TTS Arena — AI 음성 모델 순위표
20개 이상의 텍스트 음성 변환 모델을 비교해 보세요. 공식 벤치마크, 커뮤니티 평가, 나란히 비교.
나란히 비교
모델 리더보드
| # | 모델 | 공식 | 커뮤니티 | 귀하의 평가 | 속도 | 종 |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 투표
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | 아직 투표 없음 | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | 아직 투표 없음 | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | 아직 투표 없음 | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | 아직 투표 없음 | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | 아직 투표 없음 | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | 아직 투표 없음 | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | 아직 투표 없음 | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | 아직 투표 없음 | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | 아직 투표 없음 | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | 아직 투표 없음 | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | 아직 투표 없음 | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | 아직 투표 없음 | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | 아직 투표 없음 | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | 아직 투표 없음 | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | 아직 투표 없음 | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | 아직 투표 없음 | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | 아직 투표 없음 | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | 아직 투표 없음 | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | 아직 투표 없음 | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | 아직 투표 없음 | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | 아직 투표 없음 | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | 아직 투표 없음 | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | 아직 투표 없음 | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | 아직 투표 없음 | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | 아직 투표 없음 | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | 아직 투표 없음 | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | 아직 투표 없음 | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | 아직 투표 없음 | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | 아직 투표 없음 | 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
|
— | 아직 투표 없음 | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | 아직 투표 없음 | slow | Premium |
상세한 벤치마크 점수
공식 TTS.ai 벤치마크는 자연스러움, 정확성, 속도의 세 가지 차원에서 점수를 부여합니다.
Kokoro
Free
자연스러움
4.8/5
정확도
4.7/5
속도
4.9/5
전체
4.8/5
CosyVoice 2
Standard
자연스러움
4.5/5
정확도
4.4/5
속도
3.8/5
전체
4.26/5
Chatterbox
Premium
자연스러움
4.7/5
정확도
4.5/5
속도
3.4/5
전체
4.25/5
StyleTTS 2
Premium
자연스러움
4.5/5
정확도
4.3/5
속도
3.8/5
전체
4.23/5
Piper
Free
자연스러움
3.5/5
정확도
4.2/5
속도
4.95/5
전체
4.15/5
MeloTTS
Free
자연스러움
3.8/5
정확도
4.1/5
속도
4.6/5
전체
4.13/5
Dia TTS
Standard
자연스러움
4.6/5
정확도
4.3/5
속도
3.2/5
전체
4.09/5
VITS
Free
자연스러움
3.4/5
정확도
4.0/5
속도
4.8/5
전체
4.0/5
Orpheus
Standard
자연스러움
4.3/5
정확도
4.1/5
속도
3.5/5
전체
4.0/5
OpenVoice
Premium
자연스러움
4.0/5
정확도
4.1/5
속도
3.9/5
전체
4.0/5
IndexTTS-2
Standard
자연스러움
4.3/5
정확도
4.1/5
속도
3.2/5
전체
3.91/5
Spark TTS
Standard
자연스러움
4.2/5
정확도
4.0/5
속도
3.4/5
전체
3.9/5
Parler TTS
Standard
자연스러움
4.1/5
정확도
3.9/5
속도
3.4/5
전체
3.83/5
Tortoise TTS
Premium
자연스러움
4.6/5
정확도
4.4/5
속도
1.8/5
전체
3.7/5
Bark
Standard
자연스러움
4.2/5
정확도
3.8/5
속도
2.5/5
전체
3.57/5
벤치마크 방법론
테스트 설정
- 하드웨어: 4x NVIDIA Tesla P40(각각 24GB VRAM), 총 96GB
- 테스트 텍스트: 다양한 언어 패턴을 다루는 5개의 표준화된 구절 (내레이션, 대화, 기술, 감정, 다국어)
- 평가: 인간의 청취 테스트와 결합된 자동화된 메트릭(MOS 추정, WER, RTF)
- 실행: 각 모델은 통과시 10회 테스트되고 평균 점수가 산출됩니다.
점수 기준
- 자연스러움 (40%) : 음조, 음조, 리듬, 감정 - 얼마나 인간적인 소리입니까?
- 정확도 (30%) : 발음 정확도, 단어 오류율, 이해도
- 속도 (30%): 실시간 요소 (오디오 초 / 생성 초). 높은 = 더 빠르다.
- 전체: 가중 평균: 0.4 x 자연스러움 + 0.3 x 정확도 + 0.3 x 속도
참고: 벤치마크는 특정 하드웨어 및 테스트 텍스트에서의 성능을 반영합니다. 실제 품질은 입력 텍스트, 언어 및 음성 선택에 따라 달라질 수 있습니다. 커뮤니티 평가는 다양한 실제 사용을 기반으로 보완적인 신호를 제공합니다.
자주 묻는 질문
개선할 수 있는 점은 무엇입니까? 고객님의 피드백이 문제를 해결하는 데 도움이 됩니다.