#
Text-to-Speech
KI-Tools mit dem Tag Text-to-Speech.
MAI-Voice-2.1
Microsoft veröffentlichte MAI-Voice-2.1 und das latenzarme MAI-Voice-2.1-Flash am 1. Oktober 2026 zusammen mit MAI-Transcribe-2-Streaming, das Live-Sprache in 60 Sprachen mit Teilergebnissen in etwas mehr als 100 ms transkribiert
Voxtral 3
Voxtral 3 unterstützt sowohl Sprache-zu-Text als auch Text-zu-Sprache und enthält ein SDK für Sprachagenten
Eleven v4
Bestplatziertes Text-to-Speech-Modell von ElevenLabs mit Turbo-Variante für Echtzeit
CosyVoice
Offenes Zero-Shot-Modell von Alibaba zum Klonen von Stimmen und für Text-to-Speech
Eleven Flash v2.5
Sprachmodell von ElevenLabs mit niedriger Latenz für dialogorientierte Agenten in Echtzeit
Eleven Multilingual v2
Flaggschiffmodell von ElevenLabs für Text-to-Speech in 29 Sprachen
Eleven Turbo v2.5
Text-to-Speech-Modell von ElevenLabs mit ausgewogener Latenz und Balance aus Qualität und Geschwindigkeit
Eleven v3
Ausdrucksstärkstes Text-to-Speech-Modell von ElevenLabs mit präziser Steuerung emotionaler Nuancen
NaturalSpeech 3
Microsofts faktorisiertes Diffusionsmodell für Zero-Shot-Sprach- und Stilübertragung
Sonic
Das Text-to-Speech-Modell von Cartesia mit niedriger Latenz für Echtzeit-Anwendungen
Tacotron 2
Googles neuronales Text-to-Speech-Modell mit Spektrogrammvorhersage und WaveNet-Vocoder
VALL-E
Microsofts Neural-Codec-Modell zum Klonen von Stimmen, das eine Stimme anhand einer drei Sekunden langen Aufnahme nachahmt
VALL-E 2
Microsofts verbessertes Zero-Shot-Modell zum Klonen von Stimmen, das in Benchmarks menschliches Niveau erreicht
WaveNet
Generatives Roh-Audiomodell von DeepMind, das die Grundlage für modernes neuronales Text-to-Speech schuf