Sarvam AI
Sarvam Motif

Text to Speech that feels natural in Marathi

Lifelike voices in Marathi that feel authentic, sound human, and carry the right emotion in every interaction.

Voices

View all
ShubhMale
ShreyaFemale
MananMale
IshitaFemale
34 words224/2000

Text to Speech in Marathi, done right

Lifelike voices in Marathi that feel authentic, sound human, and carry the right emotion in every interaction.

Emotional prosody

Emotion-rich and human-like

Expressive, emotionally nuanced Marathi with natural prosody across happiness, concern, and urgency. Speech that actually sounds human.

Click to play
0:00

म्हणजे हद्दच झाली यार.

0:00

आय हॅव बीन ट्रायिंग टू बुक अ कॅप टू इंद्रानगर फॉर द लास्ट 20 मिनिट्स.

0:00

एकही रिक्षावाला जायला तयार नाहीये.

0:00

अँड द वन हू फायनली अग्रीड, ही इज आस्किंग फॉर लिटरली डबल द फेअर.

0:00

आर यू किडिंग मी?

0:00

मला 7:30 पर्यंत पोहोचायचंय तिथे.

0:00

वी हॅव अ टेबल फॉर 12.

0:00

आणि माझ्याशिवाय हे लोक नक्कीच स्टार्ट करतील.

0:00

आय स्वेर माझा तर पूर्ण मूडच खराब झालाय.

0:00

प्लीज जस्ट सेव्ह मी अ ड्रिंक, ओके?

0:00

आय एम ऑन द वे, आय एम कमिंग!

Code-switching

Effortless Minglish switching

Seamless mid-sentence switching between Marathi and English with no accent shifts or unnatural pauses. Powered by a native bilingual model.

Click to play
0:00

मी सुरेश बोलतोय एबीसी फायनान्स मधून.

0:00

मिस्टर टीमेस, मिस्टर राकेश कुमार, तुमची 8750 रुपीज ची ईएमआय पेमेंट अजूनही पेंडिंग आहे.

0:00

ड्यू डेट 15 जानेवारी होती.

0:00

जर आज पेमेंट क्लिअर नाही झाली तर लेट चार्जेस लागू होतील.

0:00

आणि हे तुमच्या क्रेडिट रेकॉर्डला सिरीयसली इम्पॅक्ट करू शकतं.

0:00

कृपया हे इमिजिएटली रिझल्व्ह करा.

0:00

मी आता लाईनवर आहे, पेमेंट ऑप्शन सांगण्यासाठी.

Domain lexicon

Technical vocabulary

Complex technical terms, scientific jargon, and domain-specific vocabulary pronounced accurately in Marathi with correct stress and intonation.

Click to play
0:00

लेट्स स्लो धिस डाऊन फॉर अ मोमेंट.

0:00

जेव्हा आपण बोलतो केमिकल रिएक्शन, बहुतेकदा डोक्यात फक्त इक्वेशन येते, समथिंग लाईक ए प्लस बी गिव्हज सी.

0:00

बट पॉज हिअर, इक्वेशन फक्त रिझल्ट दाखवते, प्रोसेस नाही.

0:00

आता प्रोसेस समजण्यासाठी केमिस्ट्री मधून थोडं मॅथ्स बोरो करावं लागतं.

0:00

इमॅजिन धिस, रिएक्शन स्टार्ट होताच रिएक्टंट स्टिक ऑफ.

0:00

कॉन्संट्रेशन ग्रॅज्युअली डिक्रीज होते.

0:00

ग्रॅज्युअली नॉट सडनली.

0:00

आता मॅथ्स मध्ये जेव्हा ग्रॅज्युअल चेंज येतो ना, आपण स्लोप बद्दल बोलतो.

0:00

कॉन्संट्रेशन वर्सेस टाइमचा ग्राफ बनवा.

0:00

कर्व्ह स्टीप आहे, दॅट मीन्स रिएक्शन फास्ट आहे.

0:00

कर्व्ह ऑलमोस्ट फ्लॅट आहे, रिएक्शन स्लो आहे.

0:00

नोटिस समथिंग इम्पॉर्टंट रेट कोणताही एक्स्ट्रा फॉर्म्युला नाहीये.

0:00

रेट फक्त ग्राफचा स्लोप आहे.

0:00

खूप आहे आणि म्हणूनच जेव्हा टेंपरेचर चेंज होतं किंवा कॉन्सन्ट्रेशन वाढते, ग्राफचा शेप चेंज होतो.

0:00

कंक्लूजन सिम्पल आहे, केमिस्ट्री रिएक्शन पाठ करू नका, त्यांना रीड करा.

0:00

जसा मॅथ्सचा ग्राफ रीड करता.

Named entities

Indian proper nouns

"Lajpat Nagar", "Koramangala". Names global TTS routinely butchers. Trained on Indian geographic and cultural data for correct pronunciation.

Click to play
0:00

नेताजी सुभाष मार्गावरून दयानंद रोडच्या दिशेने सुरू करा.

0:00

दयानंद रोडवर पोहोचल्यानंतर डावीकडे वळा, 350 मीटर्स पर्यंत सरळ चालत रहा.

0:00

तुम्हाला डावीकडे युनायटेड बँक ऑफ इंडिया एटीएम दिसेल.

0:00

ध्यान स्कूलच्या उजव्या बाजूने गेल्यानंतर डावीकडे वळा.

0:00

120 मीटर्स नंतर घाटा मस्जिद रोडवर राईट टर्न घ्या.

0:00

280 मीटर पर्यंत चालत रहा, महात्मा गांधी मार्गावर रहा आणि 2.9 किलोमीटर पर्यंत ओल्ड दिल्लीच्या दिशेने जा.

0:00

मग एच सी सेन मार्गावर कंटिन्यू करा आणि पराठे वाली गली पर्यंत ड्राईव्ह करा.

Try out best voices in Marathi

0:00

Priya

Expressive · Emotional

0:00

Ratan

Finance · Code-switching

0:00

Priya

Education · Explanatory

0:00

Manan

Healthcare · Professional

Built for every use case

From voice agents to content platforms. Real use cases, already in production.
Mann Ki Baat

Dubbing & localization

Natural voiceovers for multilingual media and public communication.

Public announcements

Educational content

Marketing promos & ads

Podcast and informational videos

Customer Interaction

Voice agents

Real-time, human-like speech for customer-facing and internal agents.

Customer support

Sales & lead qualification

Edtech tutors

Social & companion bots

Training & Education

Enterprise training & communications

Clear, consistent voice for structured, informational content.

Company-wide announcements

Product walkthroughs

Employee training & enablement

Built for real workloads, not demos

Production-grade TTS with predictable latency, enterprise SLAs, and developer-first APIs.

Low latency streaming

Sub-250ms first byte with WebSocket streaming for real-time voice applications

Configurable controls

Fine-tune voice pace, expressiveness, and tone to match your brand

Plug-and-play integrations

Deploy a voice agent in under 10 minutes with SDKs for Python and Node.js

11 Indian languages

Native support for Hindi, Tamil, Telugu, Bengali, Marathi, and more

35+ unique voices

Choose from a wide range of voices across different styles and tones

Developer-first platform

OpenAI-compatible APIs. Drop-in SDKs for Python and Node.js. Go from zero to first audio in under 5 minutes.

REST & WebSocket APIs

Standard REST for batch, WebSocket for real-time streaming with sub-250ms first byte.

SDKs & libraries

Official Python and Node.js SDKs with TypeScript support. pip install sarvam-ai.

Complete documentation

Interactive API reference, code samples, and integration guides for every endpoint.

Free tier included

Start building immediately. No credit card, no sales call, no minimum commitment. 

from sarvamai import SarvamAI

client = SarvamAI(api_subscription_key="YOUR_SARVAM_API_KEY")

# Digitize a document
response = client.document_digitization.digitize(
    file_path="invoice.pdf",
    language="en-IN",
    output_format="md"
)

# Access extracted content
for page in response.pages:
    for block in page.blocks:
        print(f"[{block.layout_tag}] {block.text}")

Enterprise-ready. Responsible AI.

Built with safety, compliance, and data sovereignty at the core.

SOC 2 Type II & ISO 27001

Enterprise-grade security certifications. Annual audits, documented controls, continuous monitoring.

No training on your data

Your API inputs are never used for model training. Zero data retention after processing unless explicitly requested.

Data sovereignty

All data processed and stored in India. No cross-border transfers. Full compliance with Indian data regulations.

Consent-based voice cloning

Voice cloning requires verified consent from the voice owner. Built-in safeguards against unauthorized use.

Content safety filters

Automated detection and filtering of harmful, abusive, or misleading content before speech generation.

Audit-ready logging

Comprehensive API usage logs, access controls, and RBAC for enterprise governance and compliance reporting.

Simple, transparent pricing

Start free. Scale as you grow. No hidden costs.

Base plan

₹30 for 10K characters

Free trial included

No credit card required. Get API keys instantly.

Volume discounts available
Enterprise pricing available
Flexible pricing plans
Usage analytics
Integration with APIs
Best for startups

Your questions, answered
Bulbul v3 offers multiple Marathi voices with different characteristics: conversational, authoritative, warm, dynamic. Each supports pace control and temperature adjustment.
Yes. Bulbul v3 handles natural Marathi-English code-switching seamlessly without accent shifts or unnatural pauses between languages.
Our context-aware model is trained on millions of Marathi utterances to correctly handle schwa deletion patterns that rules-based systems can't predict.
Yes. Our WebSocket streaming API delivers sub-250ms first byte latency for Marathi, ideal for real-time voice agents and conversational AI.
All 8 formats: MP3, WAV, AAC, OPUS, FLAC, PCM, MULAW, and ALAW. Sample rates from 8kHz to 24kHz.

35+ natural Indian voices Powered by Bulbul v3

Sign Up