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.

Modell A

Modell B

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

Modell for styretavle

#	Modell	Offisiell	Fellesskap	Hastighet	Nivå
1	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 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 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 Human-level text-to-speech through style diffusion and adversarial training. 100M 585h 2024	4.23 /5	Ingen stemmer ennå	medium	Premium
5	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 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 Multi-speaker dialog generation model that creates natural conversations between speakers. 1.6B 2024	4.09 /5	Ingen stemmer ennå	medium	Standard
8	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 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 Instant voice cloning with granular control over style, emotion, and accent. 300M 2024	4.0 /5	Ingen stemmer ennå	medium	Premium
11	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 Voice cloning TTS with controllable emotion and speaking style via prompts. 500M 2025	3.9 /5	Ingen stemmer ennå	medium	Standard
13	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 Multi-voice text-to-speech focused on quality with autoregressive architecture. 400M 50000h 2022	3.7 /5	Ingen stemmer ennå	slow	Premium
15	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 Lighter version of Bark with faster inference and lower memory usage. 150M 100000h 2023	—	Ingen stemmer ennå	medium	Standard
17	GLM-TTS Achieves the lowest character error rate among open-source TTS models. 300M 2025	—	Ingen stemmer ennå	medium	Standard
18	GPT-SoVITS Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio. 200M 2024	—	Ingen stemmer ennå	slow	Standard
19	Qwen3 TTS Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text. 1.7B 2025	—	Ingen stemmer ennå	medium	Standard
20	Sesame CSM Conversational speech model generating natural dialogue with appropriate timing and emotion. 1B 2025	—	Ingen stemmer ennå	slow	Premium
21	Chatterbox Turbo Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more. 350M 2025	—	Ingen stemmer ennå	fast	Standard
22	Zonos Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more. 1.6B 200000h 2025	—	Ingen stemmer ennå	medium	Standard
23	Dia 2 Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues. 2B 2025	—	Ingen stemmer ennå	fast	Standard
24	VoxCPM Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency. 500M 1800000h 2025	—	Ingen stemmer ennå	fast	Standard
25	OuteTTS LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js. 1B 5000h 2025	—	Ingen stemmer ennå	fast	Free
26	TADA Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS. 1B 2026	—	Ingen stemmer ennå	fast	Standard
27	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 Lightweight 100M parameter model by Kyutai with voice cloning from a single sample. 100M 50000h 2025	—	Ingen stemmer ennå	fast	Free
29	Kitten TTS Ultra-lightweight TTS under 80MB. Runs on CPU without GPU. 80M 2025	—	Ingen stemmer ennå	fast	Free
30	CosyVoice3 Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning. 500M 200000h 2025	—	Ingen stemmer ennå	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	—	Ingen stemmer ennå	medium	Premium
32	MegaTTS3 ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity. 1B 100000h 2025	—	Ingen stemmer ennå	slow	Premium

Detaljerte referanseverdier

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

Kokoro

Free

Naturlighet 4.8/5

Nøyaktighet 4.7/5

Hastighet 4.9/5

Generelt 4.8/5

CosyVoice 2

Standard

Naturlighet 4.5/5

Nøyaktighet 4.4/5

Hastighet 3.8/5

Generelt 4.26/5

Chatterbox

Premium

Naturlighet 4.7/5

Nøyaktighet 4.5/5

Hastighet 3.4/5

Generelt 4.25/5

StyleTTS 2

Premium

Naturlighet 4.5/5

Nøyaktighet 4.3/5

Hastighet 3.8/5

Generelt 4.23/5

Piper

Free

Naturlighet 3.5/5

Nøyaktighet 4.2/5

Hastighet 4.95/5

Generelt 4.15/5

MeloTTS

Free

Naturlighet 3.8/5

Nøyaktighet 4.1/5

Hastighet 4.6/5

Generelt 4.13/5

Dia TTS

Standard

Naturlighet 4.6/5

Nøyaktighet 4.3/5

Hastighet 3.2/5

Generelt 4.09/5

VITS

Free

Naturlighet 3.4/5

Nøyaktighet 4.0/5

Hastighet 4.8/5

Generelt 4.0/5

Orpheus

Standard

Naturlighet 4.3/5

Nøyaktighet 4.1/5

Hastighet 3.5/5

Generelt 4.0/5

OpenVoice

Premium

Naturlighet 4.0/5

Nøyaktighet 4.1/5

Hastighet 3.9/5

Generelt 4.0/5

IndexTTS-2

Standard

Naturlighet 4.3/5

Nøyaktighet 4.1/5

Hastighet 3.2/5

Generelt 3.91/5

Spark TTS

Standard

Naturlighet 4.2/5

Nøyaktighet 4.0/5

Hastighet 3.4/5

Generelt 3.9/5

Parler TTS

Standard

Naturlighet 4.1/5

Nøyaktighet 3.9/5

Hastighet 3.4/5

Generelt 3.83/5

Tortoise TTS

Premium

Naturlighet 4.6/5

Nøyaktighet 4.4/5

Hastighet 1.8/5

Generelt 3.7/5

Bark

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 genererer 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.

Frie modeller (Kokoro, Piper, VITS, MeloTTS) koster 0 kreditter. Standardmodeller koster 2 kreditter pr. 1000 tegn. Premiummodeller koster 4 kreditter pr. 1000 tegn og har vanligvis høyest 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)

Finn din perfekte stemme

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

Registrer deg gratis Vis prisfastsettelse

TTS Arena — AI Voice Model Leaderboard

Sammenligning side- for-side

Modell for styretavle

Detaljerte referanseverdier

Kokoro

CosyVoice 2

Chatterbox

StyleTTS 2

Piper

MeloTTS

Dia TTS

VITS

Orpheus

OpenVoice

IndexTTS-2

Spark TTS

Parler TTS

Tortoise TTS

Bark

Referansemetode

Testoppsett

Poengkriterium

Ofte stilte spørsmål

Hva er TTS Arena?

Hvordan beregnes de offisielle referanseverdiene?

Kan jeg stemme om modellkvalitet?

Hvordan virker modellens sammenligning?

Hva betyr hvert referansemål metrisk?

Hvorfor har noen modeller ingen referansepoeng?

Hvor ofte ajourføres referanseverdiene?

Hva er forskjellen mellom frie, standard og premienivåer?

Hvilken modell skal jeg bruke?

Kan jeg bruke sammenligningsverktøyet uten å logge inn?

Er referanseprøvingene skjev?

Hvordan rangeres modellene når resultatene er bundet?

Finn din perfekte stemme