TTSアリーナ
20以上のテキストから音声への変換モデルを比較します。公式のベンチマーク、コミュニティ評価、並列比較を行います。
サイドバイサイド比較
モデルリーダーボード
| # | モデル | オフィシャル | コミュニティ | あなたの評価 | スピード | 動物 |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 投票
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | まだ投票はありません | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | まだ投票はありません | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | まだ投票はありません | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | まだ投票はありません | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | まだ投票はありません | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | まだ投票はありません | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | まだ投票はありません | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | まだ投票はありません | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | まだ投票はありません | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | まだ投票はありません | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | まだ投票はありません | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | まだ投票はありません | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | まだ投票はありません | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | まだ投票はありません | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | まだ投票はありません | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | まだ投票はありません | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | まだ投票はありません | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | まだ投票はありません | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | まだ投票はありません | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | まだ投票はありません | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | まだ投票はありません | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | まだ投票はありません | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | まだ投票はありません | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | まだ投票はありません | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | まだ投票はありません | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | まだ投票はありません | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | まだ投票はありません | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | まだ投票はありません | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | まだ投票はありません | 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
|
— | まだ投票はありません | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | まだ投票はありません | slow | Premium |
詳細なベンチマーク結果
公式のTTS.aiベンチマークは自然性，正確性，速度の三つの次元で得点を得た。
Kokoro
Free
自然性
4.8/5
精度
4.7/5
スピード
4.9/5
総合
4.8/5
CosyVoice 2
Standard
自然性
4.5/5
精度
4.4/5
スピード
3.8/5
総合
4.26/5
Chatterbox
Premium
自然性
4.7/5
精度
4.5/5
スピード
3.4/5
総合
4.25/5
StyleTTS 2
Premium
自然性
4.5/5
精度
4.3/5
スピード
3.8/5
総合
4.23/5
Piper
Free
自然性
3.5/5
精度
4.2/5
スピード
4.95/5
総合
4.15/5
MeloTTS
Free
自然性
3.8/5
精度
4.1/5
スピード
4.6/5
総合
4.13/5
Dia TTS
Standard
自然性
4.6/5
精度
4.3/5
スピード
3.2/5
総合
4.09/5
VITS
Free
自然性
3.4/5
精度
4.0/5
スピード
4.8/5
総合
4.0/5
Orpheus
Standard
自然性
4.3/5
精度
4.1/5
スピード
3.5/5
総合
4.0/5
OpenVoice
Premium
自然性
4.0/5
精度
4.1/5
スピード
3.9/5
総合
4.0/5
IndexTTS-2
Standard
自然性
4.3/5
精度
4.1/5
スピード
3.2/5
総合
3.91/5
Spark TTS
Standard
自然性
4.2/5
精度
4.0/5
スピード
3.4/5
総合
3.9/5
Parler TTS
Standard
自然性
4.1/5
精度
3.9/5
スピード
3.4/5
総合
3.83/5
Tortoise TTS
Premium
自然性
4.6/5
精度
4.4/5
スピード
1.8/5
総合
3.7/5
Bark
Standard
自然性
4.2/5
精度
3.8/5
スピード
2.5/5
総合
3.57/5
ベンチマーク法
テスト設定
- ハードウェア: NVIDIA Tesla P40 4枚（各24GB VRAM）、合計96GB
- テストテキスト: 異なる言語パターン（語り、対話、技術、感情、多言語）をカバーする5つの標準化されたパターン
- 評価: 自動測定（ＭＯＳ推定，ＷＥＲ，ＲＴＦ）と人間の聴取テストを組み合わせた。
- 実行: 各モデルを１回に１０回テストし，得点を平均した。
得点基準
- 自然さ(40%)： 韻律、音調、リズム、感情― どれだけ人間らしく聞こえるか？
- 精度 (30%): 発音正確度，単語誤り率，理解度
- 速度 (30%): リアルタイム因子 (オーディオ秒/生成秒)。高いほど速い。
- 総合: 加重平均: 0.4 x 自然度 + 0.3 x 正確度 + 0.3 x スピード
ノート: ベンチマークは特定のハードウェアとテストテキストの性能を反映します。実際の品質は入力テキスト、言語、音声選択により異なります。コミュニティ評価は多様な実際の使用に基づいた補完的な信号を提供します。
よくある質問
改善点は何ですか？フィードバックは問題を解決するのに役立ちます。