TTS Arena - AI Voice Model Leaderboard
بەراوردکردنی زیاتر لە ٢٠ مۆدێلی نوسراو بۆ قسەکردن. پێوانە رەسمییەکان، ڕێژەی کۆمەڵگە، و بەراوردکردنی لاوەکی.
ئێمە
دەنگی خۆت بفرۆشە
بەراوردکردنی لاوەکی
ناونیشان بنووسە، دوو مۆدێل هەڵبژێرە، وە ئەنجامەکان بەراورد بکە. مۆدێلی پلەی ئازاد پێویستی بە هیچ حسابێک نییە.
مۆدێلەکانی ئازاد بەبێ حساب کار دەکەن. تۆماربکە بۆ بەراوردکردنی مۆدێلی باشە
مۆدێلی لاپەڕە
| # | مۆدێل | فەرمی | کۆمەڵگە | بایەخی تۆ | خێرایی | ئەیلول |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 دەنگ
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | هێشتا دەنگ نەدراوە | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | هێشتا دەنگ نەدراوە | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | هێشتا دەنگ نەدراوە | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | هێشتا دەنگ نەدراوە | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | هێشتا دەنگ نەدراوە | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | هێشتا دەنگ نەدراوە | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | هێشتا دەنگ نەدراوە | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | هێشتا دەنگ نەدراوە | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | هێشتا دەنگ نەدراوە | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | هێشتا دەنگ نەدراوە | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | هێشتا دەنگ نەدراوە | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | هێشتا دەنگ نەدراوە | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | هێشتا دەنگ نەدراوە | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | هێشتا دەنگ نەدراوە | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | هێشتا دەنگ نەدراوە | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | هێشتا دەنگ نەدراوە | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | هێشتا دەنگ نەدراوە | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | هێشتا دەنگ نەدراوە | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | هێشتا دەنگ نەدراوە | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | هێشتا دەنگ نەدراوە | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | هێشتا دەنگ نەدراوە | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | هێشتا دەنگ نەدراوە | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | هێشتا دەنگ نەدراوە | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | هێشتا دەنگ نەدراوە | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | هێشتا دەنگ نەدراوە | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | هێشتا دەنگ نەدراوە | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | هێشتا دەنگ نەدراوە | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | هێشتا دەنگ نەدراوە | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | هێشتا دەنگ نەدراوە | 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
|
— | هێشتا دەنگ نەدراوە | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | هێشتا دەنگ نەدراوە | slow | Premium |
خاڵەکانی بنچمارکی وردەکاری
ڕیزبەندی رەسمی TTS.ai لە سێ بواردا ئەنجام دەدات: سروشتی، ڕاستگۆیی و خێرایی.
Kokoro
Free
سروشتی
4.8/5
ڕاستی
4.7/5
خێرایی
4.9/5
بەگشتی
4.8/5
CosyVoice 2
Standard
سروشتی
4.5/5
ڕاستی
4.4/5
خێرایی
3.8/5
بەگشتی
4.26/5
Chatterbox
Premium
سروشتی
4.7/5
ڕاستی
4.5/5
خێرایی
3.4/5
بەگشتی
4.25/5
StyleTTS 2
Premium
سروشتی
4.5/5
ڕاستی
4.3/5
خێرایی
3.8/5
بەگشتی
4.23/5
Piper
Free
سروشتی
3.5/5
ڕاستی
4.2/5
خێرایی
4.95/5
بەگشتی
4.15/5
MeloTTS
Free
سروشتی
3.8/5
ڕاستی
4.1/5
خێرایی
4.6/5
بەگشتی
4.13/5
Dia TTS
Standard
سروشتی
4.6/5
ڕاستی
4.3/5
خێرایی
3.2/5
بەگشتی
4.09/5
VITS
Free
سروشتی
3.4/5
ڕاستی
4.0/5
خێرایی
4.8/5
بەگشتی
4.0/5
Orpheus
Standard
سروشتی
4.3/5
ڕاستی
4.1/5
خێرایی
3.5/5
بەگشتی
4.0/5
OpenVoice
Premium
سروشتی
4.0/5
ڕاستی
4.1/5
خێرایی
3.9/5
بەگشتی
4.0/5
IndexTTS-2
Standard
سروشتی
4.3/5
ڕاستی
4.1/5
خێرایی
3.2/5
بەگشتی
3.91/5
Spark TTS
Standard
سروشتی
4.2/5
ڕاستی
4.0/5
خێرایی
3.4/5
بەگشتی
3.9/5
Parler TTS
Standard
سروشتی
4.1/5
ڕاستی
3.9/5
خێرایی
3.4/5
بەگشتی
3.83/5
Tortoise TTS
Premium
سروشتی
4.6/5
ڕاستی
4.4/5
خێرایی
1.8/5
بەگشتی
3.7/5
Bark
Standard
سروشتی
4.2/5
ڕاستی
3.8/5
خێرایی
2.5/5
بەگشتی
3.57/5
ڕێبازى بەراوردکردن
ڕێکخستنی تاقیکردنەوە
- ئامێر: 4x NVIDIA Tesla P40 (24 گێگابایت VRAM هەریەک)، 96 گێگابایت کۆی
- نامهی تاقیکردنەوە: ٥ بەشی ستاندارد کە شێوازی گوفتاری جیاوازی تێدایە (گێڕانەوە، گفتوگۆ، تەکنیکی، هەستی، زۆر زمانە)
- شیکردنەوە: پێوانەکردنی ئۆتۆماتیکی (MOS estimation, WER, RTF) تێکەڵکراوە لەگەڵ تاقیکردنەوەکانی گوێگرتنی مرۆڤ
- هەڵدەستێت: هەر مۆدێلێک ١٠ جار تاقی دەکرێتەوە بۆ هەر تێپەڕینێک، ئەنجامەکان مامناوەند دەبن
ڕێسای خاڵدان
- سروشتی (%40): دەنگی گۆرانی، دەنگی گۆرانیبێژ، دەنگی گۆرانیبێژ، هەستی گۆرانیبێژ، تا چ ڕادەیەک ئەمە دەنگی مرۆڤە؟
- ڕاستگۆیی (%30): ڕێژەی هەڵەی وشەکان
- خێرایی (%30): هۆکاری کاتی ڕاستەقینە (خولەکەکانی دەنگ/خولەکەکانی دروستکردن). بەرزتر = خێراتر.
- سەرجەم: 0.4x سروشتی + 0.3x ڕاستگۆیی + 0.3x خێرایی
ئامۆژگاری: بنچمارکەکان کاردانەوەی هەیە لەسەر تایبەتمەندییەکانی کەرەستەکانمان و نوسراوەکانی تاقیکردنەوە. بایەخی جیهانی ڕاستەقینە لەوانەیە جیاواز بێت لەسەر بنەمای نوسراو، زمان، و هەڵبژاردەی دەنگ. ڕێژەی کۆمەڵگە نیشانەیەکی گونجاو دەدات لەسەر بنەمای بەکارهێنانی ڕاستەقینە.
پرسیاری زۆر کراوە
What could we improve? Your feedback helps us fix issues.
دەنگی تەواوەکەت بدۆزەوە
هیچ مۆدێلێک بەبێ پارە تاقی بکەەوە لەگەڵ کۆکۆرۆ، پیپێر، ڤێتس، یان مێلۆتیتس. هیچ حسابێک پێویست ناکات.