Guias sobre modelos de voz com IA de código aberto e populares, e como testar capacidades comparáveis na Echora.
O Amazon Polly é o serviço TTS na nuvem da AWS e oferece quatro mecanismos de voz distintos, desde as vozes Standard mais baratas até a narração Long-Form premium, tudo integrado à AWS.
O Azure AI Speech é o serviço oficial de TTS em nuvem da Microsoft, com centenas de vozes neurais, treinamento de voz personalizada e controle SSML completo em escala real.
O Edge TTS é uma ferramenta gratuita e de código aberto que acessa as mesmas vozes online do recurso Ler em Voz Alta do Microsoft Edge, sem exigir chave de API nem conta.
SeamlessM4T é um modelo de código aberto da Meta que unifica reconhecimento de fala, tradução e síntese de voz em um único sistema para até 100 idiomas.
O MaskGCT é um modelo TTS não autorregressivo da Amphion que dispensa totalmente o alinhamento e a previsão de duração, clonando uma voz com apenas 5 segundos de áudio.
O FireRedTTS é um framework TTS fundacional da Xiaohongshu que oferece clonagem de voz zero-shot para dublagem e fala casual ajustada por instruções para chatbots de IA.
O Spark-TTS usa o BiCodec, um codec de voz de fluxo único baseado no Qwen2.5, para clonagem de voz zero-shot e criação de vozes totalmente sintéticas em um único modelo aberto.
NeuTTS Air é um modelo TTS da Neuphonic para execução no dispositivo, com menos de 1 bilhão de parâmetros, que clona uma voz com apenas 3 segundos de áudio e roda em celulares e Raspberry Pi.
O Kyutai Pocket TTS é um modelo de 100M de parâmetros, com licença MIT, que executa síntese de fala em tempo real e clonagem de voz zero-shot apenas na CPU, sem exigir GPU.
KaniTTS combina um modelo de linguagem LFM2 compacto com um codec neural de áudio eficiente e executa síntese de fala em tempo real com apenas 3 GB de VRAM de GPU no total.
O VoxCPM é um modelo TTS da OpenBMB sem tokenizador para chinês e inglês que atinge fator de tempo real de 0,17 em uma GPU de consumo e gera prosódia automática de acordo com o contexto.
Voxtral TTS é um modelo de pesos abertos de 4B da Mistral AI que clona uma voz com 2–3 segundos de áudio e foi comparado diretamente com o ElevenLabs em qualidade.
