CSM（对话语音模型）是Sesame开发的1B参数语音生成模型，可从文本和音频输入生成RVQ音频编码。

CSM（对话语音模型）是由Sesame开发的10亿参数语音生成模型，可通过文本和音频输入生成RVQ音频编码。

CSM是由Sesame开发的1B参数语音生成模型，可通过文本和音频输入生成RVQ音频编码，支持带上下文的语音生成。

CSM（对话语音模型）是Sesame开发的10亿参数语音生成模型，可通过文本和音频输入生成RVQ音频编码。

一个基于PyTorch的文本转语音模型，支持中文语音合成，由SesameAILabs开发并发布。

Kokoro 是一个开放权重的小型但功能强大的文本转语音（TTS）模型系列，新增了来自专业数据集的100名中文说话人数据。

基于阿美语和太鲁阁语的实验性语音合成模型，使用ithuan数据集训练

基于F5-TTS的巴西葡萄牙语文本转语音模型，支持情感标记和说话者特征控制

YarnGPT 是一款专为合成尼日利亚口音英语而设计的文本转语音（TTS）模型，采用纯语言建模技术，可为多样化应用提供高质量、自然且文化相关的语音合成。

基于microsoft/speecht5_tts微调的印地语文本转语音模型

Parler-TTS Mini v1.1 是一个轻量级的文本转语音模型，基于45,000小时的音频数据训练而成，能够生成高质量、自然流畅的语音，其特性可以通过简单的文本提示进行控制。

F5-TTS 是一个完全非自回归的零样本文本转语音模型，支持高质量的语音合成。

基于Microsoft SpeechT5微调的土耳其语文本转语音模型，支持生成自然语音

轻量级文本转语音模型，基于4.5万小时音频数据训练，可通过文本提示控制语音特性

拥有22亿参数的文本转语音模型，基于4.5万小时音频数据训练，支持通过文本提示控制语音特征

轻量级文本转语音模型，基于4.5万小时音频训练，支持通过文本提示控制语音特征

Parler-TTS Mini：Expresso是基于Parler-TTS Mini v0.1在Expresso数据集上微调的轻量级文本转语音模型，支持情感和说话者控制。

一个支持多说话人的俄语文本转语音模型，可直接处理带标点符号的普通文本，无需预先转换为音素。

基于微软SpeechT5架构微调的阿拉伯语文本转语音模型，在Hakawati数据集上训练

基于Matcha-TTS架构的加泰罗尼亚语多说话人文本转语音模型，通过最优传输条件流匹配训练，支持快速高质量语音合成

这是一个基于VITS架构的俄语文本转语音模型，能够将俄语文本转换为自然语音。

VITS是一种端到端语音合成模型，能够根据输入的文本序列预测对应的语音波形。

VITS是一种端到端语音合成模型，能够根据输入文本序列预测对应的语音波形。

基于microsoft/speecht5_tts模型在voxpopuli法语数据集上微调的文本转语音模型

HiFiGAN是一种基于GAN的声码器模型，能够从梅尔频谱图生成高质量音频，支持多说话人英语语音合成。

基于微软SpeechT5架构微调的瑞典语文本转语音模型，使用Common Voice数据集训练

这是一个基于ESPnet2框架训练的日语文本转语音(TTS)模型，使用VITS架构，由mio在amadeus数据集上训练完成。

基于ESPnet框架训练的文本转语音模型，使用LibriTTS数据集训练，支持英语语音合成。