TTS Arena - AI Voice Model Leaderboard مشارکتکنندگان ویکیپدیا.
مقایسه ۲۰+ مدل متن به گفتار. معیارهای رسمی، رتبههای جامعه، و مقایسه کنار به کنار.
هنوز صداهای TTS برای زبان شما نداریم. به ما کمک کنید تا صداهای خودتان را اضافه کنیم!
فروش صدای خود
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 پريميوم
جدول رده بندی مدل
| # | مدل | رسمی | جامعه | رتبۀ شما | سرعت | حیوان |
|---|---|---|---|---|---|---|
| 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 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | هنوز رأی داده نشده | medium | Standard | |
| 18 |
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 | |
| 19 |
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 | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | هنوز رأی داده نشده | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | هنوز رأی داده نشده | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | هنوز رأی داده نشده | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | هنوز رأی داده نشده | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | هنوز رأی داده نشده | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | هنوز رأی داده نشده | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | هنوز رأی داده نشده | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | هنوز رأی داده نشده | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | هنوز رأی داده نشده | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | هنوز رأی داده نشده | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | هنوز رأی داده نشده | fast | Standard | |
| 31 |
MOSS-TTS
Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.
8B
500000h
2026
|
— | هنوز رأی داده نشده | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | هنوز رأی داده نشده | slow | Premium |
امتیازهای معیار مفصل
بنچمارک رسمی TTS.ai در سه بعد امتیاز میگیرد: طبیعی، دقت و سرعت.
Kokoro
Free
طبيعت
4.8/5
دقت
4.7/5
سرعت
4.9/5
کلی
4.8/5
CosyVoice 2
Standard
طبيعت
4.5/5
دقت
4.4/5
سرعت
3.8/5
کلی
4.26/5
Chatterbox
Premium
طبيعت
4.7/5
دقت
4.5/5
سرعت
3.4/5
کلی
4.25/5
StyleTTS 2
Premium
طبيعت
4.5/5
دقت
4.3/5
سرعت
3.8/5
کلی
4.23/5
Piper
Free
طبيعت
3.5/5
دقت
4.2/5
سرعت
4.95/5
کلی
4.15/5
MeloTTS
Free
طبيعت
3.8/5
دقت
4.1/5
سرعت
4.6/5
کلی
4.13/5
Dia TTS
Standard
طبيعت
4.6/5
دقت
4.3/5
سرعت
3.2/5
کلی
4.09/5
VITS
Free
طبيعت
3.4/5
دقت
4.0/5
سرعت
4.8/5
کلی
4.0/5
Orpheus
Standard
طبيعت
4.3/5
دقت
4.1/5
سرعت
3.5/5
کلی
4.0/5
OpenVoice
Premium
طبيعت
4.0/5
دقت
4.1/5
سرعت
3.9/5
کلی
4.0/5
IndexTTS-2
Standard
طبيعت
4.3/5
دقت
4.1/5
سرعت
3.2/5
کلی
3.91/5
Spark TTS
Standard
طبيعت
4.2/5
دقت
4.0/5
سرعت
3.4/5
کلی
3.9/5
Parler TTS
Standard
طبيعت
4.1/5
دقت
3.9/5
سرعت
3.4/5
کلی
3.83/5
Tortoise TTS
Premium
طبيعت
4.6/5
دقت
4.4/5
سرعت
1.8/5
کلی
3.7/5
Bark
Standard
طبيعت
4.2/5
دقت
3.8/5
سرعت
2.5/5
کلی
3.57/5
روششناسی
پیکربندی آزمون
- سختافزار: 4x NVIDIA Tesla P40 (هر کدام 24GB VRAM)، مجموعاً 96GB
- متن آزمون: پنج بخش استاندارد که الگوهای مختلف سخنرانی را پوشش میدهند (گفتار، 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%): صدا، نغمه، ریتم، احساس - چقدر به نظر انسانی میرسد؟
- دقت) ۳۰٪ (: درستی تلفظ، میزان خطای کلمه، قابل فهم بودن
- سرعت) ۳۰٪ (: عامل زمان واقعی (ثانیههای صوتی / ثانیههای تولید). بالاتر = سریعتر.
- کلی: میانگین وزندار: ۰٫۴ × طبیعیت + ۰٫۳ × دقت + ۰٫۳ × سرعت
یادداشت: معیارها عملکرد را بر روی سختافزار و متنهای آزمایشی خاص ما منعکس میکنند. کیفیت واقعی ممکن است بر اساس متن ورودی، زبان و انتخاب صدا متفاوت باشد. رتبههای جامعه یک سیگنال تکمیلی بر اساس استفاده واقعی متنوع ارائه میدهند.
پرسشهای متداول
چه چیزی میتونیم بهتر کنیم؟ بازخورد شما به ما کمک میکنه مشکلات رو حل کنیم.
صدای کامل خود را پیدا کنید
هر مدلی را به صورت رایگان با Kokoro، Piper، VITS، یا MeloTTS امتحان کنید. حساب نیازی نیست.