Toolkit Python open source para síntese de fala e conversão de voz, com modelos pré-treinados, ferramentas de treinamento e utilitários para curadoria de datasets.
Alternativa open source a:ElevenLabs
Google Cloud Text-to-Speech
Coqui TTS é uma biblioteca de deep learning para gerar fala a partir de texto. Ela inclui modelos pré-treinados para mais de 1100 idiomas e oferece código para treinar novos modelos ou ajustar modelos existentes com seus próprios dados. É um fork do projeto original Coqui TTS, mantido sob o pacote PyPI coqui-tts.
A biblioteca implementa várias arquiteturas, incluindo Tacotron2, Glow-TTS, FastPitch, VITS e o modelo XTTS, que oferece clonagem de voz e saída em streaming. Também inclui vocoders como HiFiGAN e WaveRNN, além de modelos de conversão de voz como FreeVC, kNN-VC e OpenVoice. Há suporte para síntese com múltiplos falantes e em vários idiomas.
É possível usar a biblioteca por meio da ferramenta de linha de comando tts, de uma API Python ou de uma imagem Docker que executa um servidor TTS local. O diretório dataset_analysis oferece ferramentas para inspecionar e organizar datasets de fala.
Instale PyTorch, torchaudio e torchcodec (o uv seleciona a compilação adequada para o seu sistema)
uv pip install torch torchaudio torchcodec --torch-backend=autoInstale coqui-tts pelo PyPI
uv pip install coqui-ttsListe os modelos pré-treinados disponíveis pela linha de comando
tts --list_modelsResumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
O VoxCPM2 é um modelo open source de texto para fala, sem tokenizer, que oferece suporte a 30 idiomas, criação de vozes a partir de descrições textuais e clonagem de voz com clipes de referência curtos.
Família de modelos open source de text-to-speech da Resemble AI, com clonagem de voz a partir de um trecho curto de referência em inglês e vários outros idiomas.
Sistema open source de text-to-speech baseado em flow matching com Diffusion Transformer, que oferece clonagem de voz zero-shot a partir de um áudio curto de referência.
Modelo de TTS leve baseado no ZipVoice para clonagem de voz e geração de fala a 48 kHz, com velocidade superior a 150x em tempo real na GPU.
Biblioteca open source de text-to-speech cujo modelo KittenTTS 2 clona vozes com 5 segundos de áudio e funciona em tempo real na CPU.
Modelo open source de text-to-speech zero-shot com suporte a mais de 600 idiomas, clonagem de voz e criação de vozes.