Tekst til tale AI- agenter Musikk Opplesning til tekst Stemmekloning Stemmeutforming Markedsplass Mer
Rapporter feil/ funksjonsforespørsel

TTS Arena — AI Voice Model Leaderboard

Sammenlikne 20+ tekst- til- tale- modeller. Offisielle referanseverdier, fellesskapsvurderinger og sammenligning side- ved- side.

Registrer deg gratis

Sammenligning side- for-side

Skriv inn tekst, velg to modeller og sammenlikn resultatene. Frittstående modeller krever ingen konto.

Frie modeller virker uten konto. Registrer deg sammenligning av premiemodeller.

Modell for styretavle

# Modell Offisiell Fellesskap Din vurdering Hastighet Nivå
1
Kokoro
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M 1200h 2024
4.8 /5 5.0 /5
1 stemme
fast Free
2
CosyVoice 2
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M 200000h 2024
4.26 /5 Ingen stemmer ennå
medium Standard
3
Chatterbox
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M 2025
4.25 /5 Ingen stemmer ennå
medium Premium
4
StyleTTS 2
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M 585h 2024
4.23 /5 Ingen stemmer ennå
medium Premium
5
Piper
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M 2023
4.15 /5 Ingen stemmer ennå
fast Free
6
MeloTTS
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M 2024
4.13 /5 Ingen stemmer ennå
fast Free
7
Dia TTS
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B 2024
4.09 /5 Ingen stemmer ennå
medium Standard
8
VITS
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M 585h 2021
4.0 /5 Ingen stemmer ennå
fast Free
9
Orpheus
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B 100000h 2025
4.0 /5 Ingen stemmer ennå
medium Standard
10
OpenVoice
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M 2024
4.0 /5 Ingen stemmer ennå
medium Premium
11
IndexTTS-2
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M 2025
3.91 /5 Ingen stemmer ennå
medium Standard
12
Spark TTS
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M 2025
3.9 /5 Ingen stemmer ennå
medium Standard
13
Parler TTS
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M 45000h 2024
3.83 /5 Ingen stemmer ennå
medium Standard
14
Tortoise TTS
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M 50000h 2022
3.7 /5 Ingen stemmer ennå
slow Premium
15
Bark
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M 100000h 2023
3.57 /5 Ingen stemmer ennå
slow Standard
16
Bark Small
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M 100000h 2023
— Ingen stemmer ennå
medium Standard
17
Indic Parler TTS
Indic Parler TTS
High-quality speech for 8+ Indian languages with natural-language voice control.
900M 8000h 2024
— Ingen stemmer ennå
slow Standard
18
KhanomTan TTS
KhanomTan TTS
Thai-first text-to-speech with a choice of speaker voices.
85M 100h 2023
— Ingen stemmer ennå
fast Standard
19
GPT-SoVITS
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M 2024
— Ingen stemmer ennå
slow Standard
20
Qwen3 TTS
Qwen3 TTS
Alibaba's multilingual TTS with preset voices and voice design from text.
1.7B 2025
— Ingen stemmer ennå
medium Standard
21
VieNeu-TTS-v2
VieNeu-TTS-v2
Vietnamese + English code-switching TTS with 7 preset voices and zero-shot voice cloning. CPU-only, no GPU required.
0.3B 10000h 2026
— Ingen stemmer ennå
fast Standard
22
Sesame CSM
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B 2025
— Ingen stemmer ennå
slow Premium
23
Chatterbox Turbo
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M 2025
— Ingen stemmer ennå
fast Standard
24
VoxCPM
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M 1800000h 2025
— Ingen stemmer ennå
fast Standard
25
Kani TTS 2
Kani TTS 2
Ultra-lightweight 400M English TTS model running in just 3GB VRAM.
400M 10000h 2026
— Ingen stemmer ennå
fast Free
26
OuteTTS
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B 5000h 2025
— Ingen stemmer ennå
slow Free
27
VibeVoice
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B 100000h 2025
— Ingen stemmer ennå
fast Standard
28
Pocket TTS
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M 50000h 2025
— Ingen stemmer ennå
fast Free
29
Kitten TTS
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M 2025
— Ingen stemmer ennå
fast Free
30
CosyVoice3
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M 200000h 2025
— Ingen stemmer ennå
fast Standard
31
NAMAA Saudi TTS
NAMAA Saudi TTS
First open Saudi-Arabic TTS. Native Saudi dialect with Chatterbox-quality voice cloning.
300M 2026
— Ingen stemmer ennå
medium Standard
32
Darwin TTS
Darwin TTS
Cross-modal Qwen3-TTS variant with FFN weights blended from the Qwen3-1.7B language model for sharper multilingual cloning.
2.1B 2026
— Ingen stemmer ennå
medium Standard
33
MOSS-TTSD
MOSS-TTSD
Multi-speaker dialogue continuation model — generate podcast-style conversations with up to 5 speakers and 60 minutes of coherent audio.
7B 2026
— Ingen stemmer ennå
medium Standard
34
Ming-Omni TTS
Ming-Omni TTS
Compact 0.5B omni-modal speech model from inclusionAI with high-fidelity 44.1kHz output and zero-shot voice cloning.
500M 2026
— Ingen stemmer ennå
medium Free
35
MOSS-TTS Nano
MOSS-TTS Nano
Tiny 100M MOSS-TTS variant — same architecture, 80x smaller, free-tier latency.
100M 500000h 2026
— Ingen stemmer ennå
fast Free

Detaljerte referanseverdier

Offisielle referanseverdier for TTS.ai scorer på tvers av tre dimensjoner: naturlighet, nøyaktighet og hastighet.

KokoroKokoro

Free
Naturlighet 4.8/5
Nøyaktighet 4.7/5
Hastighet 4.9/5
Generelt 4.8/5

CosyVoice 2CosyVoice 2

Standard
Naturlighet 4.5/5
Nøyaktighet 4.4/5
Hastighet 3.8/5
Generelt 4.26/5

ChatterboxChatterbox

Premium
Naturlighet 4.7/5
Nøyaktighet 4.5/5
Hastighet 3.4/5
Generelt 4.25/5

StyleTTS 2StyleTTS 2

Premium
Naturlighet 4.5/5
Nøyaktighet 4.3/5
Hastighet 3.8/5
Generelt 4.23/5

PiperPiper

Free
Naturlighet 3.5/5
Nøyaktighet 4.2/5
Hastighet 4.95/5
Generelt 4.15/5

MeloTTSMeloTTS

Free
Naturlighet 3.8/5
Nøyaktighet 4.1/5
Hastighet 4.6/5
Generelt 4.13/5

Dia TTSDia TTS

Standard
Naturlighet 4.6/5
Nøyaktighet 4.3/5
Hastighet 3.2/5
Generelt 4.09/5

VITSVITS

Free
Naturlighet 3.4/5
Nøyaktighet 4.0/5
Hastighet 4.8/5
Generelt 4.0/5

OrpheusOrpheus

Standard
Naturlighet 4.3/5
Nøyaktighet 4.1/5
Hastighet 3.5/5
Generelt 4.0/5

OpenVoiceOpenVoice

Premium
Naturlighet 4.0/5
Nøyaktighet 4.1/5
Hastighet 3.9/5
Generelt 4.0/5

IndexTTS-2IndexTTS-2

Standard
Naturlighet 4.3/5
Nøyaktighet 4.1/5
Hastighet 3.2/5
Generelt 3.91/5

Spark TTSSpark TTS

Standard
Naturlighet 4.2/5
Nøyaktighet 4.0/5
Hastighet 3.4/5
Generelt 3.9/5

Parler TTSParler TTS

Standard
Naturlighet 4.1/5
Nøyaktighet 3.9/5
Hastighet 3.4/5
Generelt 3.83/5

Tortoise TTSTortoise TTS

Premium
Naturlighet 4.6/5
Nøyaktighet 4.4/5
Hastighet 1.8/5
Generelt 3.7/5

BarkBark

Standard
Naturlighet 4.2/5
Nøyaktighet 3.8/5
Hastighet 2.5/5
Generelt 3.57/5

Referansemetode

Testoppsett

  • Maskinvare: 4x NVIDIA Tesla P40 (24GB VRAM hver), 96GB totalt
  • Prøvingstekst: 5 standardiserte avsnitt som dekker ulike talemønstre (fortelling, dialog, teknisk, emosjonell, flerspråklig)
  • Vurdering: Automatiserte målinger (MOS estimering, WER, RTF) kombinert med lytteforsøk hos mennesker
  • Kjører: Hver modell prøvd 10 ganger per passasje, middelverdier

Poengkriterium

  • Naturlighet (40%): Prosodi, intonasjon, rytme, følelser - hvordan mennesker høres det ut?
  • Nøyaktighet (30%): Uttaleriktighet, ordfeilrate, forståelighet
  • Hastighet (30%): Sanntidsfaktor (lydsekunder / generasjonssekunder). Høyere = fortere.
  • Overordnet: Veid gjennomsnitt: 0,4 x Naturlighet + 0,3 x Nøyaktighet + 0,3 x hastighet

Merk: Referanser gjenspeiler ytelsen til våre spesifikke maskinvare- og testtekster. Den virkelige verdens kvalitet kan variere basert på inn- tekst, språk og talevalg. Fellesskapsvurderinger gir et supplerende signal basert på mangfoldig virkelig bruk.

Ofte stilte spørsmål

TTS Arena er et ledende bord som rangerer AI- modeller fra tekst til tale basert på offisielle referansetester og fellesskapsvurderinger. Sammenlikne modeller side- ved- side, hør på utvalg, og stemme på dem som lyder best for deg.

Vi kjører standardiserte tester på hver modell ved bruk av samme tekstpassager, maskinvare og evalueringskriterier. Poeng dekker naturlighet (hvordan menneskelig det høres ut), nøyaktighet (uttalelse og forståelighet) og hastighet (generasjonstid). Alle tester bruker vår GPU- tjener med NVIDIA Tesla P40 GPU- er.

Ja! Trykk på stjernene ved siden av en modell for å rangere den fra 1 til 5. Du må være logget på for å få en stemme. Din vurdering bidrar til fellesskapsgjennomsnittet som vises på rangeringslisten. Du kan endre karakteren din når som helst.

Skriv inn en hvilken som helst tekst, velg to modeller, og trykk sammen. Begge modellene lager tale fra samme tekst samtidig. Lytt til begge og stemme som høres bedre ut. Denne blinde sammenlikningen hjelper til å identifisere den beste modellen for dine spesifikke behov.

Naturalitet måler hvordan tale som likner mennesker lyder (prosodi, intonasjon, rytme). Nøyaktighetsmåler uttaler riktighet og forståelighet. Hastighet måler hvor fort modellen gener lyd i forhold til sanntid. Generelt er et veid gjennomsnitt av alle metriske verdier.

Modeller uten poeng for utslippsstandarder er enten nylig tilføyd og i påvente av prøving, eller krever et særlig oppsett (f.eks. av «gated access tokens») som er i ferd med å bli tatt i bruk. Fellesskapsvurderinger er fortsatt tilgjengelige for disse modellene.

Offisielle referanseverdier oppdateres når modellene blir oppdatert eller når nye modeller legges til. Fellesskapsvurderinger oppdateres i sanntid etter hvert som brukerne stemmer. Data på hovedbordet lagres i 5 minutter for ytelse.

Fritidsmodeller (Kokoro, Piper, VITS, MeloTTS) har ingen premietillegg og gir deg gratis støtte. Standardmodeller bruker 2x tegn (f. eks. 1000 tegn med tekst koster 2000 tegn fra balansen). Premiummodeller bruker 4 ganger tegn og tilbyr vanligvis høyeste kvalitet eller unike egenskaper som talekloning.

I de fleste tilfeller har Kokoro (frinivå) god kvalitet. For talekloning, forsøk Chatterbox eller CosyVoice 2. For flerspråklig innhold, MeloTTS eller CosyVoice 2. For ekspressiv forteller, Bark eller Dia. Bruk sammenlikningsverktøyet for å teste med din spesifikke tekst.

Ja, du kan lage og sammenlikne lyd fra to modeller uten å bruke en konto som bruker frittstående modeller. Stemme på modeller krever en fri konto. Premium- modellsammenligninger krever tegn.

Vi etterstreber objektivitet ved å bruke standardiserte testtekster, identisk maskinvare og konsekvente vurderingskriterier på tvers av alle modeller.

Modeller rangeres først og fremst etter offisielle generelle referanseverdier, deretter etter fellesskapsgjennomsnittlig karakter som et tiebreaker. Modeller uten referanseverdier rangeres under dem med referanseverdier, ordnet etter fellesskapspoeng.
5.0/5 (1)

Hva kan vi forbedre? din tilbakemelding hjelper oss med å løse problemer.

Finn din perfekte stemme

Prøv enhver modell gratis med Kokoro, Piper, VITS eller MeloTTS. Ingen konto påkrevd.

Registrer deg gratis Vis prisfastsettelse