TTS)MCP服務器，支持生成MP3文件並可選上傳至S3存儲
Blabber-MCP是基於OpenAI文本轉語音API的MCP服務器，為LLM提供語音輸出功能。
一個基於MCP服務器和OpenAI TTS SDK的文本轉語音工具，支持本地環境播放。
為Claude AI提供Linux系統上的Zonos TTS語音合成集成
基於MCP的文本轉語音服務器
該項目使用Google ADK和ElevenLabs MCP服務器構建了一個文本轉語音(TTS)的智能體，通過uvx連接實現語音合成功能。
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
Windows TTS MCP Server是一個基於PowerShell的文本轉語音服務，為Claude Desktop提供穩定高效的TTS功能，支持語音控制、速度調節和緊急靜音等操作。
%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)
