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

رتبهمدلامتیاز (Elo)تعداد رأیقیمت هر ۱ میلیون نویسهدر هوش یاب
۱
Eleven v4معرفی
ElevenLabs
۱٬۳۳۸±۱۵۲٬۷۲۲$۸۰
۲
Eleven v4 Turboمعرفی
ElevenLabs
۱٬۳۳۷±۱۶۲٬۴۲۶$۴۰
۳
Qwen-Audio-3.1-TTS-Plusمعرفی
Alibaba
۱٬۲۹۷±۱۴۲٬۴۷۳$۱۹٫۳۱—
۴
Sonic 3.6معرفی
Cartesia
۱٬۲۹۶±۱۳۳٬۳۲۶$۴۹—
۵
Simba 3.5معرفی
SpeechifyAI
۱٬۲۹۳±۱۷۱٬۷۰۱$۶٫۵۸—
۶
Gemini 3.8 Flash TTSمعرفی
Google
۱٬۲۸۳±۱۳۳٬۶۰۵$۱۶٫۴۹
۷
Fish Audio Drama 3معرفی
Fish Audio
۱٬۲۷۴±۱۷۱٬۷۱۳$۱۵
۸
Lightning V3.1 Pro (Oct 2026)معرفی
Smallest.ai
۱٬۲۷۲±۱۵۲٬۰۲۶$۱۹٫۵—
۹
Realtime TTS-2معرفی
Inworld
۱٬۲۶۶±۱۳۲٬۷۳۰$۲۰٫۸۳—
۱۰
Qwen-Audio-3.0-TTS-Plusمعرفی
Alibaba
۱٬۲۶۶±۱۳۳٬۰۱۱$۱۹٫۳۱—
۱۱
Gemini 3.8 Flash-Lite TTSمعرفی
Google
۱٬۲۵۹±۱۳۳٬۶۰۲$۱۱٫۰۳
۱۲
Simba 3.2معرفی
SpeechifyAI
۱٬۲۵۱±۱۲۳٬۹۲۹$۶٫۵۸—
۱۳
Fish Audio Drama 3 Previewمعرفی
Fish Audio
۱٬۲۳۹±۱۳۲٬۷۴۷$۱۵
۱۴
Breeze TTS 2معرفی
BreezeBlue
۱٬۲۲۹±۱۳۲٬۸۷۴$۳۴
۱۵
AssemblyAI-TTS-1معرفی
AssemblyAI
۱٬۲۲۲±۱۵۱٬۸۰۹$۱۵—
۱۶
v3 Conversationalمعرفی
ElevenLabs
۱٬۲۱۴±۱۲۳٬۳۰۲$۵۰
۱۷
Realtime TTS-2 Flashمعرفی
Inworld
۱٬۲۱۳±۱۲۳٬۱۷۳$۱۰٫۴۲—
۱۸
Voxtral 3 TTSمعرفی
Mistral
۱٬۲۱۳±۱۳۲٬۲۰۴$۱۳—
۱۹
Gemini 3.1 Flash TTSمعرفی
Google
۱٬۲۱۳±۱۰۴٬۷۵۴$۱۸٫۳۱
۲۰
StepAudio 2.5 TTS (Aug 2026)معرفی
StepFun
۱٬۲۱۱±۱۳۲٬۷۶۰$۸۵—
نمایش ۸۴ مدل دیگر
رتبهمدلامتیاز (Elo)تعداد رأیقیمت هر ۱ میلیون نویسهدر هوش یاب
۲۱
Luna TTSمعرفی
VUI Labs
۱٬۲۰۱±۱۱۴٬۰۰۶$۱۵—
۲۲
Sonic 3.5معرفی
Cartesia
۱٬۱۹۴±۱۱۴٬۲۶۵$۴۹—
۲۳
Eleven v3معرفی
ElevenLabs
۱٬۱۸۹±۱۰۵٬۵۰۱$۱۰۰
۲۴
Ming-3.0-ttsمعرفی
Ant Group
۱٬۱۸۵±۱۳۲٬۵۸۷—
۲۵
Fish Audio S2.1 Pro (Oct 2026)معرفی
Fish Audio
۱٬۱۸۴±۱۳۲٬۵۷۲$۱۵—
۲۶
Soniox TTS Real-Time v2معرفی
Soniox
۱٬۱۷۹±۱۰۵٬۸۷۸$۱۴٫۲۳—
۲۷
Speech 2.8 HDمعرفی
MiniMax
۱٬۱۷۴±۱۰۵٬۶۱۰$۱۰۰
۲۸
Gradium TTS (Sep 2026)معرفی
Gradium
۱٬۱۷۳±۱۲۲٬۶۹۸$۴۷٫۷۸—
۲۹
Gradium TTS (Oct 2026)معرفی
Gradium
۱٬۱۶۵±۱۴۲٬۱۰۱$۴۷٫۷۸—
۳۰
SpaceXAI TTSمعرفی
SpaceXAI
۱٬۱۵۸±۱۲۲٬۲۵۶$۱۵—
۳۱
Falcon 2معرفی
Murf AI
۱٬۱۵۷±۱۲۲٬۸۷۷$۱۰
۳۲
Gradium TTS (Aug 2026)معرفی
Gradium
۱٬۱۵۱±۱۲۲٬۹۲۱$۴۷٫۲۲—
۳۳
Speech 2.8 Turboمعرفی
MiniMax
۱٬۱۵۱±۱۰۵٬۳۶۰$۶۰
۳۴
Azure HD 2.5معرفی
Microsoft
۱٬۱۴۵±۱۱۳٬۳۲۵$۲۲—
۳۵
Async Flash v1.5معرفی
async
۱٬۱۴۰±۱۱۳٬۰۴۴$۱۰٫۱—
۳۶
Step TTS 2 (Mar 2026)معرفی
StepFun
۱٬۱۳۷±۱۱۳٬۱۰۵$۴۰—
۳۷
Async Pro v1.0معرفی
async
۱٬۱۲۷±۱۱۲٬۸۹۹$۲۰٫۲—
۳۸
Speech 2.6 HDمعرفی
MiniMax
۱٬۱۲۵±۱۰۴٬۵۹۳$۱۰۰
۳۹
Speech 2.6 Turboمعرفی
MiniMax
۱٬۱۲۲±۱۰۴٬۸۳۴$۶۰
۴۰
Simba 3.0معرفی
SpeechifyAI
۱٬۱۱۴±۱۱۳٬۳۱۷$۶٫۵۸—
۴۱
Phonon 31M (English)معرفی
Gradium
۱٬۱۱۳±۱۴۱٬۹۰۸رایگان
۴۲
Coda v2معرفی
Rime
۱٬۱۱۲±۱۳۱٬۹۲۹$۵۰—
۴۳
Chatterbox HDمعرفی
Resemble AI
۱٬۱۱۰±۱۱۲٬۹۳۷$۴۰
۴۴
TTS-1 HDمعرفی
OpenAI
۱٬۱۰۶±۱۱۴٬۰۴۱$۳۰—
۴۵
Fish Audio S2 Proمعرفی
Fish Audio
۱٬۱۰۶±۱۱۲٬۹۷۷$۱۵
۴۶
Speech-02-HDمعرفی
MiniMax
۱٬۱۰۴±۱۱۴٬۸۸۵$۱۰۰—
۴۷
Step Audio EditX (Mar 2026)معرفی
StepFun
۱٬۰۹۹±۱۲۲٬۵۸۵—
۴۸
Multilingual v2معرفی
ElevenLabs
۱٬۰۹۳±۱۰۷٬۶۹۱$۱۰۰
۴۹
Turbo v2.5
ElevenLabs
۱٬۰۹۳±۱۰۷٬۲۶۸$۵۰—
۵۰
Speech 2.6معرفی
Hithink
۱٬۰۹۱±۱۲۲٬۸۰۰——
۵۱
Voxtral TTS
Mistral
۱٬۰۹۱±۱۲۲٬۷۱۹$۱۶—
۵۲
Speech-02-Turbo
MiniMax
۱٬۰۸۹±۱۱۴٬۲۳۴$۶۰—
۵۳
OpenAudio S1
Fish Audio
۱٬۰۸۸±۱۱۴٬۸۴۴$۱۵—
۵۴
TTS-1
OpenAI
۱٬۰۸۵±۱۰۶٬۵۰۹$۱۵—
۵۵
Gemini 2.5 Flash Lite TTS
Google
۱٬۰۸۳±۱۱۳٬۵۰۶$۹٫۱۵—
۵۶
Flash v2.5
ElevenLabs
۱٬۰۷۵±۱۰۶٬۰۲۳$۵۰—
۵۷
T2A-01-HD
MiniMax
۱٬۰۷۳±۱۱۵٬۲۵۱$۵۰—
۵۸
GPT-Realtime-2
OpenAI
۱٬۰۷۲±۱۲۲٬۵۳۹$۱۹۱٫۵۶—
۵۹
Studio
Google
۱٬۰۷۲±۱۱۴٬۷۹۵$۱۶۰—
۶۰
Gemini 2.5 Flash TTS (Dec 2025)
Google
۱٬۰۶۹±۱۲۳٬۱۱۷$۹٫۱۵—
۶۱
Journey
Google
۱٬۰۶۸±۱۲۲٬۵۲۰$۱۶۰—
۶۲
Polly Generative
Amazon
۱٬۰۶۳±۱۱۳٬۹۸۵$۳۰—
۶۳
Magpie-Multilingual 357M (Feb 2026)
NVIDIA
۱٬۰۶۲±۱۲۲٬۴۹۷——
۶۴
Maya 2 Flashمعرفی
Maya Research
۱٬۰۶۲±۱۲۲٬۴۳۳——
۶۵
Chirp 3: HDمعرفی
Google
۱٬۰۶۱±۱۱۳٬۶۲۸$۳۰
۶۶
Kokoro 82M v1.0معرفی
Kokoro
۱٬۰۶۱±۱۱۵٬۶۱۸$۰٫۶۵
۶۷
Sonic 3
Cartesia
۱٬۰۵۸±۱۱۳٬۷۴۴$۴۹—
۶۸
Octave 2
Hume AI
۱٬۰۵۸±۱۲۳٬۳۷۷$۸۷٫۵—
۶۹
Rime
۱٬۰۵۴±۱۲۲٬۶۹۳$۵۰—
۷۰
MiMo-V2.5-TTS
Xiaomi
۱٬۰۵۲±۱۲۲٬۳۰۵——
۷۱
Flux TTSمعرفی
Deepgram
۱٬۰۵۲±۱۳۲٬۴۵۹$۴۵—
۷۲
Async Flash v1.0
async
۱٬۰۴۸±۱۱۴٬۲۴۲$۱۰٫۱—
۷۳
Maya1
Maya Research
۱٬۰۴۶±۱۲۳٬۴۹۶——
۷۴
Maya 2 Global
Maya Research
۱٬۰۴۵±۱۳۲٬۲۲۵——
۷۵
OpenAudio S1 Mini
Fish Audio
۱٬۰۴۲±۲۰۱٬۶۷۸$۱۵—
۷۶
Octave TTS
Hume AI
۱٬۰۳۹±۱۱۴٬۸۵۰$۸۷٫۵—
۷۷
Gemini 2.5 Pro (Dec 2025)
Google
۱٬۰۳۸±۱۲۲٬۶۱۶$۱۸٫۳۱—
۷۸
Higgs Audio V3 TTS
Boson AI
۱٬۰۳۷±۱۲۲٬۳۸۶$۱۵—
۷۹
Bland Speech v3
Bland AI
۱٬۰۳۴±۱۲۲٬۸۰۰$۴۰—
۸۰
Azure Neural
Microsoft
۱٬۰۳۲±۲۰۱٬۱۵۶$۱۵—
۸۱
MAI-Voice-1
Microsoft
۱٬۰۲۷±۱۲۲٬۴۸۳——
۸۲
T2A-01-Turbo
MiniMax
۱٬۰۲۵±۱۱۵٬۱۲۸$۳۰—
۸۳
Polly Long-Form
Amazon
۱٬۰۲۵±۱۳۲٬۱۰۰$۱۰۰—
۸۴
Lightning v3.1
Smallest.ai
۱٬۰۲۲±۱۲۲٬۵۲۹$۲۵—
۸۵
Chatterboxمعرفی
Resemble AI
۱٬۰۲۱±۱۱۴٬۸۳۸$۲۵
۸۶
Raon SpeechLM
Krafton
۱٬۰۰۳±۱۳۲٬۴۱۱——
۸۷
Zonos-v0.1
Zyphra
۱٬۰۰۰۴٬۹۷۹$۲۰—
۸۸
Murf Speech Gen 2
Murf AI
۹۸۴±۱۲۵٬۱۲۳$۱۰۰—
۸۹
OpenVoice v2
OpenVoice
۹۵۶±۱۳۳٬۱۵۲$۸٫۳۳—
۹۰
VibeVoice 1.5B
Microsoft
۹۵۴±۱۴۲٬۲۲۳——
۹۱
Neuphonic TTS
Neuphonic
۹۴۰±۱۴۲٬۵۴۵$۲۰٫۷۹—
۹۲
Qwen3 TTS Flash
Alibaba
۹۳۹±۱۴۲٬۲۶۳$۱۱٫۰۳—
۹۳
Qwen3 TTSمعرفی
Alibaba
۹۲۸±۱۳۳٬۱۹۹$۱۳٫۷۹
۹۴
Kugel 3
KugelAudio
۹۲۵±۱۳۴٬۵۶۴——
۹۵
WaveNet
Google
۹۱۶±۱۲۶٬۴۵۹$۴—
۹۶
XTTS v2
Coqui
۹۱۵±۱۵۲٬۷۵۳$۴۰٫۴۴—
۹۷
Mist V2
Rime
۹۰۱±۱۵۳٬۱۱۲$۳۱٫۱۳—
۹۸
Polly Neural
Amazon
۸۹۲±۱۴۳٬۰۱۷$۱۶—
۹۹
Neural2
Google
۸۹۰±۱۲۶٬۷۳۱$۱۶—
۱۰۰
StyleTTS 2
StyleTTS
۸۸۸±۱۵۲٬۷۴۴$۲٫۸۲—
۱۰۱
Standard
Google
۸۸۴±۱۲۶٬۸۱۲$۴—
۱۰۲
Noiz TTS
Noiz
۸۶۶±۱۵۲٬۵۱۷——
۱۰۳
MetaVoice v1
MetaVoice
۸۴۶±۱۸۱٬۷۰۵——
۱۰۴
Polly Standard
Amazon
۸۳۰±۱۵۳٬۶۳۶$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.

  • Async Pro v1.0معرفی

    Async Pro v1.0 مدل باکیفیت تبدیل متن به گفتار در Voice API شرکت Async است که مه ۲۰۲۶ عرضه شد.

  • Async Flash v1.5معرفی

    Async Flash v1.5 مدل سریع و جریانی تبدیل متن به گفتار در Voice API شرکت Async است که برای کمترین تأخیر ساخته شده است.

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.