Ήχος
Μοντέλα μετατροπής κειμένου σε ομιλία κατατεταγμένα κατά την τυφλή προτίμηση των ακροατών στο TTS Arena, με τιμή ανά εκατομμύριο χαρακτήρες ή ανά λεπτό.
Ενημερώθηκε · Πηγές: LiteLLM, TTS Arena
Οι βαθμίδες είναι δικές μας: η θέση ενός μοντέλου στην κατάταξη, μετρώντας μόνο τα μοντέλα των οποίων ολόκληρο το διάστημα εμπιστοσύνης βρίσκεται πάνω από αυτό. S — κορυφαίο 10%, A — έως 30%, B — έως 60%, C — έως 85%, D — τα υπόλοιπα.
Πώς μετριούνται οι φωνές
Ο πίνακας ήχου κατατάσσει μοντέλα μετατροπής κειμένου σε ομιλία. Τα δεδομένα προέρχονται από το TTS Arena V2, ένα ανοιχτό έργο της κοινότητας TTS-AGI: οι ακροατές ακούν δύο φωνές να διαβάζουν το ίδιο κείμενο χωρίς να ξέρουν από ποιο μοντέλο προέρχονται και ψηφίζουν αυτή που προτιμούν. Οι ψήφοι γίνονται βαθμολογία Elo με εύρος αβεβαιότητας, και ο πίνακας δείχνει πόσες ψήφους έχει κάθε μοντέλο.
Ποια μοντέλα παίρνουν βαθμίδα
Η πηγή αυτή δημοσιεύει τον αριθμό ψήφων, οπότε ισχύει το ελάχιστο των 300 ψήφων: ένα μοντέλο με λιγότερες ψήφους μένει «Χωρίς βαθμίδα ακόμη». Ο χωρισμός των βαθμίδων γίνεται όπως στους άλλους πίνακες, με βάση το εύρος αβεβαιότητας: μετράμε τα μοντέλα που έχουν ολόκληρο το εύρος τους πιο πάνω, και βγαίνει S κάτω από 10%, A κάτω από 30%, B κάτω από 60%, C κάτω από 85% και D τα υπόλοιπα. Οι βαθμολογίες των φωνών είναι κοντινές και τα εύρη μεγάλα, γι' αυτό στη βαθμίδα S βρίσκονται πολλά μοντέλα μαζί.
Τιμές και μονάδες
- Η τιμή είναι ανά 1M χαρακτήρες κειμένου ή ανά λεπτό ήχου, ανάλογα με το πώς πουλά ο πάροχος.
- «Χαμηλή τιμή» εδώ σημαίνει κάτω από 5 USD ανά 1M χαρακτήρες.
- Οι τιμές προέρχονται από το models.dev και το LiteLLM την ημέρα των δεδομένων.
Επιλογή φωνής για τη δουλειά σας
Ένα ηχητικό βιβλίο θέλει φωνή που ακούγεται ευχάριστα για ώρες· ένας τηλεφωνικός βοηθός θέλει μικρή καθυστέρηση· ένα εκπαιδευτικό βίντεο θέλει σωστή προφορά ειδικών όρων. Χρησιμοποιήστε τον πίνακα για αρχική επιλογή και συγκρίνετε τις υποψήφιες φωνές με το ίδιο δοκιμαστικό κείμενο, που να περιέχει ονόματα και αριθμούς.
Τι δεν καλύπτει ο πίνακας
Μοντέλα μετατροπής ομιλίας σε κείμενο δεν κατατάσσονται, γιατί η πηγή δεν έχει αρένα για αυτή την εργασία. Κάποιες γραμμές είναι μοντέλα που δεν έχουν κυκλοφορήσει ακόμη, με κωδικό όνομα, χωρίς κατασκευαστή και χωρίς τιμή. Οι φωνές αξιολογούνται κυρίως στα αγγλικά. Αν χρειάζεστε ελληνική φωνή, ακούστε δείγματα από τον ίδιο τον πάροχο, γιατί ένα μοντέλο με υψηλή βαθμολογία στα αγγλικά μπορεί να τονίζει λάθος τις ελληνικές λέξεις. Για αναλυτική σύγκριση τιμών και βαθμίδων σε άλλους πίνακες χρησιμοποιήστε τη σύγκριση μοντέλων.