Texto AI a hablar

Kokoro es un modelo de texto a voz de 82 millones de parámetros que golpea muy por encima de su clase de peso. A pesar de su pequeño tamaño, produce un discurso notablemente natural y expresivo. Kokoro soporta múltiples idiomas, incluyendo inglés, japonés, chino y coreano con una variedad de voces expresivas. Funciona increíblemente rápido, generando audio casi 100 veces más rápido que en tiempo real en una GPU.

Piper es un ligero motor de texto a voz desarrollado por Rhasspy que utiliza arquitecturas VITS y larynx. Funciona completamente en CPU, por lo que es ideal para dispositivos de borde, domótica y aplicaciones que requieren TTS sin conexión. Con más de 100 voces en más de 30 idiomas, Piper ofrece un sonido natural a velocidades en tiempo real incluso en un Raspberry Pi 4.

VITS (Inferencia Variacional con aprendizaje contradictorio para texto a voz de extremo a extremo) es un método TTS paralelo de extremo a extremo que genera audio sonoro más natural que los modelos actuales de dos etapas. Adopta inferencia variacional aumentada con flujos normalizadores y un proceso de entrenamiento contradictorio, logrando una mejora significativa en la naturalidad.

MeloTTS by MyShell.ai es una biblioteca multilingüe de TTS que soporta inglés (estadounidense, británico, indio, australiano), español, francés, chino, japonés y coreano. Es extremadamente rápido, procesando texto a una velocidad casi en tiempo real solo en la CPU. MeloTTS está diseñado para su uso en la producción y soporta la inferencia de CPU y GPU.

Bark by Suno es un modelo de texto a audio basado en transformadores que puede generar voz altamente realista, multilingüe, así como otros audios como música, ruido de fondo y efectos de sonido. Puede producir comunicaciones no verbales como reír, suspirar y llorar. Bark soporta más de 100 presets de altavoz y más de 13 idiomas.

Bark Small es una versión destilada del modelo Bark que intercambia algo de calidad de audio para velocidades de inferencia significativamente más rápidas y requisitos de memoria más bajos. Retiene la capacidad de Bark para generar voz con emociones, risas y múltiples lenguajes.

CosyVoice 2 de Alibaba's Tongyi Lab logra una calidad de voz comparable con el hombre con una latencia extremadamente baja, por lo que es ideal para aplicaciones en tiempo real. Utiliza un enfoque de cuantificación escalar finito para la síntesis de streaming y soporta la clonación de voz sin disparos, la síntesis multilingüe y el control de emociones de grano fino. Supera a muchos sistemas TTS comerciales en evaluaciones subjetivas.

Dia by Nari Labs es un modelo de texto a voz para parámetros 1.6B diseñado específicamente para generar diálogos multiparlantes. Puede producir conversaciones de sonido natural entre dos altavoces con una adecuada toma de decisiones, prosodia y expresión emocional. Dia es perfecto para crear contenido al estilo de podcast, diálogos de audiolibros y IA interactiva de conversación.

Parler TTS es un modelo de texto a voz que utiliza descripciones de voz en lenguaje natural para controlar el discurso generado. En lugar de seleccionar de voces preestablecidas, describe la voz que desea (por ejemplo, "una voz femenina cálida con un ligero acento británico, hablando lenta y claramente") y Parler genera un discurso que coincide con esa descripción.

GLM-TTS by Zhipu AI es un sistema de texto a voz construido en la arquitectura Llama con correspondencia de flujo. Alcanza la tasa de error de caracteres más baja entre los modelos TTS de código abierto, lo que significa que produce la pronunciación más precisa. GLM-TTS admite inglés y chino con clonación de voz de 3-10 segundos muestras de audio.

ÍndiceTTS-2 es un sistema avanzado de texto a voz que sobresale en la síntesis de voz de cero disparos con control de emoción de grano fino. Puede generar habla con tonos emocionales específicos como feliz, triste, enojado o temeroso sin requerir datos de entrenamiento específicos de emoción. El modelo utiliza vectores de emoción para controlar con precisión la expresión emocional del habla generada.

Spark TTS de SparkAudio es un modelo de texto a voz que combina la clonación de voz con la emoción controlable y el estilo de habla. Utilizando solo 5 segundos de audio de referencia, puede clonar una voz y luego generar voz con diferentes emociones, velocidades y estilos mientras mantiene la identidad de voz clonada. Spark TTS utiliza un sistema de control basado en la rapidez.

GPT-SoVITS combina el modelado del lenguaje al estilo GPT con SoVITS (Inferencia de Voz Cantante vía Traducción y Síntesis) para una potente clonación de voz de pocas imágenes. Con tan solo 5 segundos de audio de referencia, puede clonar con precisión una voz y generar un nuevo discurso preservando las características únicas del altavoz.

Orpheus es un modelo de texto a voz a gran escala que logra la expresión emocional a nivel humano. Formado en más de 100.000 horas de diversos datos del habla, sobresale en generar habla con emociones naturales, énfasis y estilos de habla. Orpheus puede producir habla que es virtualmente indistinguible de grabaciones humanas.

Chatterbox by Resemble AI es un modelo de clonación de voz de tiro cero de vanguardia. Puede replicar cualquier voz de una sola muestra de audio con una precisión notable, capturando no sólo el timbre, sino también el estilo de hablar y los matices emocionales. Chatterbox también cuenta con un control emocional de grano fino, lo que le permite ajustar el tono emocional del discurso generado independientemente de la identidad de voz.

Tortoise TTS es un sistema autorregresivo de texto a voz de múltiples voces que prioriza la calidad de audio sobre la velocidad. Utiliza arquitectura inspirada en DALL-E para generar habla altamente natural con excelente prosodia y similitud de altavoz. Aunque más lento que muchas alternativas, Tortoise produce algunos de los discursos sintéticos más realistas disponibles en el ecosistema de código abierto.

StyleTTS 2 logra la síntesis de TTS a nivel humano combinando la difusión de estilos con la formación contradictoria utilizando modelos de lenguaje del habla grande. Genera el habla sonda más natural entre los modelos de un solo orador, rivalizando con grabaciones humanas. StyleTTS 2 utiliza el modelado de estilos basados en la difusión para capturar toda la gama de variación del habla humana.

OpenVoice de MyShell.ai permite la clonación instantánea de voz con control granular sobre el estilo de voz, emoción, acento, ritmo, pausas y entonación. Puede clonar una voz desde un corto clip de audio y generar voz en varios idiomas mientras mantiene la identidad del altavoz. OpenVoice también funciona como un convertidor de voz, permitiendo la transformación de voz en tiempo real.

Qwen3-TTS es un modelo de texto a voz de 1,7 mil millones de parámetros del equipo Qwen de Alibaba. Soporta tres modos: voces preestablecidas con control emocional (9 altavoces), clonación de voz a partir de solo 3 segundos de audio, y un modo de diseño de voz único donde describes la voz que quieres en lenguaje natural. Cubre 10 idiomas con alta expresividad y prosodia natural.

Sesame CSM (Modelo de Habla Conversacional) es un modelo de parámetros de mil millones diseñado específicamente para generar habla conversacional. Modela los patrones naturales de conversación humana incluyendo tiempo de turno, respuestas de backcanal, reacciones emocionales y flujo conversacional. CSM genera audio que suena como una conversación humana natural en lugar de un discurso sintético.

Chatterbox Turbo by Resemble AI es una actualización de parámetros 350M a Chatterbox, entregando hasta 6 veces la velocidad en tiempo real con latencia sub-200ms. Soporta etiquetas paralingüísticas como [risa], [tos] y [chuckle] directamente en texto. Incluye marca de agua Perth en todo el audio generado para el seguimiento de procedencia.

Zonos v0.1 de Zyphra es un modelo de parámetro 1.6B con control de emociones de grano fino con deslizadores para la felicidad, la ira, la tristeza, el miedo y la sorpresa. Ofrece tanto un transformador como una nueva variante de SSM (modelo de espacio de estado). Entrenado en 200K+ horas de habla multilingüe con clonación de voz de cero capturas a partir de 10-30 segundos de audio de referencia.

Dia2 de Nari Labs es una actualización en streaming a Dia, disponible en variantes de parámetros 1B y 2B. Comienza a sintetizar audio desde los primeros tokens, lo que lo hace ideal para agentes de voz en tiempo real y tuberías de voz a voz. Soporta diálogos multi-parlantes con etiquetas [S1]/[S2] y señales paralingüísticas como (risas), (tos).

VoxCPM 1.5 de OpenBMB es un nuevo modelo TTS sin tokenizador que opera en espacio continuo en lugar de tokens discretos. Produce audio de alta fidelidad de 44.1 kHz, soporta la clonación de voz de imagen cero de 3 a 10 segundos y mantiene la coherencia entre párrafos. La clonación en lenguaje cruzado le permite aplicar una voz en inglés al habla china y viceversa.

OuteTTS extiende grandes modelos de lenguaje con capacidades de texto a voz mientras preserva la arquitectura original. Soporta múltiples backends incluyendo llamas.cpp (CPU/GPU), Transformers de cara de Hugging, ExLlamaV2, VLLM, e incluso inferencia del navegador a través de Transformers.js.

TADA (Text-Acustic Dual Alinement) de Hume AI es un innovador modelo TTS que elimina alucinaciones a través de una novedosa arquitectura de alineación dual construida en Llama 3.2. Disponible en variantes 1B (inglés) y 3B (multilingüe), TADA logra un RTF de 0,09 — 5 veces más rápido que los modelos TTS basados en LLM comparables. Soporta hasta 700 segundos de contexto de audio y produce habla emocionalmente expresiva con cero alucinaciones en los parámetros estándar.

VibeVoice de Microsoft viene en dos variantes: un modelo 1.5B para contenido de forma larga (hasta 90 minutos, 4 altavoces) y un modelo 0.5B en tiempo real para streaming con ~200ms primera latencia de audio. La variante 1.5B sobresale en podcasts y audiolibros con consistencia de altavoz en pasajes largos. Nota: Microsoft eliminó el código TTS del repositorio y el audio generado incluye descargos de IA audibles.

Pocket TTS de Kyutai (creadores de Moshi) es un modelo compacto de texto a voz de 100M que golpea muy por encima de su peso. Funciona eficientemente en la CPU, soporta la clonación de voz de cero disparos de una sola muestra de audio y produce un sonido natural. El tamaño pequeño del modelo lo hace ideal para el despliegue de borde y entornos de bajo recurso.

Kitten TTS by KittenML es un modelo de texto a voz ultraligero construido en ONNX. Con variantes de parámetros de 15M a 80M (25-80 MB en disco), ofrece una síntesis de voz de alta calidad en la CPU sin necesidad de una GPU. Cuenta con 8 voces incorporadas, velocidad de voz ajustable y preprocesamiento de texto integrado para números, monedas y unidades. Ideal para aplicaciones de implementación de borde y baja latencia.

CosyVoice3 is the latest evolution from Alibaba's FunAudioLLM team. It features bi-streaming inference with ~150ms latency, instruction-based control for emotion/speed/volume, and improved speaker similarity for zero-shot cloning. Supports 9 languages plus 18 Chinese dialects. RL-tuned variant delivers state-of-the-art prosody.

MOSS-TTS from OpenMOSS supports generation of up to 1 hour of continuous speech across 20 languages. Features token-level duration control, phoneme-level pronunciation control via IPA/Pinyin, and code-switching between languages. The 8B production model delivers state-of-the-art quality with zero-shot voice cloning from reference audio.

MegaTTS3 from ByteDance uses a novel sparse alignment mechanism combined with a latent diffusion transformer. Features adjustable trade-off between speech intelligibility and speaker similarity for zero-shot voice cloning.