TTS Arena — AI Voice Model Leaderboard (bằng tiếng Anh).
So sánh 20+ mẫu text-to-speech. Điểm chuẩn chính thức, đánh giá cộng đồng, và so sánh song song.
So sánh song song
Nhập văn bản, chọn hai mô hình, và so sánh kết quả. Mô hình miễn phí không yêu cầu tài khoản.
Các mẫu miễn phí hoạt động mà không cần tài khoản. Đăng ký để so sánh các mẫu xe cao cấp.
Bảng xếp hạng mẫu
| # | Mô hình | Chính thức | Cộng đồng | Đánh giá của bạn | Tốc độ | Thú |
|---|---|---|---|---|---|---|
| 1 |
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M
1200h
2024
|
4.8 /5 |
5.0
/5
1 phiếu bầu
|
fast | Free | |
| 2 |
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M
200000h
2024
|
4.26 /5 | Chưa có phiếu bầu | medium | Standard | |
| 3 |
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M
2025
|
4.25 /5 | Chưa có phiếu bầu | medium | Premium | |
| 4 |
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M
585h
2024
|
4.23 /5 | Chưa có phiếu bầu | medium | Premium | |
| 5 |
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M
2023
|
4.15 /5 | Chưa có phiếu bầu | fast | Free | |
| 6 |
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M
2024
|
4.13 /5 | Chưa có phiếu bầu | fast | Free | |
| 7 |
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B
2024
|
4.09 /5 | Chưa có phiếu bầu | medium | Standard | |
| 8 |
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M
585h
2021
|
4.0 /5 | Chưa có phiếu bầu | fast | Free | |
| 9 |
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B
100000h
2025
|
4.0 /5 | Chưa có phiếu bầu | medium | Standard | |
| 10 |
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M
2024
|
4.0 /5 | Chưa có phiếu bầu | medium | Premium | |
| 11 |
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M
2025
|
3.91 /5 | Chưa có phiếu bầu | medium | Standard | |
| 12 |
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M
2025
|
3.9 /5 | Chưa có phiếu bầu | medium | Standard | |
| 13 |
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M
45000h
2024
|
3.83 /5 | Chưa có phiếu bầu | medium | Standard | |
| 14 |
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M
50000h
2022
|
3.7 /5 | Chưa có phiếu bầu | slow | Premium | |
| 15 |
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M
100000h
2023
|
3.57 /5 | Chưa có phiếu bầu | slow | Standard | |
| 16 |
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M
100000h
2023
|
— | Chưa có phiếu bầu | medium | Standard | |
| 17 |
GLM-TTS
Achieves the lowest character error rate among open-source TTS models.
300M
2025
|
— | Chưa có phiếu bầu | medium | Standard | |
| 18 |
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M
2024
|
— | Chưa có phiếu bầu | slow | Standard | |
| 19 |
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B
2025
|
— | Chưa có phiếu bầu | medium | Standard | |
| 20 |
Sesame CSM
Conversational speech model generating natural dialogue with appropriate timing and emotion.
1B
2025
|
— | Chưa có phiếu bầu | slow | Premium | |
| 21 |
Chatterbox Turbo
Faster Chatterbox with sub-200ms latency and paralinguistic tags for laughs, coughs, and more.
350M
2025
|
— | Chưa có phiếu bầu | fast | Standard | |
| 22 |
Zonos
Emotion-controllable TTS with fine-grained sliders for happiness, anger, sadness, and more.
1.6B
200000h
2025
|
— | Chưa có phiếu bầu | medium | Standard | |
| 23 |
Dia 2
Streaming-first conversational TTS with multi-speaker dialogue and paralinguistic cues.
2B
2025
|
— | Chưa có phiếu bầu | fast | Standard | |
| 24 |
VoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
500M
1800000h
2025
|
— | Chưa có phiếu bầu | fast | Standard | |
| 25 |
OuteTTS
LLM-based TTS that runs on CPU, GPU, or browser via llama.cpp and Transformers.js.
1B
5000h
2025
|
— | Chưa có phiếu bầu | fast | Free | |
| 26 |
TADA
Zero-hallucination TTS with text-acoustic dual alignment, 5x faster than comparable LLM TTS.
1B
2026
|
— | Chưa có phiếu bầu | fast | Standard | |
| 27 |
VibeVoice
Microsoft's multi-speaker long-form TTS generating up to 90 minutes with 4 distinct speakers.
1.5B
100000h
2025
|
— | Chưa có phiếu bầu | fast | Standard | |
| 28 |
Pocket TTS
Lightweight 100M parameter model by Kyutai with voice cloning from a single sample.
100M
50000h
2025
|
— | Chưa có phiếu bầu | fast | Free | |
| 29 |
Kitten TTS
Ultra-lightweight TTS under 80MB. Runs on CPU without GPU.
80M
2025
|
— | Chưa có phiếu bầu | fast | Free | |
| 30 |
CosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
500M
200000h
2025
|
— | Chưa có phiếu bầu | 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
|
— | Chưa có phiếu bầu | medium | Premium | |
| 32 |
MegaTTS3
ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.
1B
100000h
2025
|
— | Chưa có phiếu bầu | slow | Premium |
Điểm chuẩn chi tiết
Điểm chuẩn chính thức của TTS.ai bao gồm ba chiều: tự nhiên, chính xác và tốc độ.
Kokoro
Free
Tự nhiên
4.8/5
Chính xác
4.7/5
Tốc độ
4.9/5
Tổng thể
4.8/5
CosyVoice 2
Standard
Tự nhiên
4.5/5
Chính xác
4.4/5
Tốc độ
3.8/5
Tổng thể
4.26/5
Chatterbox
Premium
Tự nhiên
4.7/5
Chính xác
4.5/5
Tốc độ
3.4/5
Tổng thể
4.25/5
StyleTTS 2
Premium
Tự nhiên
4.5/5
Chính xác
4.3/5
Tốc độ
3.8/5
Tổng thể
4.23/5
Piper
Free
Tự nhiên
3.5/5
Chính xác
4.2/5
Tốc độ
4.95/5
Tổng thể
4.15/5
MeloTTS
Free
Tự nhiên
3.8/5
Chính xác
4.1/5
Tốc độ
4.6/5
Tổng thể
4.13/5
Dia TTS
Standard
Tự nhiên
4.6/5
Chính xác
4.3/5
Tốc độ
3.2/5
Tổng thể
4.09/5
VITS
Free
Tự nhiên
3.4/5
Chính xác
4.0/5
Tốc độ
4.8/5
Tổng thể
4.0/5
Orpheus
Standard
Tự nhiên
4.3/5
Chính xác
4.1/5
Tốc độ
3.5/5
Tổng thể
4.0/5
OpenVoice
Premium
Tự nhiên
4.0/5
Chính xác
4.1/5
Tốc độ
3.9/5
Tổng thể
4.0/5
IndexTTS-2
Standard
Tự nhiên
4.3/5
Chính xác
4.1/5
Tốc độ
3.2/5
Tổng thể
3.91/5
Spark TTS
Standard
Tự nhiên
4.2/5
Chính xác
4.0/5
Tốc độ
3.4/5
Tổng thể
3.9/5
Parler TTS
Standard
Tự nhiên
4.1/5
Chính xác
3.9/5
Tốc độ
3.4/5
Tổng thể
3.83/5
Tortoise TTS
Premium
Tự nhiên
4.6/5
Chính xác
4.4/5
Tốc độ
1.8/5
Tổng thể
3.7/5
Bark
Standard
Tự nhiên
4.2/5
Chính xác
3.8/5
Tốc độ
2.5/5
Tổng thể
3.57/5
Phương pháp so sánh
Cấu hình thử nghiệm
- Phần cứng: 4x NVIDIA Tesla P40 (24GB VRAM mỗi), tổng cộng 96GB
- Văn bản thử: 5 đoạn văn chuẩn hóa bao gồm các kiểu ngôn ngữ khác nhau (thuyết minh, đối thoại, kỹ thuật, cảm xúc, đa ngôn ngữ)
- Đánh giá: Đo lường tự động (ước tính MOS, WER, RTF) kết hợp với thử nghiệm lắng nghe của con người
- Chạy: Mỗi mẫu được kiểm tra 10 lần mỗi lần, điểm số trung bình
Điểm
- Tự nhiên (40%): Tiếng nói, giọng điệu, nhịp điệu, cảm xúc — nó nghe có giống con người không?
- Độ chính xác (30%): Đúng đắn phát âm, tỷ lệ lỗi từ, hiểu được
- Tốc độ (30%) Hệ số thời gian thực (giây âm thanh / giây tạo ra). Cao hơn = nhanh hơn.
- Tổng thể: Trung bình cân nặng: 0. 4 x Tự nhiên + 0. 3 x Chính xác + 0. 3 x Tốc độ
Ghi chú: Điểm chuẩn phản ánh hiệu suất trên phần cứng và văn bản thử nghiệm cụ thể của chúng tôi. Chất lượng thực có thể khác nhau dựa trên văn bản nhập, ngôn ngữ và lựa chọn giọng nói. Đánh giá cộng đồng cung cấp một tín hiệu bổ sung dựa trên việc sử dụng thực tế đa dạng.
Câu hỏi thường gặp
Chúng tôi có thể cải thiện gì? phản hồi của bạn giúp chúng tôi khắc phục vấn đề.
Tìm giọng nói hoàn hảo của bạn
Thử bất kỳ mô hình nào miễn phí với Kokoro, Piper, VITS, hoặc MeloTTS. Không cần tài khoản.