TTS Arena - AI Voice Model Leaderboard مشارکتکنندگان ویکیپدیا.
مقایسه 20+ مدل متن به گفتار. معیارهای رسمی، رتبههای جامعه، و مقایسه کنار به کنار.
مقایسه کنار به کنار
متن را تایپ کنید، دو مدل را انتخاب کنید و نتایج را مقایسه کنید. مدلهای سطح آزاد نیازی به حساب ندارند.
مدلهای رایگان بدون حساب کار میکنند. ثبت نام براي مقايسه مدل هاي برتر
جدول رده بندی مدل
| # | مدل | رسمی | جامعه | رتبۀ شما | سرعت | حيوان |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 رای
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | هنوز رأی داده نشده | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | هنوز رأی داده نشده | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | هنوز رأی داده نشده | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | هنوز رأی داده نشده | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | هنوز رأی داده نشده | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | هنوز رأی داده نشده | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | هنوز رأی داده نشده | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | هنوز رأی داده نشده | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | هنوز رأی داده نشده | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | هنوز رأی داده نشده | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | هنوز رأی داده نشده | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | هنوز رأی داده نشده | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | هنوز رأی داده نشده | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | هنوز رأی داده نشده | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | هنوز رأی داده نشده | medium | Standard | |
| 17 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | هنوز رأی داده نشده | slow | Standard | |
| 18 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | هنوز رأی داده نشده | medium | Standard |
امتیازهای معیار مفصل
بنچمارک رسمی TTS.ai در سه بعد امتیاز میگیرد: طبیعی، دقت و سرعت.
Kokoro
Free
CosyVoice 2
Standard
Chatterbox
Premium
StyleTTS 2
Premium
Piper
Free
MeloTTS
Free
Dia TTS
Standard
VITS
Free
Orpheus
Standard
OpenVoice
Premium
IndexTTS-2
Standard
Spark TTS
Standard
Parler TTS
Standard
Tortoise TTS
Premium
Bark
Standard
روششناسی معیار
پیکربندی آزمون
- سخت افزار: 4x NVIDIA Tesla P40 (هر کدام 24GB VRAM)، مجموعاً 96GB
- متن آزمون: پنج بخش استاندارد که الگوهای گوناگون سخنرانی را پوشش میدهند (روایت، گفتگو، فنی، احساسی، چندزبانه)
- ارزیابی: معیارهای خودکار (برآورد MOS، WER، RTF) ترکیب شده با تستهای گوش دادن انسان
- اجراها: هر مدل 10 بار در هر گذر آزمايش شده، نمرات متوسط
معیار امتیازدهی
- طبیعی بودن (40%): Prosody, intonation, rhythm, emotion — how human does it sound?
- دقت (۳۰٪): Pronunciation correctness, word error rate, intelligibility
- سرعت) ۳۰٪ (: عامل زمان واقعی (ثانیههای صوتی / ثانیههای تولید). بالاتر = سریعتر.
- کلی: میانگین وزندار: ۰٫۴ × طبیعیت + ۰٫۳ × دقت + ۰٫۳ × سرعت
یادداشت: Benchmarks reflect performance on our specific hardware and test texts. Real-world quality may vary based on input text, language, and voice selection. Community ratings provide a complementary signal based on diverse real usage.
پرسشهای متداول
صدای کامل خود را پیدا کنید
هر مدلی را به صورت رایگان با Kokoro، Piper، VITS، یا MeloTTS امتحان کنید. حساب نیازی نیست.