#
Text-to-Speech
このタグのAIツール Text-to-Speech.
MAI-Voice-2.1
Microsoftは2026年10月1日、低遅延のMAI-Voice-2.1-Flashと60言語のライブ音声を100ミリ秒強で途中結果付き文字起こしするMAI-Transcribe-2-StreamingとともにMAI-Voice-2.1を公開しました。
Voxtral 3
音声認識と音声合成の両方に対応し、音声エージェントSDKを備えるモデル
Eleven v4
リアルタイム向けのTurbo版を備えた、ランキング首位のElevenLabsの音声合成モデル
CosyVoice
Alibabaのオープンウェイトの、ゼロショット音声クローンと音声合成に対応したモデル
Eleven Flash v2.5
リアルタイムの対話エージェント向けに作られた、ElevenLabsの低レイテンシのTTSモデル
Eleven Multilingual v2
29言語に対応した、ElevenLabsのフラッグシップの音声合成モデル
Eleven Turbo v2.5
品質と速度の中間にあたる、ElevenLabsのバランス型のレイテンシのTTSモデル
Eleven v3
感情を細かく制御できる、ElevenLabsで最も表現力の高い音声合成モデル
NaturalSpeech 3
ゼロショット音声・スタイル変換に対応するMicrosoftの因子分解拡散TTSモデル
Sonic
低遅延のリアルタイム音声合成モデル
Tacotron 2
スペクトログラム予測器とWaveNetボコーダーを組み合わせたGoogleのニューラルTTSモデル
VALL-E
3秒の音声サンプルから話者を模倣するMicrosoftのニューラルコーデック音声クローンモデル
VALL-E 2
ベンチマークで人間並みの品質に達したMicrosoftの改良型ゼロショット音声クローンモデル
WaveNet
現代のニューラルTTSの基礎を築いたDeepMindの生音声生成モデル