مقایسه مدلها
مقایسهٔ مدلهای تبدیل متن به گفتار
رتبهٔ صداسازهای هوش مصنوعی از رأی شنوندهها در مقایسهٔ کور، با قیمت هر ۱ میلیون نویسه.
مدلهای تبدیل متن به گفتار
۱۰۴ مدل · بهروزرسانی هوش یاب: ۲۱ آبان ۱۴۰۵
رتبه از رأی شنوندهها در مقایسهٔ کور است و قیمت، قیمت API همانجاست. این مقایسه فقط با انگلیسی آمریکایی و بریتانیایی انجام میشود و چیزی دربارهٔ کیفیت فارسی نمیگوید؛ پشتیبانی فارسی هر مدل را در صفحهٔ ابزارهایش ببینید. منبع: Artificial Analysis
| رتبه | مدل | امتیاز (Elo) | تعداد رأی | قیمت هر ۱ میلیون نویسه | در هوش یاب |
|---|---|---|---|---|---|
| ۱ | Eleven v4معرفی ElevenLabs | ۱٬۳۳۸±۱۵ | ۲٬۷۲۲ | $۸۰ | |
| ۲ | Eleven v4 Turboمعرفی ElevenLabs | ۱٬۳۳۷±۱۶ | ۲٬۴۲۶ | $۴۰ | |
| ۳ | Qwen-Audio-3.1-TTS-Plusمعرفی Alibaba | ۱٬۲۹۷±۱۴ | ۲٬۴۷۳ | $۱۹٫۳۱ | — |
| ۴ | Sonic 3.6معرفی Cartesia | ۱٬۲۹۶±۱۳ | ۳٬۳۲۶ | $۴۹ | — |
| ۵ | Simba 3.5معرفی SpeechifyAI | ۱٬۲۹۳±۱۷ | ۱٬۷۰۱ | $۶٫۵۸ | — |
| ۶ | Gemini 3.8 Flash TTSمعرفی Google | ۱٬۲۸۳±۱۳ | ۳٬۶۰۵ | $۱۶٫۴۹ | |
| ۷ | Fish Audio Drama 3معرفی Fish Audio | ۱٬۲۷۴±۱۷ | ۱٬۷۱۳ | $۱۵ | |
| ۸ | Lightning V3.1 Pro (Oct 2026)معرفی Smallest.ai | ۱٬۲۷۲±۱۵ | ۲٬۰۲۶ | $۱۹٫۵ | — |
| ۹ | Realtime TTS-2معرفی Inworld | ۱٬۲۶۶±۱۳ | ۲٬۷۳۰ | $۲۰٫۸۳ | — |
| ۱۰ | Qwen-Audio-3.0-TTS-Plusمعرفی Alibaba | ۱٬۲۶۶±۱۳ | ۳٬۰۱۱ | $۱۹٫۳۱ | — |
| ۱۱ | Gemini 3.8 Flash-Lite TTSمعرفی Google | ۱٬۲۵۹±۱۳ | ۳٬۶۰۲ | $۱۱٫۰۳ | |
| ۱۲ | Simba 3.2معرفی SpeechifyAI | ۱٬۲۵۱±۱۲ | ۳٬۹۲۹ | $۶٫۵۸ | — |
| ۱۳ | Fish Audio Drama 3 Previewمعرفی Fish Audio | ۱٬۲۳۹±۱۳ | ۲٬۷۴۷ | $۱۵ | |
| ۱۴ | Breeze TTS 2معرفی BreezeBlue | ۱٬۲۲۹±۱۳ | ۲٬۸۷۴ | $۳۴ | |
| ۱۵ | AssemblyAI-TTS-1معرفی AssemblyAI | ۱٬۲۲۲±۱۵ | ۱٬۸۰۹ | $۱۵ | — |
| ۱۶ | v3 Conversationalمعرفی ElevenLabs | ۱٬۲۱۴±۱۲ | ۳٬۳۰۲ | $۵۰ | |
| ۱۷ | Realtime TTS-2 Flashمعرفی Inworld | ۱٬۲۱۳±۱۲ | ۳٬۱۷۳ | $۱۰٫۴۲ | — |
| ۱۸ | Voxtral 3 TTSمعرفی Mistral | ۱٬۲۱۳±۱۳ | ۲٬۲۰۴ | $۱۳ | — |
| ۱۹ | Gemini 3.1 Flash TTSمعرفی Google | ۱٬۲۱۳±۱۰ | ۴٬۷۵۴ | $۱۸٫۳۱ | |
| ۲۰ | StepAudio 2.5 TTS (Aug 2026)معرفی StepFun | ۱٬۲۱۱±۱۳ | ۲٬۷۶۰ | $۸۵ | — |
نمایش ۸۴ مدل دیگر
| رتبه | مدل | امتیاز (Elo) | تعداد رأی | قیمت هر ۱ میلیون نویسه | در هوش یاب |
|---|---|---|---|---|---|
| ۲۱ | Luna TTSمعرفی VUI Labs | ۱٬۲۰۱±۱۱ | ۴٬۰۰۶ | $۱۵ | — |
| ۲۲ | Sonic 3.5معرفی Cartesia | ۱٬۱۹۴±۱۱ | ۴٬۲۶۵ | $۴۹ | — |
| ۲۳ | Eleven v3معرفی ElevenLabs | ۱٬۱۸۹±۱۰ | ۵٬۵۰۱ | $۱۰۰ | |
| ۲۴ | Ming-3.0-ttsمعرفی Ant Group | ۱٬۱۸۵±۱۳ | ۲٬۵۸۷ | — | |
| ۲۵ | Fish Audio S2.1 Pro (Oct 2026)معرفی Fish Audio | ۱٬۱۸۴±۱۳ | ۲٬۵۷۲ | $۱۵ | — |
| ۲۶ | Soniox TTS Real-Time v2معرفی Soniox | ۱٬۱۷۹±۱۰ | ۵٬۸۷۸ | $۱۴٫۲۳ | — |
| ۲۷ | Speech 2.8 HDمعرفی MiniMax | ۱٬۱۷۴±۱۰ | ۵٬۶۱۰ | $۱۰۰ | |
| ۲۸ | Gradium TTS (Sep 2026)معرفی Gradium | ۱٬۱۷۳±۱۲ | ۲٬۶۹۸ | $۴۷٫۷۸ | — |
| ۲۹ | Gradium TTS (Oct 2026)معرفی Gradium | ۱٬۱۶۵±۱۴ | ۲٬۱۰۱ | $۴۷٫۷۸ | — |
| ۳۰ | SpaceXAI TTSمعرفی SpaceXAI | ۱٬۱۵۸±۱۲ | ۲٬۲۵۶ | $۱۵ | — |
| ۳۱ | Falcon 2معرفی Murf AI | ۱٬۱۵۷±۱۲ | ۲٬۸۷۷ | $۱۰ | |
| ۳۲ | Gradium TTS (Aug 2026)معرفی Gradium | ۱٬۱۵۱±۱۲ | ۲٬۹۲۱ | $۴۷٫۲۲ | — |
| ۳۳ | Speech 2.8 Turboمعرفی MiniMax | ۱٬۱۵۱±۱۰ | ۵٬۳۶۰ | $۶۰ | |
| ۳۴ | Azure HD 2.5معرفی Microsoft | ۱٬۱۴۵±۱۱ | ۳٬۳۲۵ | $۲۲ | — |
| ۳۵ | Async Flash v1.5معرفی async | ۱٬۱۴۰±۱۱ | ۳٬۰۴۴ | $۱۰٫۱ | — |
| ۳۶ | Step TTS 2 (Mar 2026)معرفی StepFun | ۱٬۱۳۷±۱۱ | ۳٬۱۰۵ | $۴۰ | — |
| ۳۷ | Async Pro v1.0معرفی async | ۱٬۱۲۷±۱۱ | ۲٬۸۹۹ | $۲۰٫۲ | — |
| ۳۸ | Speech 2.6 HDمعرفی MiniMax | ۱٬۱۲۵±۱۰ | ۴٬۵۹۳ | $۱۰۰ | |
| ۳۹ | Speech 2.6 Turboمعرفی MiniMax | ۱٬۱۲۲±۱۰ | ۴٬۸۳۴ | $۶۰ | |
| ۴۰ | Simba 3.0معرفی SpeechifyAI | ۱٬۱۱۴±۱۱ | ۳٬۳۱۷ | $۶٫۵۸ | — |
| ۴۱ | Phonon 31M (English)معرفی Gradium | ۱٬۱۱۳±۱۴ | ۱٬۹۰۸ | رایگان | |
| ۴۲ | Coda v2معرفی Rime | ۱٬۱۱۲±۱۳ | ۱٬۹۲۹ | $۵۰ | — |
| ۴۳ | Chatterbox HDمعرفی Resemble AI | ۱٬۱۱۰±۱۱ | ۲٬۹۳۷ | $۴۰ | |
| ۴۴ | TTS-1 HDمعرفی OpenAI | ۱٬۱۰۶±۱۱ | ۴٬۰۴۱ | $۳۰ | — |
| ۴۵ | Fish Audio S2 Proمعرفی Fish Audio | ۱٬۱۰۶±۱۱ | ۲٬۹۷۷ | $۱۵ | |
| ۴۶ | Speech-02-HDمعرفی MiniMax | ۱٬۱۰۴±۱۱ | ۴٬۸۸۵ | $۱۰۰ | — |
| ۴۷ | Step Audio EditX (Mar 2026)معرفی StepFun | ۱٬۰۹۹±۱۲ | ۲٬۵۸۵ | — | |
| ۴۸ | Multilingual v2معرفی ElevenLabs | ۱٬۰۹۳±۱۰ | ۷٬۶۹۱ | $۱۰۰ | |
| ۴۹ | Turbo v2.5 ElevenLabs | ۱٬۰۹۳±۱۰ | ۷٬۲۶۸ | $۵۰ | — |
| ۵۰ | Speech 2.6معرفی Hithink | ۱٬۰۹۱±۱۲ | ۲٬۸۰۰ | — | — |
| ۵۱ | Voxtral TTS Mistral | ۱٬۰۹۱±۱۲ | ۲٬۷۱۹ | $۱۶ | — |
| ۵۲ | Speech-02-Turbo MiniMax | ۱٬۰۸۹±۱۱ | ۴٬۲۳۴ | $۶۰ | — |
| ۵۳ | OpenAudio S1 Fish Audio | ۱٬۰۸۸±۱۱ | ۴٬۸۴۴ | $۱۵ | — |
| ۵۴ | TTS-1 OpenAI | ۱٬۰۸۵±۱۰ | ۶٬۵۰۹ | $۱۵ | — |
| ۵۵ | Gemini 2.5 Flash Lite TTS Google | ۱٬۰۸۳±۱۱ | ۳٬۵۰۶ | $۹٫۱۵ | — |
| ۵۶ | Flash v2.5 ElevenLabs | ۱٬۰۷۵±۱۰ | ۶٬۰۲۳ | $۵۰ | — |
| ۵۷ | T2A-01-HD MiniMax | ۱٬۰۷۳±۱۱ | ۵٬۲۵۱ | $۵۰ | — |
| ۵۸ | GPT-Realtime-2 OpenAI | ۱٬۰۷۲±۱۲ | ۲٬۵۳۹ | $۱۹۱٫۵۶ | — |
| ۵۹ | Studio Google | ۱٬۰۷۲±۱۱ | ۴٬۷۹۵ | $۱۶۰ | — |
| ۶۰ | Gemini 2.5 Flash TTS (Dec 2025) Google | ۱٬۰۶۹±۱۲ | ۳٬۱۱۷ | $۹٫۱۵ | — |
| ۶۱ | Journey Google | ۱٬۰۶۸±۱۲ | ۲٬۵۲۰ | $۱۶۰ | — |
| ۶۲ | Polly Generative Amazon | ۱٬۰۶۳±۱۱ | ۳٬۹۸۵ | $۳۰ | — |
| ۶۳ | Magpie-Multilingual 357M (Feb 2026) NVIDIA | ۱٬۰۶۲±۱۲ | ۲٬۴۹۷ | — | — |
| ۶۴ | Maya 2 Flashمعرفی Maya Research | ۱٬۰۶۲±۱۲ | ۲٬۴۳۳ | — | — |
| ۶۵ | Chirp 3: HDمعرفی Google | ۱٬۰۶۱±۱۱ | ۳٬۶۲۸ | $۳۰ | |
| ۶۶ | Kokoro 82M v1.0معرفی Kokoro | ۱٬۰۶۱±۱۱ | ۵٬۶۱۸ | $۰٫۶۵ | |
| ۶۷ | Sonic 3 Cartesia | ۱٬۰۵۸±۱۱ | ۳٬۷۴۴ | $۴۹ | — |
| ۶۸ | Octave 2 Hume AI | ۱٬۰۵۸±۱۲ | ۳٬۳۷۷ | $۸۷٫۵ | — |
| ۶۹ | Codaمعرفی Rime | ۱٬۰۵۴±۱۲ | ۲٬۶۹۳ | $۵۰ | — |
| ۷۰ | MiMo-V2.5-TTS Xiaomi | ۱٬۰۵۲±۱۲ | ۲٬۳۰۵ | — | — |
| ۷۱ | Flux TTSمعرفی Deepgram | ۱٬۰۵۲±۱۳ | ۲٬۴۵۹ | $۴۵ | — |
| ۷۲ | Async Flash v1.0 async | ۱٬۰۴۸±۱۱ | ۴٬۲۴۲ | $۱۰٫۱ | — |
| ۷۳ | Maya1 Maya Research | ۱٬۰۴۶±۱۲ | ۳٬۴۹۶ | — | — |
| ۷۴ | Maya 2 Global Maya Research | ۱٬۰۴۵±۱۳ | ۲٬۲۲۵ | — | — |
| ۷۵ | OpenAudio S1 Mini Fish Audio | ۱٬۰۴۲±۲۰ | ۱٬۶۷۸ | $۱۵ | — |
| ۷۶ | Octave TTS Hume AI | ۱٬۰۳۹±۱۱ | ۴٬۸۵۰ | $۸۷٫۵ | — |
| ۷۷ | Gemini 2.5 Pro (Dec 2025) Google | ۱٬۰۳۸±۱۲ | ۲٬۶۱۶ | $۱۸٫۳۱ | — |
| ۷۸ | Higgs Audio V3 TTS Boson AI | ۱٬۰۳۷±۱۲ | ۲٬۳۸۶ | $۱۵ | — |
| ۷۹ | Bland Speech v3 Bland AI | ۱٬۰۳۴±۱۲ | ۲٬۸۰۰ | $۴۰ | — |
| ۸۰ | Azure Neural Microsoft | ۱٬۰۳۲±۲۰ | ۱٬۱۵۶ | $۱۵ | — |
| ۸۱ | MAI-Voice-1 Microsoft | ۱٬۰۲۷±۱۲ | ۲٬۴۸۳ | — | — |
| ۸۲ | T2A-01-Turbo MiniMax | ۱٬۰۲۵±۱۱ | ۵٬۱۲۸ | $۳۰ | — |
| ۸۳ | Polly Long-Form Amazon | ۱٬۰۲۵±۱۳ | ۲٬۱۰۰ | $۱۰۰ | — |
| ۸۴ | Lightning v3.1 Smallest.ai | ۱٬۰۲۲±۱۲ | ۲٬۵۲۹ | $۲۵ | — |
| ۸۵ | Chatterboxمعرفی Resemble AI | ۱٬۰۲۱±۱۱ | ۴٬۸۳۸ | $۲۵ | |
| ۸۶ | Raon SpeechLM Krafton | ۱٬۰۰۳±۱۳ | ۲٬۴۱۱ | — | — |
| ۸۷ | Zonos-v0.1 Zyphra | ۱٬۰۰۰ | ۴٬۹۷۹ | $۲۰ | — |
| ۸۸ | Murf Speech Gen 2 Murf AI | ۹۸۴±۱۲ | ۵٬۱۲۳ | $۱۰۰ | — |
| ۸۹ | OpenVoice v2 OpenVoice | ۹۵۶±۱۳ | ۳٬۱۵۲ | $۸٫۳۳ | — |
| ۹۰ | VibeVoice 1.5B Microsoft | ۹۵۴±۱۴ | ۲٬۲۲۳ | — | — |
| ۹۱ | Neuphonic TTS Neuphonic | ۹۴۰±۱۴ | ۲٬۵۴۵ | $۲۰٫۷۹ | — |
| ۹۲ | Qwen3 TTS Flash Alibaba | ۹۳۹±۱۴ | ۲٬۲۶۳ | $۱۱٫۰۳ | — |
| ۹۳ | Qwen3 TTSمعرفی Alibaba | ۹۲۸±۱۳ | ۳٬۱۹۹ | $۱۳٫۷۹ | |
| ۹۴ | Kugel 3 KugelAudio | ۹۲۵±۱۳ | ۴٬۵۶۴ | — | — |
| ۹۵ | WaveNet Google | ۹۱۶±۱۲ | ۶٬۴۵۹ | $۴ | — |
| ۹۶ | XTTS v2 Coqui | ۹۱۵±۱۵ | ۲٬۷۵۳ | $۴۰٫۴۴ | — |
| ۹۷ | Mist V2 Rime | ۹۰۱±۱۵ | ۳٬۱۱۲ | $۳۱٫۱۳ | — |
| ۹۸ | Polly Neural Amazon | ۸۹۲±۱۴ | ۳٬۰۱۷ | $۱۶ | — |
| ۹۹ | Neural2 Google | ۸۹۰±۱۲ | ۶٬۷۳۱ | $۱۶ | — |
| ۱۰۰ | StyleTTS 2 StyleTTS | ۸۸۸±۱۵ | ۲٬۷۴۴ | $۲٫۸۲ | — |
| ۱۰۱ | Standard Google | ۸۸۴±۱۲ | ۶٬۸۱۲ | $۴ | — |
| ۱۰۲ | Noiz TTS Noiz | ۸۶۶±۱۵ | ۲٬۵۱۷ | — | — |
| ۱۰۳ | MetaVoice v1 MetaVoice | ۸۴۶±۱۸ | ۱٬۷۰۵ | — | — |
| ۱۰۴ | Polly Standard Amazon | ۸۳۰±۱۵ | ۳٬۶۳۶ | $۴ | — |
این مدلهای کمشناخته چه هستند؟
نامهایی در جدولها که سازنده یا نوعشان کمتر شناخته شده است، کنار همگروهیهایشان. برای جزئیات هر مدل، روی «معرفی» بزنید.
مدلهای گفتار(۳۳ مدل از ۲۱ گروه)
صداهای HD سرویس Azure Speech
صداهای باکیفیت Azure Speech که احساس متن را تشخیص میدهند؛ در کنار آن Microsoft مدلهای MAI-Voice را هم دارد.
- Azure HD 2.5معرفی
Azure HD 2.5 نسخهای از صداهای HD سرویس Azure Speech در Microsoft است که با تاریخ مارس ۲۰۲۶ در جدول Artificial Analysis آمده است.
- MAI-Voice-2.1معرفی
مدل تبدیل متن به گفتار Microsoft AI که ۱ اکتبر ۲۰۲۶ عرضه شد؛ برای کتاب صوتی و صداگذاری در ۲۳ زبان، با کنترل احساس و شبیهسازی صدا از چند ثانیه صوت.
خانوادهٔ Qwen-Audio TTS
مدلهای گفتار Alibaba از Qwen3-TTS تا نسلهای Qwen-Audio 3.0 و 3.1 با نسخههای Flash و Plus، شبیهسازی صدا و کنترل با دستور متنی.
- Qwen-Audio-3.0-TTSمعرفی
Qwen-Audio-3.0-TTS مدل گفتار نسل ۳.۰ Qwen-Audio از Alibaba است که نسخهٔ Plus آن برای کیفیت بالا و نسخهٔ Flash برای تأخیر حدود ۳۰۰ میلیثانیه است و Plus هنگام عرضه صدر جدول صداهای سرویسدهندهها در Artificial Analysis بود.
- Qwen-Audio-3.1-TTSمعرفی
Qwen-Audio-3.1-TTS مدل گفتار نسل ۳.۱ Qwen-Audio از Alibaba است که ۲۳ سپتامبر ۲۰۲۶ عرضه شد و ۱۶ زبان و ۲۰ گویش چینی را پوشش میدهد.
- Qwen3-TTSمعرفی
خانوادهٔ مدلهای متنباز تبدیل متن به گفتار تیم Qwen علیبابا که ۲۲ ژانویهٔ ۲۰۲۶ منتشر شد، در دو اندازهٔ ۰٫۶ و ۱٫۷ میلیارد پارامتر.
گفتار xAI
API تبدیل متن به گفتار xAI با صداهای آماده و صدای سفارشی.
- SpaceXAI TTSمعرفی
SpaceXAI TTS سرویس تبدیل متن به گفتار شرکت xAI (SpaceXAI) سازندهٔ Grok است که مارس ۲۰۲۶ عرضه شد.
Luna TTS
مدلهای گفتار VUI Labs؛ Luna-TTS برای روایت و Luna-TTS Character برای اجرای احساسی شخصیتها.
- Luna TTSمعرفی
Luna TTS مدل تبدیل متن به گفتار شرکت چینی VUI Labs است که ژوئن ۲۰۲۶ عرضه شد؛ با یک نمونهٔ ۳ ثانیهای صدا را شبیهسازی میکند، کنترل احساس و صداهای غیرکلامی دارد و برای گفتوگوی بلادرنگ هم مناسب است.
Breeze TTS
مدلهای گفتار BreezeBlue؛ Breeze TTS 1 و Breeze TTS 2 که وزن باز غیرتجاری دارد.
- Breeze TTS 2معرفی
Breeze TTS 2 مدل متنباز تبدیل متن به گفتار شرکت BreezeBlue است که اوت ۲۰۲۶ با ۳ میلیارد پارامتر منتشر شد و برای گفتوگوی بلادرنگ ساخته شده است.
Gradium TTS
مدل گفتار بلادرنگ Gradium که نسخههای اوت و سپتامبر ۲۰۲۶ آن در جدول آمدهاند؛ این شرکت گفتار به متن و ترجمهٔ زنده هم دارد.
- Gradium TTSمعرفی
Gradium TTS مدل تبدیل متن به گفتار شرکت فرانسوی Gradium است، شرکتی که پژوهشگران آزمایشگاه Kyutai در پاریس راه انداختهاند.
Async Voice API
مدلهای گفتار Async: Async Pro برای کیفیت بالا (فقط انگلیسی) و Async Flash 1.0 و 1.5 برای سرعت.
Soniox TTS
مدل گفتار Soniox که با همان ۶۰ زبان سرویس تبدیل گفتار به متن آن کار میکند.
- Soniox TTS v2معرفی
Soniox TTS v2 مدل تبدیل متن به گفتار بلادرنگ شرکت Soniox است، شرکتی که بیشتر با تبدیل گفتار به متن شناخته میشود.
Lightning
مدلهای گفتار سریع Smallest.ai؛ Lightning v3.1 و نسخهٔ Pro آن.
- Lightning V3.1 Proمعرفی
Lightning V3.1 Pro مدل تبدیل متن به گفتار شرکت Smallest.ai است که ژوئیهٔ ۲۰۲۶ عرضه شد و خانوادهٔ Lightning برای دستیارهای صوتی بلادرنگ با تأخیر حدود ۱۰۰ میلیثانیه ساخته شده است.
مدلهای گفتار Rime
Coda مدل پرچمدار Rime است و Mist v2 و Mist v3 مدلهای کمتأخیر آن.
- Rime Codaمعرفی
Coda مدل پرچمدار تبدیل متن به گفتار شرکت Rime Labs است که مه ۲۰۲۶ عرضه شد و یک مدل زبانی بزرگ را با موتور تولید گفتار ترکیب میکند.
مدلهای Maya
مدلهای گفتار Maya Research: Maya1 و Veena متنباز، و Maya 2 Native، Maya 2 Global و Maya 2 Flash روی سرویس شرکت.
- Maya 2 Flashمعرفی
Maya 2 Flash سریعترین مدل تبدیل متن به گفتار Maya Research است که ژوئیهٔ ۲۰۲۶ برای گفتوگوی زنده عرضه شد.
Hithink Speech
خانوادهٔ گفتار Hithink که Speech 2.6 آن در جدول آمده است.
- Hithink Speech 2.6معرفی
Speech 2.6 در جدول Artificial Analysis مدل تبدیل متن به گفتار شرکت Hithink است که ژوئیهٔ ۲۰۲۶ ثبت شد و با MiniMax Speech 2.6 فرق دارد.
Kokoro
مدل کوچک و متنباز گفتار که روی کامپیوتر شخصی اجرا میشود.
- Kokoro 82M v1.0معرفی
Kokoro 82M مدل کوچک و متنباز تبدیل متن به گفتار با فقط ۸۲ میلیون پارامتر است که توسعهدهندهای با نام hexgrad بر پایهٔ معماری StyleTTS 2 ساخته و نسخهٔ ۱.۰ آن ۲۷ ژانویهٔ ۲۰۲۵ منتشر شد.
Deepgram TTS
مدلهای گفتار Deepgram؛ Flux TTS جدیدترین آن برای مکالمهٔ زنده است.
- Deepgram Flux TTSمعرفی
Flux TTS مدل تبدیل متن به گفتار شرکت آمریکایی Deepgram است که اوت ۲۰۲۶ برای گفتوگوهای زنده عرضه شد و لحن و حس را در طول مکالمه حفظ میکند.
خانوادهٔ Sonic
مدلهای گفتار بلادرنگ Cartesia از Sonic و Sonic 2 تا Sonic 3، Sonic 3.5 و Sonic 3.6.
- Sonic 3.5معرفی
Sonic 3.5 مدل تبدیل متن به گفتار بلادرنگ شرکت آمریکایی Cartesia است که مه ۲۰۲۶ عرضه شد و برای دستیارهای صوتی با تأخیر بسیار کم ساخته شده است.
- Sonic 3.6معرفی
Sonic 3.6 نسخهٔ اوت ۲۰۲۶ مدل گفتار Cartesia است که با Sonic 3.5 سازگار است، مکث و لحن را بر اساس حس متن تنظیم میکند و زبانهای اودیا و اردو را اضافه کرده است.
Inworld Realtime TTS
مدلهای گفتار Inworld: Realtime TTS-2 برای کیفیت و Realtime TTS-2 Flash برای سرعت و قیمت کمتر؛ هر دو فارسی را در ردهٔ دوم زبانها دارند.
- Inworld Realtime TTS-2معرفی
Realtime TTS-2 مدل پرچمدار تبدیل متن به گفتار شرکت آمریکایی Inworld AI است که اوت ۲۰۲۶ عرضه شد و تأخیر مدل آن زیر ۱۰۰ میلیثانیه است.
- Inworld Realtime TTS-2 Flashمعرفی
Realtime TTS-2 Flash نسخهٔ سریع و ارزان Realtime TTS-2 از Inworld AI است با تأخیر مدل حدود ۲۵ میلیثانیه که اوت ۲۰۲۶ عرضه شد.
خانوادهٔ Fish Audio S2
مدلهای گفتار Fish Audio بعد از OpenAudio S1: S2 Pro با وزن باز پژوهشی و S2.1 Pro روی API.
- Fish Audio S2 Proمعرفی
Fish Audio S2 Pro مدل تبدیل متن به گفتار شرکت Fish Audio (Hanabi AI) است که مارس ۲۰۲۶ با حدود ۵ میلیارد پارامتر منتشر شد و با بیش از ۱۵ هزار تگ مثل [whisper] و [excited] احساس صدا را کنترل میکند.
- Fish Audio S2.1 Proمعرفی
Fish Audio S2.1 Pro نسخهٔ ژوئن ۲۰۲۶ مدل گفتار Fish Audio است با تگهای احساسی، تأخیر کم و شبیهسازی صدا از نمونهٔ کوتاه.
خانوادهٔ Simba
مدلهای گفتار API شرکت Speechify؛ Simba 3.0 چندزبانه و Simba 3.2 انگلیسی.
- Simba 3.0معرفی
Simba 3.0 مدل تبدیل متن به گفتار API شرکت آمریکایی Speechify است که فوریهٔ ۲۰۲۶ عرضه شد و ۶ زبان از جمله آلمانی، اسپانیایی، فرانسوی، ایتالیایی و پرتغالی را پشتیبانی میکند که فارسی جزو آنها نیست.
- Simba 3.2معرفی
Simba 3.2 مدل گفتار جریانی و پرحس Speechify است که ژوئیهٔ ۲۰۲۶ عرضه شد و فعلاً فقط انگلیسی پشتیبانی میکند.
خانوادهٔ Step-Audio
مدلهای صوتی StepFun: Step-Audio-EditX متنباز برای ویرایش احساس گفتار، Step TTS 2 و StepAudio 2.5 TTS.
- Step-Audio-EditXمعرفی
Step-Audio-EditX مدل صوتی متنباز شرکت چینی StepFun با حدود ۳ میلیارد پارامتر است که نوامبر ۲۰۲۵ منتشر شد و احساس، سبک گفتن و صداهایی مثل خنده و نفس را در یک فایل صوتی ویرایش میکند.
- StepAudio 2.5 TTSمعرفی
StepAudio 2.5 TTS مدل تبدیل متن به گفتار نسل ۲.۵ صوتی StepFun است که لحن را با دستور متنی هدایت میکند.
- Step TTS 2معرفی
Step TTS 2 مدل تبدیل متن به گفتار StepFun است که در ۲۰۲۶ عرضه شد و نسل بعدی آن StepAudio 2.5 TTS است.
خانوادهٔ Falcon
مدلهای گفتار بلادرنگ Murf AI؛ Falcon و Falcon 2.
- Murf Falcon 2معرفی
Falcon 2 مدل تبدیل متن به گفتار بلادرنگ شرکت Murf AI است که ژوئیهٔ ۲۰۲۶ عرضه شد و تأخیر آن زیر ۱۰۰ میلیثانیه است.
خانوادهٔ MiniMax Speech
مدلهای گفتار MiniMax از Speech-01 و Speech-02 تا Speech 2.6 و Speech 2.8، هر کدام در نسخهٔ HD و Turbo؛ فارسی فقط از Speech 2.6 به بعد پشتیبانی میشود.
- MiniMax Speech-02معرفی
Speech-02-HD مدل گفتار باکیفیت نسل ۰۲ شرکت MiniMax است که مارس ۲۰۲۵ عرضه شد و شبیهسازی صدا و کیفیت استودیویی دارد.
- MiniMax Speech 2.6معرفی
MiniMax Speech 2.6 مدل تبدیل متن به گفتار شرکت چینی MiniMax است که اکتبر ۲۰۲۵ در دو نسخهٔ HD برای کیفیت بالا و Turbo برای تأخیر کم عرضه شد.
- MiniMax Speech 2.8معرفی
مدل تبدیل متن به گفتار MiniMax که ۲۳ ژانویهٔ ۲۰۲۶ معرفی شد و دو نسخهٔ HD (کیفیت بالاتر) و Turbo (سریعتر و ارزانتر) دارد.