TTS Arena AI Voice Model Leaderboard
Porovnejte 20+ text-to-speech modely. Oficiální referenční hodnoty, hodnocení komunity, a srovnání side-by-side.
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
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
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
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
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | Zatím žádné hlasy. | medium | Premium | |
| 5 |
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
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
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | Zatím žádné hlasy. | medium | Standard | |
| 8 |
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
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
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | Zatím žádné hlasy. | medium | Premium | |
| 11 |
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
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | Zatím žádné hlasy. | medium | Standard | |
| 13 |
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
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | Zatím žádné hlasy. | slow | Premium | |
| 15 |
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
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | Zatím žádné hlasy. | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | Zatím žádné hlasy. | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | Zatím žádné hlasy. | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | Zatím žádné hlasy. | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | Zatím žádné hlasy. | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | Zatím žádné hlasy. | fast | Standard | |
| 22 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | Zatím žádné hlasy. | fast | Standard | |
| 23 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | Zatím žádné hlasy. | fast | Standard | |
| 24 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | Zatím žádné hlasy. | fast | Free | |
| 25 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | Zatím žádné hlasy. | fast | Standard | |
| 26 |
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 | |
| 27 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | Zatím žádné hlasy. | fast | Free | |
| 28 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | Zatím žádné hlasy. | fast | Free | |
| 29 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | Zatím žádné hlasy. | fast | Standard | |
| 30 |
MOSS-TTS
Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.
8B
500000h
2026
|
— | Zatím žádné hlasy. | medium | Premium | |
| 31 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | Zatím žádné hlasy. | slow | Premium |
Detailní srovnávací skóre
Oficiální TTS.ai srovnávací skóre ve třech rozměrech: přirozenost, přesnost a rychlost.
Kokoro
Free
Přirozenost
4.8/5
Přesnost
4.7/5
Rychlost
4.9/5
Celkem
4.8/5
CosyVoice 2
Standard
Přirozenost
4.5/5
Přesnost
4.4/5
Rychlost
3.8/5
Celkem
4.26/5
Chatterbox
Premium
Přirozenost
4.7/5
Přesnost
4.5/5
Rychlost
3.4/5
Celkem
4.25/5
StyleTTS 2
Premium
Přirozenost
4.5/5
Přesnost
4.3/5
Rychlost
3.8/5
Celkem
4.23/5
Piper
Free
Přirozenost
3.5/5
Přesnost
4.2/5
Rychlost
4.95/5
Celkem
4.15/5
MeloTTS
Free
Přirozenost
3.8/5
Přesnost
4.1/5
Rychlost
4.6/5
Celkem
4.13/5
Dia TTS
Standard
Přirozenost
4.6/5
Přesnost
4.3/5
Rychlost
3.2/5
Celkem
4.09/5
VITS
Free
Přirozenost
3.4/5
Přesnost
4.0/5
Rychlost
4.8/5
Celkem
4.0/5
Orpheus
Standard
Přirozenost
4.3/5
Přesnost
4.1/5
Rychlost
3.5/5
Celkem
4.0/5
OpenVoice
Premium
Přirozenost
4.0/5
Přesnost
4.1/5
Rychlost
3.9/5
Celkem
4.0/5
IndexTTS-2
Standard
Přirozenost
4.3/5
Přesnost
4.1/5
Rychlost
3.2/5
Celkem
3.91/5
Spark TTS
Standard
Přirozenost
4.2/5
Přesnost
4.0/5
Rychlost
3.4/5
Celkem
3.9/5
Parler TTS
Standard
Přirozenost
4.1/5
Přesnost
3.9/5
Rychlost
3.4/5
Celkem
3.83/5
Tortoise TTS
Premium
Přirozenost
4.6/5
Přesnost
4.4/5
Rychlost
1.8/5
Celkem
3.7/5
Bark
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
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.