Text a veu Agents Música Àudio a text Clon de veu Disseny de veu Cabinat de mercat Més

TTS Arena LA TAKA A LA TURA Model Voice Liderboard

Compara els models de text de 20+ a veu. Els punts de referència oficials, les puntuacions de la comunitat i la comparació a costat.

Signa lliure
Nosaltres no Ven la vostra veu

Comparació de cara a cara

Escriviu text, escolliu dos models i compareu els resultats. Els models lliures no requereixen cap compte.

Els models lliures treballen sense cap compte. Signa comparar models de gràcia.

Millora del model

# Model Oficial Comunitat La vostra puntuació Velocitat TierCity name (optional, probably does not need a translation)
1
Kokoro
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M 1200h 2024
4.8 /5 5.0 /5
1 votació
fast Free
2
CosyVoice 2
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M 200000h 2024
4.26 /5 Encara no hi ha vots
medium Standard
3
Chatterbox
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M 2025
4.25 /5 Encara no hi ha vots
medium Premium
4
StyleTTS 2
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M 585h 2024
4.23 /5 Encara no hi ha vots
medium Premium
5
Piper
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M 2023
4.15 /5 Encara no hi ha vots
fast Free
6
MeloTTS
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M 2024
4.13 /5 Encara no hi ha vots
fast Free
7
Dia TTS
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B 2024
4.09 /5 Encara no hi ha vots
medium Standard
8
VITS
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M 585h 2021
4.0 /5 Encara no hi ha vots
fast Free
9
Orpheus
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B 100000h 2025
4.0 /5 Encara no hi ha vots
medium Standard
10
OpenVoice
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M 2024
4.0 /5 Encara no hi ha vots
medium Premium
11
IndexTTS-2
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M 2025
3.91 /5 Encara no hi ha vots
medium Standard
12
Spark TTS
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M 2025
3.9 /5 Encara no hi ha vots
medium Standard
13
Parler TTS
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M 45000h 2024
3.83 /5 Encara no hi ha vots
medium Standard
14
Tortoise TTS
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M 50000h 2022
3.7 /5 Encara no hi ha vots
slow Premium
15
Bark
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M 100000h 2023
3.57 /5 Encara no hi ha vots
slow Standard
16
Bark Small
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M 100000h 2023
— Encara no hi ha vots
medium Standard
17
GLM-TTS
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M 2025
— Encara no hi ha vots
medium Standard
18
GPT-SoVITS
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M 2024
— Encara no hi ha vots
slow Standard
19
Qwen3 TTS
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B 2025
— Encara no hi ha vots
medium Standard
20
Sesame CSM
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B 2025
— Encara no hi ha vots
slow Premium
21
Chatterbox Turbo
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M 2025
— Encara no hi ha vots
fast Standard
22
Zonos
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B 200000h 2025
— Encara no hi ha vots
medium Standard
23
Dia 2
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B 2025
— Encara no hi ha vots
fast Standard
24
VoxCPM
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M 1800000h 2025
— Encara no hi ha vots
fast Standard
25
OuteTTS
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B 5000h 2025
— Encara no hi ha vots
fast Free
26
TADA
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B 2026
— Encara no hi ha vots
fast Standard
27
VibeVoice
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B 100000h 2025
— Encara no hi ha vots
fast Standard
28
Pocket TTS
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M 50000h 2025
— Encara no hi ha vots
fast Free
29
Kitten TTS
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M 2025
— Encara no hi ha vots
fast Free
30
CosyVoice3
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M 200000h 2025
— Encara no hi ha vots
fast Standard
31
MOSS-TTS
MOSS-TTS
Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.
8B 500000h 2026
— Encara no hi ha vots
medium Premium
32
MegaTTS3
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B 100000h 2025
— Encara no hi ha vots
slow Premium

Puntuació detallada de Benchmark

Official TTS.ai benchmark scores across three dimensions: naturalness, accuracy, and speed.

KokoroKokoro

Free
Naturalitat 4.8/5
Exactitud 4.7/5
Velocitat 4.9/5
Valoració global 4.8/5

CosyVoice 2CosyVoice 2

Standard
Naturalitat 4.5/5
Exactitud 4.4/5
Velocitat 3.8/5
Valoració global 4.26/5

ChatterboxChatterbox

Premium
Naturalitat 4.7/5
Exactitud 4.5/5
Velocitat 3.4/5
Valoració global 4.25/5

StyleTTS 2StyleTTS 2

Premium
Naturalitat 4.5/5
Exactitud 4.3/5
Velocitat 3.8/5
Valoració global 4.23/5

PiperPiper

Free
Naturalitat 3.5/5
Exactitud 4.2/5
Velocitat 4.95/5
Valoració global 4.15/5

MeloTTSMeloTTS

Free
Naturalitat 3.8/5
Exactitud 4.1/5
Velocitat 4.6/5
Valoració global 4.13/5

Dia TTSDia TTS

Standard
Naturalitat 4.6/5
Exactitud 4.3/5
Velocitat 3.2/5
Valoració global 4.09/5

VITSVITS

Free
Naturalitat 3.4/5
Exactitud 4.0/5
Velocitat 4.8/5
Valoració global 4.0/5

OrpheusOrpheus

Standard
Naturalitat 4.3/5
Exactitud 4.1/5
Velocitat 3.5/5
Valoració global 4.0/5

OpenVoiceOpenVoice

Premium
Naturalitat 4.0/5
Exactitud 4.1/5
Velocitat 3.9/5
Valoració global 4.0/5

IndexTTS-2IndexTTS-2

Standard
Naturalitat 4.3/5
Exactitud 4.1/5
Velocitat 3.2/5
Valoració global 3.91/5

Spark TTSSpark TTS

Standard
Naturalitat 4.2/5
Exactitud 4.0/5
Velocitat 3.4/5
Valoració global 3.9/5

Parler TTSParler TTS

Standard
Naturalitat 4.1/5
Exactitud 3.9/5
Velocitat 3.4/5
Valoració global 3.83/5

Tortoise TTSTortoise TTS

Premium
Naturalitat 4.6/5
Exactitud 4.4/5
Velocitat 1.8/5
Valoració global 3.7/5

BarkBark

Standard
Naturalitat 4.2/5
Exactitud 3.8/5
Velocitat 2.5/5
Valoració global 3.57/5

Metodologia de Benchmark

Configuració de la prova

  • Maquinari: 4x NVIDIA Tesla P40 (24GB VRA), 96GB total
  • Text de prova: Cinc passatges estàndard que cobreixen diferents patrons de parla (naració, diàleg, tècnica, emocional i multilingüe)
  • avaluació: mètriques automatitzades (ordre KADMOS, WOR, RTF) combinades amb les proves d' escolta humana
  • Executa: Cada model prova 10 vegades per pas, puntua la mitjana

Criteri de puntuació

  • Naturalitat (40%): Prosodi, inneció, ritme, emoció, com sona l'humà?
  • Exactitud (30%): Pronunciació correcta, taxa d' error de paraula, interelligibilitat
  • Velocitat (30%): Factor de temps real (audi segons / generació). Més alt = més ràpid.
  • En general: Mitjana ponderada: 0. 4 x Naturalitat + 0. x = 0. 3 x = 0. 3 x Velocitat

Nota: Benchmarks reflecteixen el rendiment del nostre maquinari específic i dels textos de prova. La qualitat real del món pot variar basant- se en el text d' entrada, la llengua i la selecció de veu. Les puntuacions comunitàries proporcionen un senyal complementària basat en un ús divers.

Preguntes més freqüents

El Arena TTS és un líder que ocupa els models de text AA a veu basant- se en proves de referència oficials i puntuacions de la comunitat. Compara models al costat, escolteu les mostres, i vota pels que us sonen millor.

Fugim de proves estandarditzat sobre cada model usant els mateixos passatges de text, maquinari i criteri d' avaluació. Les puntuacions cobreixen la naturalitat (com sona l' humà), la precisió (proscripció i intuibilitat), i el temps de la generació). Totes les proves usen el nostre servidor de la GPU amb NVIDIA Tesla P40 GPUs.

Sí! Feu clic a les estrelles al costat de qualsevol model per valorar- la des de 1 a 5. Heu de signar- lo per votar. La vostra puntuació contribueix a la mitjana de la comunitat mostrada a la pissarra.

Escriviu qualsevol text, seleccioneu dos models i feu clic a Compara. Tots dos models generen el discurs des del mateix text simultàniament. Escolteu i voteu per als quals sona millor. Aquesta comparació cega ajuda a identificar el millor model per a les vostres necessitats específiques.

Naturalesa mesura com sona el discurs humà (prosodi, intonació, ritme). La pronunciació mesura correcta i intugibilitat. El model genera àudio relativa a temps real. En general, és una mitjana de totes les mètriques.

Els models sense puntuacions de punts de referència són afegir i esperant les proves, o requereixen una configuració especial (com les fitxes d' accés portades) que estan pendents. Les puntuacions comunitàries encara estan disponibles per a aquests models.

S' han actualitzat els punts de referència oficials quan els models reben actualitzacions significatives o quan s' afegeixen nous models. Les puntuacions comunitàries s' actualitzen en temps real com a vot d' usuaris. Les dades del líder es mantenen durant 5 minuts per al rendiment.

Els models lliures (Kokoro, Pipista, VITS, MeloTTS) costen 0 crèdits. Els models estàndard costen 2 crèdits per 1000 caràcters. Els models Premium costen 4 crèdits per 1000 caràcters i generalment ofereixen les característiques més altes o úniques com clonació de veu.

Per a la majoria dels casos d' ús, Kokoro (fugidor lliure) ofereix excel· lent qualitat. Per a clonar veu, provar la caixa Chatterbox o CosyVoice 2. Per a continguts multilingües, MeloTTS o CosyVoice 2. Per a expressive narration, Bark o Dia. Useu l' eina de comparació per a provar amb el text específic.

Sí, podeu generar i comparar àudio de dos models sense cap compte usant models de lliure abast. El desenvolupament de models requereix un compte lliure. Les comparacions del model Premium requereixen crèdits.

Ens esforcem per a la objectivitat utilitzant textos de prova estàndard, el maquinari idèntics i el criteri d'avaluació consistent en tots els models. Les puntuacions comunitàries proporcionen una senyal addicional. La nostra metodologia es descriu a la secció de Mètodes de Benchmarkology a sota.

Els models estan organitzats principalment per una puntuació oficial de punts de referència global, després per una puntuació mitjana de la comunitat com a empatador. Els models sense punts de referència estan organitzats per sota d' aquells amb punts de referència, ordenats per puntuació comunitària.
5.0/5 (1)

What could we improve? Your feedback helps us fix issues.

Trobeu la vostra veu perfecta

Prova qualsevol model lliure amb Kokoro, Piper, VITS o MeloTTS.

Signa lliure Visualitza Pricing