TTS Arena - AI Voice Model Leaderboard (باللغة الإنجليزية).
مقارنة أكثر من 20 نماذج النص إلى كلمة، والمعايير الرسمية، وتصنيفات المجتمع، والمقارنة جنبا إلى جنب.
مقارنة جانبا بجانب
يمكنك كتابة النص، واختيار نموذجين، ومقارنة النتائج. النماذج المجانية لا تتطلب أي حساب.
النماذج المجانية تعمل بدون حساب. انضم لمقارنة نماذج عالية الجودة.
السجل القياسي النموذجي
| # | النموذج | رسمي | المجتمع المحلي | تقييمك | السرعة | الرتبة |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 التصويت
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | لا توجد أصوات بعد | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | لا توجد أصوات بعد | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | لا توجد أصوات بعد | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | لا توجد أصوات بعد | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | لا توجد أصوات بعد | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | لا توجد أصوات بعد | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | لا توجد أصوات بعد | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | لا توجد أصوات بعد | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | لا توجد أصوات بعد | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | لا توجد أصوات بعد | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | لا توجد أصوات بعد | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | لا توجد أصوات بعد | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | لا توجد أصوات بعد | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | لا توجد أصوات بعد | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | لا توجد أصوات بعد | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | لا توجد أصوات بعد | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | لا توجد أصوات بعد | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | لا توجد أصوات بعد | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | لا توجد أصوات بعد | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | لا توجد أصوات بعد | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | لا توجد أصوات بعد | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | لا توجد أصوات بعد | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | لا توجد أصوات بعد | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | لا توجد أصوات بعد | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | لا توجد أصوات بعد | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | لا توجد أصوات بعد | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | لا توجد أصوات بعد | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | لا توجد أصوات بعد | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | لا توجد أصوات بعد | fast | Standard | |
| 31 |
MOSS-TTS
Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.
8B
500000h
2026
|
— | لا توجد أصوات بعد | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | لا توجد أصوات بعد | slow | Premium |
الدرجات المرجعية التفصيلية
العلامات المرجعية الرسمية لـ TTS.ai عبر ثلاثة أبعاد: الطبيعة والدقة والسرعة.
Kokoro
Free
الطبيعة
4.8/5
الدقة
4.7/5
السرعة
4.9/5
إجمالاً
4.8/5
CosyVoice 2
Standard
الطبيعة
4.5/5
الدقة
4.4/5
السرعة
3.8/5
إجمالاً
4.26/5
Chatterbox
Premium
الطبيعة
4.7/5
الدقة
4.5/5
السرعة
3.4/5
إجمالاً
4.25/5
StyleTTS 2
Premium
الطبيعة
4.5/5
الدقة
4.3/5
السرعة
3.8/5
إجمالاً
4.23/5
Piper
Free
الطبيعة
3.5/5
الدقة
4.2/5
السرعة
4.95/5
إجمالاً
4.15/5
MeloTTS
Free
الطبيعة
3.8/5
الدقة
4.1/5
السرعة
4.6/5
إجمالاً
4.13/5
Dia TTS
Standard
الطبيعة
4.6/5
الدقة
4.3/5
السرعة
3.2/5
إجمالاً
4.09/5
VITS
Free
الطبيعة
3.4/5
الدقة
4.0/5
السرعة
4.8/5
إجمالاً
4.0/5
Orpheus
Standard
الطبيعة
4.3/5
الدقة
4.1/5
السرعة
3.5/5
إجمالاً
4.0/5
OpenVoice
Premium
الطبيعة
4.0/5
الدقة
4.1/5
السرعة
3.9/5
إجمالاً
4.0/5
IndexTTS-2
Standard
الطبيعة
4.3/5
الدقة
4.1/5
السرعة
3.2/5
إجمالاً
3.91/5
Spark TTS
Standard
الطبيعة
4.2/5
الدقة
4.0/5
السرعة
3.4/5
إجمالاً
3.9/5
Parler TTS
Standard
الطبيعة
4.1/5
الدقة
3.9/5
السرعة
3.4/5
إجمالاً
3.83/5
Tortoise TTS
Premium
الطبيعة
4.6/5
الدقة
4.4/5
السرعة
1.8/5
إجمالاً
3.7/5
Bark
Standard
الطبيعة
4.2/5
الدقة
3.8/5
السرعة
2.5/5
إجمالاً
3.57/5
منهجية القياس المرجعي
إعداد الاختبار
- المعدات: 4x NVIDIA Tesla P40 (24 غيغابايت لكل منها)، المجموع 96 غيغابايت
- النص الاختباري: 5 مقاطع موحدة تغطي أنماط حديث مختلفة (سرد، حوار، تقنية، عاطفية، متعددة اللغات)
- التقييم: المقاييس الآلية (تقدير MOS، WER، RTF) مقترنة باختبارات الاستماع البشرية
- الرحلات: اختبر كل نموذج 10 مرات في المرة الواحدة، وجرى حساب متوسط الدرجات
معايير التقدير
- الطبيعة (40 في المائة): النغمة، النبرة، الإيقاع، العاطفة - إلى أي مدى يبدو ذلك إنسانيا؟
- الدقة (30 في المائة): دقة النطق، ومعدل أخطاء الكلمات، وإمكانية الفهم
- السرعة (30 في المائة): عامل الوقت الحقيقي (ثانية سمعية/ثانية توليد) أعلى = أسرع.
- إجمالاً: المتوسط المرجح: 0.4 x الطبيعة + 0.3 x الدقة + 0.3 x السرعة
ملاحظة: تعكس النقاط المرجعية الأداء على معداتنا ونصوص الاختبار المحددة. قد تختلف جودة العالم الحقيقي بناءً على نص المدخل، واللغة، واختيار الصوت. توفر تصنيفات المجتمع إشارة تكميلية بناءً على الاستخدام الحقيقي المتنوع.
الأسئلة المتكررة
ما الذي يمكننا تحسينه؟ تساعدنا تعليقاتكم على حل المشاكل.
العثور على صوتك المثالي
جرب أي نموذج مجانا مع كوكورو، بايبر، فيتس، أو ميلوتتس. لا حساب مطلوب.