Text proslovu Agenti AI Hudba Proslov k textu Klonování hlasu Návrh hlasu Trh Více
Nahlásit chybu / žádost o funkci

TTS Arena AI Voice Model Leaderboard

Porovnejte 20+ text-to-speech modely. Oficiální referenční hodnoty, hodnocení komunity, a srovnání side-by-side.

Zaregistrovat se zdarma

Srovnání stran po stranách

Zadejte text, vyberte dva modely a porovnejte výsledky. Volné modely nevyžadují žádný účet.

Bezplatné modely fungují bez účtu. Zaregistrovat se porovnat prémiové modely.

Vzor Leaderboard

# Vzor Úřední Společenství Vaše hodnocení Rychlost Úroveň
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 hlasování
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 Zatím žádné hlasy.
medium Standard
3
Chatterbox
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M 2025
4.25 /5 Zatím žádné hlasy.
medium Premium
4
StyleTTS 2
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M 585h 2024
4.23 /5 Zatím žádné hlasy.
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 Zatím žádné hlasy.
fast Free
6
MeloTTS
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M 2024
4.13 /5 Zatím žádné hlasy.
fast Free
7
Dia TTS
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B 2024
4.09 /5 Zatím žádné hlasy.
medium Standard
8
VITS
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M 585h 2021
4.0 /5 Zatím žádné hlasy.
fast Free
9
Orpheus
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B 100000h 2025
4.0 /5 Zatím žádné hlasy.
medium Standard
10
OpenVoice
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M 2024
4.0 /5 Zatím žádné hlasy.
medium Premium
11
IndexTTS-2
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M 2025
3.91 /5 Zatím žádné hlasy.
medium Standard
12
Spark TTS
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M 2025
3.9 /5 Zatím žádné hlasy.
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 Zatím žádné hlasy.
medium Standard
14
Tortoise TTS
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M 50000h 2022
3.7 /5 Zatím žádné hlasy.
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 Zatím žádné hlasy.
slow Standard
16
Bark Small
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M 100000h 2023
— Zatím žádné hlasy.
medium Standard
17
Indic Parler TTS
Indic Parler TTS
High-quality speech for 8+ Indian languages with natural-language voice control.
900M 8000h 2024
— Zatím žádné hlasy.
slow Standard
18
KhanomTan TTS
KhanomTan TTS
Thai-first text-to-speech with a choice of speaker voices.
85M 100h 2023
— Zatím žádné hlasy.
fast Standard
19
GPT-SoVITS
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M 2024
— Zatím žádné hlasy.
slow Standard
20
Qwen3 TTS
Qwen3 TTS
Alibaba's multilingual TTS with preset voices and voice design from text.
1.7B 2025
— Zatím žádné hlasy.
medium Standard
21
VieNeu-TTS-v2
VieNeu-TTS-v2
Vietnamese + English code-switching TTS with 7 preset voices and zero-shot voice cloning. CPU-only, no GPU required.
0.3B 10000h 2026
— Zatím žádné hlasy.
fast Standard
22
Sesame CSM
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B 2025
— Zatím žádné hlasy.
slow Premium
23
Chatterbox Turbo
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M 2025
— Zatím žádné hlasy.
fast Standard
24
VoxCPM
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M 1800000h 2025
— Zatím žádné hlasy.
fast Standard
25
Kani TTS 2
Kani TTS 2
Ultra-lightweight 400M English TTS model running in just 3GB VRAM.
400M 10000h 2026
— Zatím žádné hlasy.
fast Free
26
OuteTTS
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B 5000h 2025
— Zatím žádné hlasy.
slow Free
27
VibeVoice
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B 100000h 2025
— Zatím žádné hlasy.
fast Standard
28
Pocket TTS
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M 50000h 2025
— Zatím žádné hlasy.
fast Free
29
Kitten TTS
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M 2025
— Zatím žádné hlasy.
fast Free
30
CosyVoice3
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M 200000h 2025
— Zatím žádné hlasy.
fast Standard
31
NAMAA Saudi TTS
NAMAA Saudi TTS
First open Saudi-Arabic TTS. Native Saudi dialect with Chatterbox-quality voice cloning.
300M 2026
— Zatím žádné hlasy.
medium Standard
32
Darwin TTS
Darwin TTS
Cross-modal Qwen3-TTS variant with FFN weights blended from the Qwen3-1.7B language model for sharper multilingual cloning.
2.1B 2026
— Zatím žádné hlasy.
medium Standard
33
MOSS-TTSD
MOSS-TTSD
Multi-speaker dialogue continuation model — generate podcast-style conversations with up to 5 speakers and 60 minutes of coherent audio.
7B 2026
— Zatím žádné hlasy.
medium Standard
34
Ming-Omni TTS
Ming-Omni TTS
Compact 0.5B omni-modal speech model from inclusionAI with high-fidelity 44.1kHz output and zero-shot voice cloning.
500M 2026
— Zatím žádné hlasy.
medium Free
35
MOSS-TTS Nano
MOSS-TTS Nano
Tiny 100M MOSS-TTS variant — same architecture, 80x smaller, free-tier latency.
100M 500000h 2026
— Zatím žádné hlasy.
fast Free

Detailní srovnávací skóre

Oficiální TTS.ai srovnávací skóre ve třech rozměrech: přirozenost, přesnost a rychlost.

KokoroKokoro

Free
Přirozenost 4.8/5
Přesnost 4.7/5
Rychlost 4.9/5
Celkem 4.8/5

CosyVoice 2CosyVoice 2

Standard
Přirozenost 4.5/5
Přesnost 4.4/5
Rychlost 3.8/5
Celkem 4.26/5

ChatterboxChatterbox

Premium
Přirozenost 4.7/5
Přesnost 4.5/5
Rychlost 3.4/5
Celkem 4.25/5

StyleTTS 2StyleTTS 2

Premium
Přirozenost 4.5/5
Přesnost 4.3/5
Rychlost 3.8/5
Celkem 4.23/5

PiperPiper

Free
Přirozenost 3.5/5
Přesnost 4.2/5
Rychlost 4.95/5
Celkem 4.15/5

MeloTTSMeloTTS

Free
Přirozenost 3.8/5
Přesnost 4.1/5
Rychlost 4.6/5
Celkem 4.13/5

Dia TTSDia TTS

Standard
Přirozenost 4.6/5
Přesnost 4.3/5
Rychlost 3.2/5
Celkem 4.09/5

VITSVITS

Free
Přirozenost 3.4/5
Přesnost 4.0/5
Rychlost 4.8/5
Celkem 4.0/5

OrpheusOrpheus

Standard
Přirozenost 4.3/5
Přesnost 4.1/5
Rychlost 3.5/5
Celkem 4.0/5

OpenVoiceOpenVoice

Premium
Přirozenost 4.0/5
Přesnost 4.1/5
Rychlost 3.9/5
Celkem 4.0/5

IndexTTS-2IndexTTS-2

Standard
Přirozenost 4.3/5
Přesnost 4.1/5
Rychlost 3.2/5
Celkem 3.91/5

Spark TTSSpark TTS

Standard
Přirozenost 4.2/5
Přesnost 4.0/5
Rychlost 3.4/5
Celkem 3.9/5

Parler TTSParler TTS

Standard
Přirozenost 4.1/5
Přesnost 3.9/5
Rychlost 3.4/5
Celkem 3.83/5

Tortoise TTSTortoise TTS

Premium
Přirozenost 4.6/5
Přesnost 4.4/5
Rychlost 1.8/5
Celkem 3.7/5

BarkBark

Standard
Přirozenost 4.2/5
Přesnost 3.8/5
Rychlost 2.5/5
Celkem 3.57/5

Standardní metodika

Nastavení zkoušky

  • Hardware: 4x NVIDIA Tesla P40 (24GB VRAM každý), celkem 96GB
  • Zkušební text: 5 standardizovaných pasáží zahrnující různé vzory řeči (vypravování, dialog, technické, emocionální, vícejazyčné)
  • Hodnocení: Automatizované metriky (MOS odhad, WER, RTF) kombinované s testy lidského poslechu
  • Běží: Každý model testovaný 10 krát za průchod, skóre průměrné

Kritéria pro snímkování

  • Přirozenost (40%): Prosody, intonace, rytmus, emoce, jak lidské to zní?
  • Přesnost (30%): Správnost výslovnosti, míra chyb slov, srozumitelnost
  • Rychlost (30%): Real-time faktor (audio sekundy / generace sekundy). Vyšší = rychlejší.
  • Celkově: Vážený průměr: 0.4 x Přirozenost + 0.3 x Přesnost + 0.3 x Rychlost

Poznámka: Referenční hodnoty odrážejí výkonnost našich specifických hardwarových a zkušebních textů. Kvalita reálného světa se může lišit na základě vstupního textu, jazyka a výběru hlasu. Hodnocení Společenství poskytuje doplňkový signál založený na různorodém reálném používání.

Často kladené otázky

TTS Arena je žebříček, který řadí AI text-to-speech modely na základě oficiálních srovnávacích testů a hodnocení komunity. Porovnejte modely bide-by-side, poslouchat vzorky, a hlasovat pro ty, které zní nejlépe pro vás.

Provádíme standardizované testy na každém modelu pomocí stejných textových pasáží, hardwaru a hodnotících kritérií. Výsledky zahrnují přirozenost (jak to člověk zní), přesnost (výslovnost a srozumitelnost) a rychlost (generační čas). Všechny testy používají náš GPU server s NVIDIA Tesla P40 GPU.

Ano! Klikněte na hvězdy vedle jakéhokoliv modelu ohodnotit od 1 do 5. Musíte být přihlášeni k hlasování. Vaše hodnocení přispívá ke komunitní průměr zobrazený na žebříčku. Můžete změnit své hodnocení kdykoliv.

Zadejte text, vyberte dva modely a klikněte na Porovnat. Oba modely generují řeč ze stejného textu současně. Poslouchejte oba a hlasujte pro který zní lépe. Toto slepé srovnání pomáhá identifikovat nejlepší model pro vaše specifické potřeby.

Přirozenost měří, jak lidský-jako řeč zní (prosody, intonace, rytmus). Přesnost měří výslovnost korektnost a srozumitelnost. Rychlost měří, jak rychle model generuje zvuk ve vztahu k reálnému čase. Celkově je vážený průměr všech metrik.

Modely bez srovnávacích výsledků jsou buď nově přidány a čekají na testování, nebo vyžadují zvláštní nastavení (jako je bráněný přístup žetony), které je čeká. Hodnocení Společenství jsou stále k dispozici pro tyto modely.

Oficiální referenční hodnoty jsou aktualizovány, pokud modely obdrží významné aktualizace nebo když jsou přidány nové modely. Aktualizace hodnocení Společenství v reálném čase při hlasování uživatelů. Data žebříčku jsou ukládána po dobu 5 minut pro výkon.

Free-tier modely (Kokoro, Piper, VITS, MeloTTS) nenesou žádný příplatek za příplatek a vyberte si příspěvek zdarma. Standardní modely používají 2x znaky (např. 1 000 znaků textu stojí 2 000 znaků z vaší bilance). Premium modely používají 4x znaky a obecně nabízejí nejvyšší kvalitu nebo jedinečné funkce, jako je klonování hlasu.

Pro většinu případů, Kokoro (free tier) nabízí vynikající kvalitu. Pro klonování hlasu, zkuste Chatterbox nebo CosyVoice 2. Pro vícejazyčný obsah, MeloTTS nebo CosyVoice 2. Pro expresivní vyprávění, Bark nebo Dia. Použijte srovnávací nástroj k testování s konkrétním textem.

Ano, můžete vytvářet a porovnávat zvuk z jakýchkoli dvou modelů bez účtu pomocí modelů free-tier. Hlasování o modelech vyžaduje bezplatný účet. Porovnání prémiových modelů vyžaduje znaky.

Snažíme se o objektivitu pomocí standardizovaných zkušebních textů, identického hardwaru a konzistentních hodnotících kritérií napříč všemi modely. Hodnocení Společenství poskytuje další nezávislý signál. Naše metodika je popsána níže v metodické sekci Benchmarking.

Modely jsou řazeny především podle oficiálního srovnávacího celkového skóre, pak podle komunitního průměrného hodnocení jako tiebreaker. Modely bez referenčních hodnot jsou řazeny pod hodnoty s referenčními hodnotami, které jsou objednány hodnocením komunity.
5.0/5 (1)

Co bychom mohli zlepšit? Vaše zpětná vazba nám pomáhá řešit problémy.

Najdi svůj dokonalý hlas

Vyzkoušejte libovolný model zdarma s Kokoro, Piper, VITS, nebo Melotts. Není nutné žádný účet.

Zaregistrovat se zdarma Zobrazit ceny