TTS Arena - AI ແບບຟອມສຽງ Leaderboard
20+ ຂໍ້ຄວາມ-ເປັນ-ການເວົ້າແບບຈໍາລອງ. ມາດຕະຖານທາງການ, ຊຸມຊົນການຕີລາຄາ, ແລະ side-by-side ການທຽບເທົ່າ.
ພວກເຮົາຍັງບໍ່ມີສຽງ TTS ໃນພາສາຂອງທ່ານເທື່ອ. ຊ່ວຍພວກເຮົາເພີ່ມສຽງຂອງທ່ານ!
ຂາຍສຽງຂອງທ່ານ
ການປຽບທຽບຂ້າງຕໍ່ຂ້າງ
ພິມຂໍ້ຄວາມ, ເລືອກແບບສອງແບບ, ແລະ ທຽບທຽບຜົນໄດ້ຮັບ. ແບບຟຣີ-ຊັ້ນບໍ່ຕ້ອງການບັນຊີ.
ແບບຟອມຟຣີເຮັດວຽກໂດຍບໍ່ມີບັນຊີ. ລົງທະບຽນ ເພື່ອປຽບທຽບແບບພິເສດ.
ຕາຕະລາງຜູ້ນໍາແບບແບບ
| # | ແບບ | ທາງການ | ຊຸມຊົນ | ການຈັດອັນດັບຂອງທ່ານ | ໄວ | ສັດ |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 ຄະແນນ
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | ບໍ່ມີຄະແນນ | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | ບໍ່ມີຄະແນນ | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | ບໍ່ມີຄະແນນ | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | ບໍ່ມີຄະແນນ | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | ບໍ່ມີຄະແນນ | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | ບໍ່ມີຄະແນນ | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | ບໍ່ມີຄະແນນ | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | ບໍ່ມີຄະແນນ | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | ບໍ່ມີຄະແນນ | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | ບໍ່ມີຄະແນນ | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | ບໍ່ມີຄະແນນ | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | ບໍ່ມີຄະແນນ | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | ບໍ່ມີຄະແນນ | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | ບໍ່ມີຄະແນນ | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | ບໍ່ມີຄະແນນ | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | ບໍ່ມີຄະແນນ | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | ບໍ່ມີຄະແນນ | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | ບໍ່ມີຄະແນນ | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | ບໍ່ມີຄະແນນ | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | ບໍ່ມີຄະແນນ | fast | Standard | |
| 22 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | ບໍ່ມີຄະແນນ | fast | Standard | |
| 23 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | ບໍ່ມີຄະແນນ | fast | Standard | |
| 24 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | ບໍ່ມີຄະແນນ | fast | Free | |
| 25 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | ບໍ່ມີຄະແນນ | fast | Standard | |
| 26 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | ບໍ່ມີຄະແນນ | fast | Standard | |
| 27 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | ບໍ່ມີຄະແນນ | fast | Free | |
| 28 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | ບໍ່ມີຄະແນນ | fast | Free | |
| 29 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | ບໍ່ມີຄະແນນ | fast | Standard | |
| 30 |
MOSS-TTS
Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.
8B
500000h
2026
|
— | ບໍ່ມີຄະແນນ | medium | Premium | |
| 31 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | ບໍ່ມີຄະແນນ | slow | Premium |
ຄະແນນ Benchmark ລະອຽດ
TTS.ai ຢ່າງເປັນທາງການ benchmark ຄະແນນໃນສາມມິຕິ: ທໍາມະຊາດ, ຄວາມຖືກຕ້ອງ, ແລະຄວາມໄວ.
Kokoro
Free
ທໍາມະຊາດ
4.8/5
ຄວາມຖືກຕ້ອງ
4.7/5
ຄວາມໄວ
4.9/5
ລວມ
4.8/5
CosyVoice 2
Standard
ທໍາມະຊາດ
4.5/5
ຄວາມຖືກຕ້ອງ
4.4/5
ຄວາມໄວ
3.8/5
ລວມ
4.26/5
Chatterbox
Premium
ທໍາມະຊາດ
4.7/5
ຄວາມຖືກຕ້ອງ
4.5/5
ຄວາມໄວ
3.4/5
ລວມ
4.25/5
StyleTTS 2
Premium
ທໍາມະຊາດ
4.5/5
ຄວາມຖືກຕ້ອງ
4.3/5
ຄວາມໄວ
3.8/5
ລວມ
4.23/5
Piper
Free
ທໍາມະຊາດ
3.5/5
ຄວາມຖືກຕ້ອງ
4.2/5
ຄວາມໄວ
4.95/5
ລວມ
4.15/5
MeloTTS
Free
ທໍາມະຊາດ
3.8/5
ຄວາມຖືກຕ້ອງ
4.1/5
ຄວາມໄວ
4.6/5
ລວມ
4.13/5
Dia TTS
Standard
ທໍາມະຊາດ
4.6/5
ຄວາມຖືກຕ້ອງ
4.3/5
ຄວາມໄວ
3.2/5
ລວມ
4.09/5
VITS
Free
ທໍາມະຊາດ
3.4/5
ຄວາມຖືກຕ້ອງ
4.0/5
ຄວາມໄວ
4.8/5
ລວມ
4.0/5
Orpheus
Standard
ທໍາມະຊາດ
4.3/5
ຄວາມຖືກຕ້ອງ
4.1/5
ຄວາມໄວ
3.5/5
ລວມ
4.0/5
OpenVoice
Premium
ທໍາມະຊາດ
4.0/5
ຄວາມຖືກຕ້ອງ
4.1/5
ຄວາມໄວ
3.9/5
ລວມ
4.0/5
IndexTTS-2
Standard
ທໍາມະຊາດ
4.3/5
ຄວາມຖືກຕ້ອງ
4.1/5
ຄວາມໄວ
3.2/5
ລວມ
3.91/5
Spark TTS
Standard
ທໍາມະຊາດ
4.2/5
ຄວາມຖືກຕ້ອງ
4.0/5
ຄວາມໄວ
3.4/5
ລວມ
3.9/5
Parler TTS
Standard
ທໍາມະຊາດ
4.1/5
ຄວາມຖືກຕ້ອງ
3.9/5
ຄວາມໄວ
3.4/5
ລວມ
3.83/5
Tortoise TTS
Premium
ທໍາມະຊາດ
4.6/5
ຄວາມຖືກຕ້ອງ
4.4/5
ຄວາມໄວ
1.8/5
ລວມ
3.7/5
Bark
Standard
ທໍາມະຊາດ
4.2/5
ຄວາມຖືກຕ້ອງ
3.8/5
ຄວາມໄວ
2.5/5
ລວມ
3.57/5
ວິທີການທົດສອບ
ການຕັ້ງຄ່າການທົດສອບ
- ອຸປະກອນຮາດແວ: 4x NVIDIA Tesla P40 (24GB VRAM ແຕ່ລະຄົນ), ລວມ 96GB
- ຂໍ້ຄວາມທົດສອບ: 5 ຂໍ້ຄວາມມາດຕະຖານທີ່ປົກຄຸມຮູບແບບການເວົ້າທີ່ແຕກຕ່າງກັນ (ການເລົ່າເລື່ອງ, ການສົນທະນາ, ເຕັກນິກ, ອາລົມ, ພາສາຫຼາຍພາສາ)
- ການຕີລາຄາ: ຕົວຊີ້ວັດອັດຕະໂນມັດ (ການຄາດຄະເນ MOS, WER, RTF) ລວມກັບການທົດສອບການຟັງຂອງມະນຸດ
- រត់ & # 160; ៖ ທຸກໆແບບຖືກທົດສອບ 10 ຄັ້ງຕໍ່ການຜ່ານ, ຄະແນນສະເລ່ຍ
ມາດຖານການໃຫ້ຄະແນນ
- ທໍາມະຊາດ (40%): ສຽງດັງ, ສຽງດັງ, ສຽງດັງ, ສຽງດັງ, ສຽງດັງ, ສຽງດັງ.
- ຄວາມຖືກຕ້ອງ (30%): ການອອກສຽງທີ່ຖືກຕ້ອງ, ອັດຕາຄວາມຜິດພາດຂອງຄໍາ, ຄວາມເຂົ້າໃຈ
- ຄວາມໄວ (30%) & # 160;: ປັດໃຈເວລາຈິງ (ວິນາທີສຽງ / ວິນາທີການສ້າງ). ສູງກວ່າ = ໄວກວ່າ.
- ລວມ: ຄະແນນສະເລ່ຍ: 0.4 x ທໍາມະຊາດ + 0.3 x ຄວາມຖືກຕ້ອງ + 0.3 x ຄວາມໄວ
ចំណាំ: Benchmarks ສະແດງໃຫ້ເຫັນຜົນງານຂອງຮາດແວ ແລະ ຂໍ້ຄວາມທົດລອງສະເພາະຂອງພວກເຮົາ. ຄຸນະພາບໃນໂລກຈິງອາດຈະແຕກຕ່າງກັນໂດຍອີງໃສ່ຂໍ້ຄວາມເຂົ້າ, ພາສາ, ແລະ ການເລືອກສຽງ. ການຈັດອັນດັບຂອງຊຸມຊົນໃຫ້ສັນຍານເພີ່ມເຕີມໂດຍອີງໃສ່ການໃຊ້ງານທີ່ຫຼາກຫຼາຍ.
ຄໍາຖາມທີ່ຖາມເລື້ອຍໆ
ພວກເຮົາສາມາດປັບປຸງໄດ້ແນວໃດ? ຄໍາຄິດເຫັນຂອງທ່ານຊ່ວຍພວກເຮົາແກ້ໄຂບັນຫາ.
ຄົ້ນຫາສຽງທີ່ສົມບູນຂອງທ່ານ
ທົດລອງໃຊ້ແບບຟອມໃດໆໂດຍບໍ່ເສຍຄ່າກັບ Kokoro, Piper, VITS, ຫຼື MeloTTS. ບໍ່ມີບັນຊີທີ່ຕ້ອງການ.