TTS Arena — AI ahots modeloen sailkapena

Konparatu 20 testu-hizketa eredu baino gehiago. Erreferentzia ofizialak, komunitatearen balorazioak eta alboko konparazioa.

-Bai, bai. Saldu zure ahotsa

Alboko konparaketa

Idatzi testua, hautatu bi eredu, eta konparatu emaitzak. Geruza libreko ereduek ez dute konturik behar.

Libre dauden modeloek konturik gabe funtzionatzen dute. Izena eman Premium modeloak konparatzeko.

Leaderboard modeloa

# Modeloa Ofiziala Komunitatea Zure balorazioa Abiadura Animalia
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 botoa
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 Oraindik ez dago botorik
medium Standard
3
Chatterbox
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M 2025
4.25 /5 Oraindik ez dago botorik
medium Premium
4
StyleTTS 2
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M 585h 2024
4.23 /5 Oraindik ez dago botorik
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 Oraindik ez dago botorik
fast Free
6
MeloTTS
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M 2024
4.13 /5 Oraindik ez dago botorik
fast Free
7
Dia TTS
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B 2024
4.09 /5 Oraindik ez dago botorik
medium Standard
8
VITS
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M 585h 2021
4.0 /5 Oraindik ez dago botorik
fast Free
9
Orpheus
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B 100000h 2025
4.0 /5 Oraindik ez dago botorik
medium Standard
10
OpenVoice
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M 2024
4.0 /5 Oraindik ez dago botorik
medium Premium
11
IndexTTS-2
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M 2025
3.91 /5 Oraindik ez dago botorik
medium Standard
12
Spark TTS
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M 2025
3.9 /5 Oraindik ez dago botorik
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 Oraindik ez dago botorik
medium Standard
14
Tortoise TTS
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M 50000h 2022
3.7 /5 Oraindik ez dago botorik
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 Oraindik ez dago botorik
slow Standard
16
Bark Small
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M 100000h 2023
Oraindik ez dago botorik
medium Standard
17
GLM-TTS
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M 2025
Oraindik ez dago botorik
medium Standard
18
GPT-SoVITS
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M 2024
Oraindik ez dago botorik
slow Standard
19
Qwen3 TTS
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B 2025
Oraindik ez dago botorik
medium Standard
20
Sesame CSM
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B 2025
Oraindik ez dago botorik
slow Premium
21
Chatterbox Turbo
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M 2025
Oraindik ez dago botorik
fast Standard
22
Zonos
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B 200000h 2025
Oraindik ez dago botorik
medium Standard
23
Dia 2
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B 2025
Oraindik ez dago botorik
fast Standard
24
VoxCPM
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M 1800000h 2025
Oraindik ez dago botorik
fast Standard
25
OuteTTS
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B 5000h 2025
Oraindik ez dago botorik
fast Free
26
TADA
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B 2026
Oraindik ez dago botorik
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
Oraindik ez dago botorik
fast Standard
28
Pocket TTS
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M 50000h 2025
Oraindik ez dago botorik
fast Free
29
Kitten TTS
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M 2025
Oraindik ez dago botorik
fast Free
30
CosyVoice3
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M 200000h 2025
Oraindik ez dago botorik
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
Oraindik ez dago botorik
medium Premium
32
MegaTTS3
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B 100000h 2025
Oraindik ez dago botorik
slow Premium

Erreferentzia puntuazio xeheak

TTS.ai benchmark ofizialak hiru dimentsiotan puntuatzen du: naturaltasuna, zehaztasuna eta abiadura.

KokoroKokoro

Free
Naturaltasuna 4.8/5
Zehaztasuna 4.7/5
Abiadura 4.9/5
Orokorra 4.8/5

CosyVoice 2CosyVoice 2

Standard
Naturaltasuna 4.5/5
Zehaztasuna 4.4/5
Abiadura 3.8/5
Orokorra 4.26/5

ChatterboxChatterbox

Premium
Naturaltasuna 4.7/5
Zehaztasuna 4.5/5
Abiadura 3.4/5
Orokorra 4.25/5

StyleTTS 2StyleTTS 2

Premium
Naturaltasuna 4.5/5
Zehaztasuna 4.3/5
Abiadura 3.8/5
Orokorra 4.23/5

PiperPiper

Free
Naturaltasuna 3.5/5
Zehaztasuna 4.2/5
Abiadura 4.95/5
Orokorra 4.15/5

MeloTTSMeloTTS

Free
Naturaltasuna 3.8/5
Zehaztasuna 4.1/5
Abiadura 4.6/5
Orokorra 4.13/5

Dia TTSDia TTS

Standard
Naturaltasuna 4.6/5
Zehaztasuna 4.3/5
Abiadura 3.2/5
Orokorra 4.09/5

VITSVITS

Free
Naturaltasuna 3.4/5
Zehaztasuna 4.0/5
Abiadura 4.8/5
Orokorra 4.0/5

OrpheusOrpheus

Standard
Naturaltasuna 4.3/5
Zehaztasuna 4.1/5
Abiadura 3.5/5
Orokorra 4.0/5

OpenVoiceOpenVoice

Premium
Naturaltasuna 4.0/5
Zehaztasuna 4.1/5
Abiadura 3.9/5
Orokorra 4.0/5

IndexTTS-2IndexTTS-2

Standard
Naturaltasuna 4.3/5
Zehaztasuna 4.1/5
Abiadura 3.2/5
Orokorra 3.91/5

Spark TTSSpark TTS

Standard
Naturaltasuna 4.2/5
Zehaztasuna 4.0/5
Abiadura 3.4/5
Orokorra 3.9/5

Parler TTSParler TTS

Standard
Naturaltasuna 4.1/5
Zehaztasuna 3.9/5
Abiadura 3.4/5
Orokorra 3.83/5

Tortoise TTSTortoise TTS

Premium
Naturaltasuna 4.6/5
Zehaztasuna 4.4/5
Abiadura 1.8/5
Orokorra 3.7/5

BarkBark

Standard
Naturaltasuna 4.2/5
Zehaztasuna 3.8/5
Abiadura 2.5/5
Orokorra 3.57/5

Erreferentzia-metodologia

Proba konfigurazioa

  • Hardwarea: 4x NVIDIA Tesla P40 (24GB VRAM bakoitza), 96GB guztira
  • Probako testua: 5 pasarte estandarizatu, hizketa-eredu desberdinak (narrazioa, elkarrizketa, teknikoa, emozionala, eleanitza)
  • Ebaluazioa: Metrika automatikoak (MOS estimazioa, WER, RTF) giza entzumen-probekin konbinatuta
  • Exekutatu: Eredu bakoitza 10 aldiz probatu da pasabide bakoitzean, puntuazioak batez bestekoak

Puntuazio-irizpideak

  • Naturaltasuna (% 40): Prosodia, intonazioa, erritmoa, emozioa... zenbaterainoko gizatasuna du horrek?
  • Zehaztasuna (% 30): Ahoskera zuzentasuna, hitzen errore tasa, ulergarritasuna
  • Abiadura (% 30): Denbora errealeko faktorea (audio segundoak / sorkuntza segundoak). Handiagoa = azkarragoa.
  • Orokorra: Batez besteko pisuduna: 0,4 x naturaltasuna + 0,3 x zehaztasuna + 0,3 x abiadura

Oharra: Benchmark-ek gure hardware eta proba-testu espezifikoen errendimendua islatzen dute. Benetako kalitatea aldakorra izan daiteke sarrerako testuaren, hizkuntzaren eta ahots-hautapenaren arabera. Komunitatearen balorazioek seinale osagarria ematen dute benetako erabileran oinarrituta.

Maiz egiten diren galderak

TTS Arena testu-hizketako AI ereduak sailkatzen dituen lidergo-taula bat da, erreferentzia-proba ofizialetan eta komunitatearen balorazioetan oinarrituta. Konparatu ereduak elkarren ondoan, entzun laginak, eta bozkatu zuretzat onenak direnak.

Proba estandarizatuak egiten ditugu modelo bakoitzean, testu-zatiak, hardwarea eta ebaluazio-irizpideak berdinak erabiliz. Puntuazioek naturaltasuna (nola ematen duen giza soinua), zehaztasuna (ahoskera eta ulergarritasuna) eta abiadura (sorkuntza-denbora) hartzen dituzte kontuan. Proba guztiek gure GPU zerbitzaria erabiltzen dute NVIDIA Tesla P40 GPUekin.

Bai! Egin klik edozein modeloren ondoan dauden izarretan 1etik 5era balioesteko. Saioa hasi behar duzu botoa emateko. Zure balioespenak lidergo-taulan erakusten den komunitatearen batez bestekoari laguntzen dio. Edozein unetan aldatu dezakezu balioespena.

Idatzi edozein testu, hautatu bi eredu, eta egin klik Konparatu botoian. Bi ereduek aldi berean sortzen dute hizketa testu berdinetik. Entzun biek eta bozkatu zeinek duen soinu hobea. Konparazio itsu honek zure behar espezifikoetarako modelorik onena identifikatzen laguntzen du.

Naturaltasunak hizkera zenbateraino den gizakiaren antzekoa neurtzen du (prosodia, intonazioa, erritmoa). Zehaztasunak ahoskera zuzena eta ulergarria neurtzen du. Abiadurak ereduak denbora errealean sortzen duen audioaren abiadura neurtzen du. Orokorra metrika guztien batez besteko ponderatua da.

Erreferentzia-puntuak ez dituzten ereduak gehitu berri dira eta probatzeko zain daude, edo zain dagoen konfigurazio berezia behar dute (gated access tokens, adibidez). Komunitate-puntuak oraindik ere erabilgarri daude eredu hauetarako.

Erreferentzia ofizialak eguneratzen dira modeloek eguneratze garrantzitsuak jasotzen dituztenean edo modelo berriak gehitzen direnean. Komunitatearen balorazioak denbora errealean eguneratzen dira erabiltzaileek botoa ematen dutenean. Leaderboard-aren datuak 5 minutuz cache-an gordetzen dira errendimendua hobetzeko.

Libreko modeloek (Kokoro, Piper, VITS, MeloTTS) 0 kreditu balio dute. Modelo estandarrek 2 kreditu balio dute 1.000 karaktere bakoitzeko. Premium modeloek 4 kreditu balio dute 1.000 karaktere bakoitzeko, eta, oro har, kalitate handiena edo ezaugarri bereziak eskaintzen dituzte, hala nola ahotsa klonatzea.

Kasu gehienetan, Kokorok (maila librea) kalitate bikaina eskaintzen du. Ahotsa klonatzeko, probatu Chatterbox edo CosyVoice 2. Hizkuntza anitzeko edukietarako, MeloTTS edo CosyVoice 2. Narrazio adierazkorrerako, Bark edo Dia. Erabili konparazio-tresna zure testu espezifikoarekin probatzeko.

Bai, edozein bi eredutako audioa sortu eta konparatu dezakezu konturik gabe, free-level ereduak erabiliz. Ereduen gainean botoa emateko kontu librea behar da. Premium ereduen konparazioetarako kredituak behar dira.

Objektibitatea bilatzen dugu proba-testu estandarizatuak, hardware berdina eta ebaluazio-irizpide koherenteak erabiliz eredu guztietan. Komunitatearen balorazioek seinale independente gehigarri bat ematen dute. Gure metodologia beheko Benchmark metodologia atalean deskribatzen da.

Modeloak puntuazio orokorreko erreferentzia ofizialaren arabera sailkatzen dira lehenik, eta, ondoren, komunitatearen batez besteko balorazioaren arabera, berdinketa lortzeko. Erreferentziarik gabeko modeloak erreferentzia dutenen azpian sailkatzen dira, komunitatearen balorazioaren arabera ordenatuta.
5.0/5 (1)

Zer hobetu dezakegu? Zure iritziak arazoak konpontzen laguntzen digu.

Aurkitu zure ahots perfektua

Probatu edozein modelo doan Kokoro, Piper, VITS edo MeloTTS-ekin. Ez da konturik behar.