TTS Arena — AI Model Voice Leaderboard

Comparar 20+ modelos de texto para voz. Benchmarks oficiais, classificação comunitária e comparação lado a lado.

Inscreva-se gratuitamente

Comparação Side- a- Side

Digite texto, escolha dois modelos e compare os resultados. Os modelos de nível livre não necessitam de conta.

Modelo A

Modelo B

Os modelos gratuitos funcionam sem conta. Inscrever-se para comparar modelos premium.

Modelo de Leaderboard

#	Modelo	Funcionário	Comunidade	Velocidade	Tier
1	Kokoro Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference. 82M 1200h 2024	4.8 /5	5.0 /5 1 Votação	fast	Free
2	CosyVoice 2 Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency. 300M 200000h 2024	4.26 /5	Ainda não há votos	medium	Standard
3	Chatterbox State-of-the-art zero-shot voice cloning with emotion control from Resemble AI. 300M 2025	4.25 /5	Ainda não há votos	medium	Premium
4	StyleTTS 2 Human-level text-to-speech through style diffusion and adversarial training. 100M 585h 2024	4.23 /5	Ainda não há votos	medium	Premium
5	Piper A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices. 15M 2023	4.15 /5	Ainda não há votos	fast	Free
6	MeloTTS High-quality multilingual text-to-speech that runs on CPU with minimal latency. 25M 2024	4.13 /5	Ainda não há votos	fast	Free
7	Dia TTS Multi-speaker dialog generation model that creates natural conversations between speakers. 1.6B 2024	4.09 /5	Ainda não há votos	medium	Standard
8	VITS Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech. 25M 585h 2021	4.0 /5	Ainda não há votos	fast	Free
9	Orpheus Human-level emotional TTS model trained on 100K hours of speech data. 3B 100000h 2025	4.0 /5	Ainda não há votos	medium	Standard
10	OpenVoice Instant voice cloning with granular control over style, emotion, and accent. 300M 2024	4.0 /5	Ainda não há votos	medium	Premium
11	IndexTTS-2 Zero-shot TTS with fine-grained emotion control and high expressiveness. 300M 2025	3.91 /5	Ainda não há votos	medium	Standard
12	Spark TTS Voice cloning TTS with controllable emotion and speaking style via prompts. 500M 2025	3.9 /5	Ainda não há votos	medium	Standard
13	Parler TTS Describe the voice you want in natural language and Parler generates matching speech. 880M 45000h 2024	3.83 /5	Ainda não há votos	medium	Standard
14	Tortoise TTS Multi-voice text-to-speech focused on quality with autoregressive architecture. 400M 50000h 2022	3.7 /5	Ainda não há votos	slow	Premium
15	Bark Transformer-based text-to-audio model that generates realistic speech, music, and sound effects. 350M 100000h 2023	3.57 /5	Ainda não há votos	slow	Standard
16	Bark Small Lighter version of Bark with faster inference and lower memory usage. 150M 100000h 2023	—	Ainda não há votos	medium	Standard
17	GLM-TTS Achieves the lowest character error rate among open-source TTS models. 300M 2025	—	Ainda não há votos	medium	Standard
18	GPT-SoVITS Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio. 200M 2024	—	Ainda não há votos	slow	Standard
19	Qwen3 TTS Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text. 1.7B 2025	—	Ainda não há votos	medium	Standard
20	Sesame CSM Conversational speech model generating natural dialogue with appropriate timing and emotion. 1B 2025	—	Ainda não há votos	slow	Premium
21	Chatterbox Turbo Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more. 350M 2025	—	Ainda não há votos	fast	Standard
22	Zonos Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more. 1.6B 200000h 2025	—	Ainda não há votos	medium	Standard
23	Dia 2 Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues. 2B 2025	—	Ainda não há votos	fast	Standard
24	VoxCPM Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency. 500M 1800000h 2025	—	Ainda não há votos	fast	Standard
25	OuteTTS LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js. 1B 5000h 2025	—	Ainda não há votos	fast	Free
26	TADA Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS. 1B 2026	—	Ainda não há votos	fast	Standard
27	VibeVoice Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers. 1.5B 100000h 2025	—	Ainda não há votos	fast	Standard
28	Pocket TTS Lightweight 100M parameter model by Kyutai with voice cloning from a single sample. 100M 50000h 2025	—	Ainda não há votos	fast	Free
29	Kitten TTS Ultra-lightweight TTS under 80MB. Runs on CPU without GPU. 80M 2025	—	Ainda não há votos	fast	Free
30	CosyVoice3 Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning. 500M 200000h 2025	—	Ainda não há votos	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	—	Ainda não há votos	medium	Premium
32	MegaTTS3 ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity. 1B 100000h 2025	—	Ainda não há votos	slow	Premium

Pontuações de Benchmark Detalhadas

Resultados oficiais de referência TTS.ai em três dimensões: naturalidade, precisão e velocidade.

Kokoro

Free

Naturalidade 4.8/5

Precisão 4.7/5

Velocidade 4.9/5

Em geral 4.8/5

CosyVoice 2

Standard

Naturalidade 4.5/5

Precisão 4.4/5

Velocidade 3.8/5

Em geral 4.26/5

Chatterbox

Premium

Naturalidade 4.7/5

Precisão 4.5/5

Velocidade 3.4/5

Em geral 4.25/5

StyleTTS 2

Premium

Naturalidade 4.5/5

Precisão 4.3/5

Velocidade 3.8/5

Em geral 4.23/5

Piper

Free

Naturalidade 3.5/5

Precisão 4.2/5

Velocidade 4.95/5

Em geral 4.15/5

MeloTTS

Free

Naturalidade 3.8/5

Precisão 4.1/5

Velocidade 4.6/5

Em geral 4.13/5

Dia TTS

Standard

Naturalidade 4.6/5

Precisão 4.3/5

Velocidade 3.2/5

Em geral 4.09/5

VITS

Free

Naturalidade 3.4/5

Precisão 4.0/5

Velocidade 4.8/5

Em geral 4.0/5

Orpheus

Standard

Naturalidade 4.3/5

Precisão 4.1/5

Velocidade 3.5/5

Em geral 4.0/5

OpenVoice

Premium

Naturalidade 4.0/5

Precisão 4.1/5

Velocidade 3.9/5

Em geral 4.0/5

IndexTTS-2

Standard

Naturalidade 4.3/5

Precisão 4.1/5

Velocidade 3.2/5

Em geral 3.91/5

Spark TTS

Standard

Naturalidade 4.2/5

Precisão 4.0/5

Velocidade 3.4/5

Em geral 3.9/5

Parler TTS

Standard

Naturalidade 4.1/5

Precisão 3.9/5

Velocidade 3.4/5

Em geral 3.83/5

Tortoise TTS

Premium

Naturalidade 4.6/5

Precisão 4.4/5

Velocidade 1.8/5

Em geral 3.7/5

Bark

Standard

Naturalidade 4.2/5

Precisão 3.8/5

Velocidade 2.5/5

Em geral 3.57/5

Método de Benchmark

Configuração do Teste

Hardware: 4x NVIDIA Tesla P40 (24GB VRAM cada), 96GB total
Texto de ensaio: 5 passagens padronizadas que abrangem diferentes padrões de fala (narração, diálogo, técnica, emocional, multilingue)
Avaliação: métricas automatizadas (estimação MOS, WER, RTF) combinadas com testes de escuta humana
Corre: Cada modelo testado 10 vezes por passagem, escores médios

Critérios de pontuação

Naturalidade (40%): Prosódia, entonação, ritmo, emoção — o que é humano?
Precisão (30%): A correção da pronunciação, a taxa de erro da palavra, a inteligência
Velocidade (30%): Fator em tempo real (segundos audio / geração de segundos). Maior = mais rápido.
No geral: Média ponderada: 0,4 x Naturalidade + 0,3 x Precisão + 0,3 x Velocidade

Nota: Os Benchmarks refletem o desempenho do nosso hardware específico e textos de teste. A qualidade do mundo real pode variar com base em texto de entrada, linguagem e seleção de voz. As avaliações comunitárias fornecem um sinal complementar baseado em usos reais diversos.

Perguntas Frequentes

A TTS Arena é um líder que classifica modelos de texto para voz de IA com base em testes oficiais de referência e classificações comunitárias. Compare os modelos lado a lado, escute amostras e vote para os que melhor lhe são.

Nós executamos testes padronizados em cada modelo utilizando as mesmas passagens de texto, hardware e critérios de avaliação. Pontuações cobrem a naturalidade (como é humana), precisão (pronunciação e inteligência), e velocidade (tempo de geração).Todos os testes usam nosso servidor GPU com NVIDIA Tesla P40 GPUs.

Sim! Clique nas estrelas ao lado de qualquer modelo para avalia-lo de 1 para 5. Você precisa ser assinado para votar. Seu rating contribui para a média comunitária mostrada no guia. Você pode alterar sua classificação a qualquer momento.

Digite qualquer texto, selecione dois modelos e clique em Comparar. Ambos os modelos geram fala a partir do mesmo texto simultaneamente. Escute ambos e votem pelo que soa melhor. Esta comparação cega ajuda a identificar o melhor modelo para suas necessidades específicas.

A naturalidade mede como sons humanos-como a fala (prosódia, intonação, ritmo). A precisão mede a pronúncia correta e inteligência. A velocidade mede como o modelo gera áudio em relação ao tempo real. Globalmente é uma média ponderada de todas as métricas.

Modelos sem pontuações de referência são ou recentemente adicionados e aguardando testes, ou requerem configuração especial (como tokens de acesso fechados) que está pendente. As avaliações comunitárias ainda estão disponíveis para estes modelos.

Os índices de referência oficiais são atualizados quando os modelos recebem atualizações significativas ou quando são adicionados novos modelos. As avaliações comunitárias atualizam em tempo real quando os usuários votam. Os dados da tabela de classificação são cacheados por 5 minutos para o desempenho.

Os modelos gratuitos (Kokoro, Piper, VITS, MeloTTS) custam 0 créditos. Os modelos padrão custam 2 créditos por 1.000 caracteres. Os modelos premium custam 4 créditos por 1.000 caracteres e geralmente oferecem a mais alta qualidade ou características únicas como clonagem de voz.

Para a maioria dos casos de uso, o Kokoro oferece uma excelente qualidade. Para a clonagem de voz, tente Chatterbox ou CosyVoice 2. Para conteúdo multilingue, MeloTTS ou CosyVoice 2. Para narração expressiva, Bark ou Dia. Use a ferramenta de comparação para testar com o seu texto específico.

Sim, você pode gerar e comparar áudio a partir de dois modelos sem uma conta usando modelos de nível livre. Votar em modelos requer uma conta livre. Comparações de modelos premium requerem caracteres.

Nós nos esforçamos por objetividade utilizando textos de teste padronizados, hardware idêntico e critérios de avaliação consistentes em todos os modelos. As avaliações comunitárias fornecem um sinal independente adicional. Nossa metodologia é descrita na secção Metodologia de Benchmark abaixo.

Os modelos são classificados principalmente pela pontuação geral oficial de referência, em seguida, pela classificação média da comunidade como um ticketbreaker. Os modelos sem referências são classificados abaixo daqueles com índices de referência, ordenados pela classificação comunitária.

5.0/5 (1)

Encontre sua voz perfeita

Tente qualquer modelo grátis com Kokoro, Piper, VITS ou MeloTTS. Não é necessária nenhuma conta.

Inscreva-se gratuitamente Ver Preços

TTS Arena — AI Model Voice Leaderboard

Comparação Side- a- Side

Modelo de Leaderboard

Pontuações de Benchmark Detalhadas

Kokoro

CosyVoice 2

Chatterbox

StyleTTS 2

Piper

MeloTTS

Dia TTS

VITS

Orpheus

OpenVoice

IndexTTS-2

Spark TTS

Parler TTS

Tortoise TTS

Bark

Método de Benchmark

Configuração do Teste

Critérios de pontuação

Perguntas Frequentes

O que é a Arena TTS?

Como são calculados os escores oficiais de referência?

Posso votar sobre a qualidade do modelo?

Como funciona a comparação do modelo?

O que significa cada métrica de referência?

Por que alguns modelos não têm pontuação de referência?

Quantas vezes são atualizados os índices de referência?

Qual é a diferença entre os níveis livres, padrão e premium?

Que modelo devo usar?

Posso usar a ferramenta de comparação sem entrar?

Os testes de referência são viciados?

Como os modelos são classificados quando os escores são amarrados?

Encontre sua voz perfeita