Kostenlose Audio-KI-Modelle

Zwei Ranglisten offener Modelle, die du kostenlos nutzen kannst: Sprache zu Text (sie schreiben auf, was du sagst) und Text zu Sprache (sie lesen Text laut vor). Die Arena rankt kein Audio, deshalb stammen diese aus zwei anderen öffentlichen Ranglisten, unten genannt.

Bestes Sprache-zu-Text-ModellQwen3 ASR 1.7B4.31 % der Wörter falsch · 2.04 B

Bestes Text-zu-Sprache-ModellkokoroWertung 1211 · 34K Stimmen

Offene Modelle im Ranking9049 Sprache zu Text, 41 Text zu Sprache

Jetzt ausprobieren Neu

Kein Konto, keine Zahlung. 6 Versuche am Tag und Besucher. Es läuft auf Cloudflare Workers AI. Wir speichern weder deine Stimme noch deinen Text. Nimm keine persönlichen Daten auf.

Sprache zu Text

Whisper Large v3 Turbo von OpenAI, Platz 36 im Ranking unten. Sprich bis zu 30 Sekunden, in jeder Sprache.

Datei hochladen

Text zu Sprache

MeloTTS von MyShell, Platz 27 im Ranking unten. Bis zu 300 Zeichen.

Text zu Sprache auf Italienisch, Deutsch und Portugiesisch Neu

Piper-Stimmen (Open Source, MIT-Lizenz) auf unserem kostenlosen Stimmen-Server bei Hugging Face: nichts herunterzuladen, kein Konto. Dein Text wird nicht gespeichert. Wenn der Server ausgelastet ist, kannst du dieselbe Stimme stattdessen in deinem Browser ausführen.

Bis zu 600 Zeichen. Der kostenlose Server wacht nach einer ruhigen Phase auf, der erste Versuch kann daher etwa 30 Sekunden dauern. Im Browser wird die Stimme einmal heruntergeladen (28 bis 64 MB, plus etwa 10 MB für die Engine) und funktioniert am besten auf einem Computer.

Das sind die beiden offenen Audio-Modelle, die Cloudflare kostenlos betreibt; die Spitze der Ranglisten unten ist besser, muss aber auf deinem eigenen Computer oder bei Hugging Face laufen.

Sprache zu Text (Audio hinein)

Qwen3 ASR 1.7B 95.69 Hojo ASR V1 95.67 higgs audio v3 stt 95.61 granite speech 5.0 2b 95.58 canary qwen 2.5b 95.57 ARK ASR 3B 95.53 thewhisper large v3 turbo 95.46 ARK ASR 0.6B 95.44 granite speech 4.1 2b 95.38 MOSS Transcribe Diarize 95.36 cohere transcribe 03 2026 95.33 parakeet tdt 0.6b v2 (fast gpu asr) 95.33

909294

Richtig transkribierte Wörter (%), Englisch, Achse beginnt bei 90. Höher ist besser. Durchschnitt über 8 englische Testsätze, die jedes offene Modell der Liste hat.

Was das zeigt · So liest du es

Was das zeigt. Die 12 offenen Sprache-zu-Text-Modelle mit den wenigsten Fehlern bei englischen Aufnahmen: Meetings, Telefonate, vorgelesene Bücher, Sprache mit Akzent.

So liest du es. Längerer Balken, mehr richtige Wörter. Unterschiede unter einem halben Punkt sind klein; wähle zusätzlich nach Größe und Geschwindigkeit, in der Tabelle unten.

#	Modell	Falsche Wörter	Größe	Sprachen	Geschwindigkeit	Lizenz
1	Qwen3 ASR 1.7B Qwen	4.31%	2.04 B	52	836×	apache-2.0
2	Hojo ASR V1 HojoAI	4.33%	5.18 B	2	73×	apache-2.0
3	higgs audio v3 stt bosonai	4.39%	2.68 B	1	110×	apache-2.0
4	granite speech 5.0 2b ibm-granite	4.42%	2.31 B	6	545×	apache-2.0
5	canary qwen 2.5b nvidia	4.43%	2.5 B	—	882×	cc-by-4.0
6	ARK ASR 3B Edge0	4.47%	3.75 B	19	480×	apache-2.0
7	thewhisper large v3 turbo TheStageAI	4.54%	0.8 B	28	1K×	cc-by-4.0
8	ARK ASR 0.6B Edge0	4.56%	1.15 B	19	673×	apache-2.0
9	granite speech 4.1 2b ibm-granite	4.62%	2 B	6	547×	apache-2.0
10	MOSS Transcribe Diarize OpenMOSS-Team	4.64%	0.91 B	50	387×	apache-2.0
11	cohere transcribe 03 2026 CohereLabs	4.67%	2 B	14	924×	apache-2.0
12	parakeet tdt 0.6b v2 (fast gpu asr) nvidia	4.67%	0.6 B	—	17K×	cc-by-4.0
13	granite speech 4.1 2b nar ibm-granite	4.68%	2 B	5	2K×	apache-2.0
14	parakeet tdt 0.6b v2 nvidia	4.7%	0.6 B	—	6K×	cc-by-4.0
15	parakeet tdt 0.6b v3 (fast gpu asr) nvidia	4.71%	0.6 B	26	14K×	cc-by-4.0
16	granite speech 5.0 470m turboctc nc ibm-granite	4.84%	0.47 B	—	21K×	cc-by-nc-sa-4.0 nicht kommerziell
17	parakeet tdt 0.6b v3 nvidia	4.84%	0.6 B	26	6K×	cc-by-4.0
18	Voxtral Small 24B 2507 mistralai	4.99%	24 B	8	101×	apache-2.0
19	Phi 4 multimodal instruct microsoft	5.02%	6 B	8	163×	mit
20	granite speech 5.0 470m turboctc ibm-granite	5.03%	0.47 B	—	21K×	apache-2.0
21	Qwen3 ASR 0.6B Qwen	5.05%	0.78 B	52	750×	apache-2.0
22	granite 4.0 1b speech ibm-granite	5.1%	2 B	6	667×	apache-2.0
23	Phonon 2 FermionResearch	5.17%	0.6 B	1	2K×	cc-by-4.0
24	nemotron speech streaming en 0.6b nvidia	5.24%	0.62 B	—	1K×	nvidia-open-model-license
25	granite speech 3.3 8b ibm-granite	5.26%	9 B	5	263×	apache-2.0
26	Zipformer cr ctc transducer XL 290M (fast gpu asr, transducer modified beam search) soundsgoodai	5.29%	0.29 B	—	22K×	cc-by-nc-4.0 nicht kommerziell
27	granite speech 3.3 2b ibm-granite	5.36%	3 B	5	509×	apache-2.0
28	distil large v3.5 distil-whisper	5.4%	0.8 B	1	898×	mit
29	Voxtral Mini 3B 2507 mistralai	5.54%	5 B	8	180×	apache-2.0
30	VibeVoice ASR microsoft	5.58%	8 B	50	218×	mit
31	canary 1b v2 nvidia	5.71%	1 B	25	2K×	cc-by-4.0
32	Fun ASR Nano 2512 FunAudioLLM	5.74%	0.83 B	4	506×	apache-2.0
33	whisper large v3 openai	5.78%	2 B	99	471×	apache-2.0
34	parakeet ctc 1.1b nvidia	5.92%	1.1 B	—	5K×	cc-by-4.0
35	owsm ctc v4 1B espnet	6.28%	1 B	75	783×	cc-by-4.0
36	whisper large v3 turbo openai	6.36%	0.8 B	99	811×	mit
37	Zipformer cr ctc transducer XL 290M (fast gpu asr, ctc greedy search) soundsgoodai	6.38%	0.29 B	—	24K×	cc-by-nc-4.0 nicht kommerziell
38	omniASR LLM 7B v2 facebook	6.4%	7.8 B	1676	130×	apache-2.0
39	Voxtral Mini 4B Realtime 2602 mistralai	6.46%	4 B	13	103×	apache-2.0
40	Audio8 ASR 0.1B Edge0	6.95%	0.324 B	7	726×	apache-2.0
41	niagara 84m batch.en abr-ai	7.46%	0.084 B	1	2K×	applied-brain-research-open-license
42	nemotron 3.5 asr streaming 0.6b nvidia	7.88%	0.64 B	40	1K×	OpenMDW-1.1
43	niagara 38m batch.en abr-ai	8.74%	0.038 B	1	5K×	applied-brain-research-open-license
44	omniASR CTC 7B v2 facebook	9.07%	6.5 B	1676	522×	apache-2.0
45	gemma 4 E4B it google	9.51%	7.94 B	140	161×	apache-2.0
46	niagara 19m batch.en abr-ai	10.41%	0.02 B	1	4K×	applied-brain-research-open-license
47	gemma 4 E2B it google	11.65%	—	140	191×	apache-2.0
48	niagara 9m batch.en abr-ai	13.49%	0.009 B	1	7K×	applied-brain-research-open-license
49	gemma 4 12B it google	20.87%	—	140	106×	apache-2.0

Wortfehlerrate: der Anteil der Wörter, die das Modell falsch erkennt, niedriger ist besser; Durchschnitt über 8 englische Testsätze (AMI-Cleaned, Earnings22-Cleaned-AA-chunked, Gigaspeech-Cleaned, LS Clean, LS Other, SPGISpeech, Voice Arena Monsoon, Voxpopuli-AA-Cleaned). Geschwindigkeit: wie viel schneller als Echtzeit auf der GPU des Leaderboards. Quelle: Open ASR Leaderboard (Hugging Face), nur offene Modelle; wir berechnen den Durchschnitt über die Testsätze neu, die alle gemeinsam haben, die Reihenfolge kann also leicht von der Originalseite abweichen.

Text zu Sprache (Audio heraus)

kokoro 1211 Orpheus TTS 1198 Qwen3 TTS Voice Design 1189 Qwen3 TTS 1125 xtts 1114 MOSS TTS 1100 Chatterbox 1099 IndexTTS 1076 MegaTTS3 1072 parler tts 1058 SparkTTS 1052 fish speech 1 1051

100011001200

Wertung aus blinden Stimmen (1000 = Durchschnitt), Achse beginnt bei 950. Höher ist besser. Von uns aus den öffentlichen Stimmen der Arena mit der Bradley-Terry-Methode berechnet, wie die Arena.

Was das zeigt · So liest du es

Was das zeigt. Die 12 offenen Stimmmodelle, die Menschen in blinden Hörtests am häufigsten bevorzugt haben.

So liest du es. Längerer Balken, öfter bevorzugt. 1000 ist die durchschnittliche Stimme; 100 Punkte mehr heißt, dass sie etwa 64 % der Fälle gegen eine durchschnittliche gewinnt.

#	Stimmmodell	Wertung	±	Stimmen	Letzte Stimme
1	kokoro hexgrad/kokoro	1211	±4	34K	20. Okt. 2026
2	Orpheus TTS MohamedRashad/Orpheus-TTS	1198	±5	19K	20. Okt. 2026
3	Qwen3 TTS Voice Design Qwen/Qwen3-TTS-Voice-Design	1189	±16	2K	19. Juni 2026
4	Qwen3 TTS Qwen/Qwen3-TTS	1125	±8	8K	20. Okt. 2026
5	xtts coqui/xtts	1114	±7	11K	20. Feb. 2026
6	MOSS TTS OpenMOSS-Team/MOSS-TTS	1100	±17	2K	20. Okt. 2026
7	Chatterbox ResembleAI/Chatterbox	1099	±10	6K	10. März 2026
8	IndexTTS IndexTeam/IndexTTS	1076	±16	2K	15. Juli 2025
9	MegaTTS3 ByteDance/MegaTTS3	1072	±14	3K	30. Nov. 2025
10	parler tts parler-tts/parler_tts	1058	±7	11K	23. Apr. 2025
11	SparkTTS thunnai/SparkTTS	1052	±15	2K	15. Juli 2025
12	fish speech 1 fishaudio/fish-speech-1	1051	±9	6K	8. Apr. 2025
13	chatterbox turbo ResembleAI/chatterbox-turbo-demo	1051	±7	10K	20. Okt. 2026
14	csm 1b sesame/csm-1b	1050	±18	2K	15. Juli 2025
15	maskgct audio lab Svngoku/maskgct-audio-lab	1042	±12	3K	23. Feb. 2025
16	large parler-tts/parler_tts/large	1041	±13	3K	8. März 2025
17	openaudio s1 mini fishaudio/openaudio-s1-mini	1037	±16	2K	6. Feb. 2026
18	KaniTTS nineninesix/KaniTTS	1036	±29	639	27. Feb. 2026
19	llasa 3b tts srinivasbilla/llasa-3b-tts	1031	±11	4K	20. Feb. 2026
20	Zonos Steveeeeeeen/Zonos	1028	±21	1K	6. Aug. 2025
21	MetaVoice 1B v0.1 mrfakename/MetaVoice-1B-v0.1	1021	±27	706	25. Okt. 2024
22	hybrid Steveeeeeeen/Zonos/hybrid	1015	±18	2K	9. Apr. 2025
23	llasa 8b tts srinivasbilla/llasa-8b-tts	1015	±23	936	23. Feb. 2025
24	E2 F5 TTS mrfakename/E2-F5-TTS	1001	±5	20K	20. Okt. 2026
25	MeloTTS mrfakename/MeloTTS	1000	±8	8K	8. März 2025
26	parler tts expresso parler-tts/parler-tts-expresso	980	±13	3K	9. Feb. 2025
27	GPT SoVITS v2 lj1995/GPT-SoVITS-v2	975	±17	2K	4. Apr. 2025
28	style tts 2 Pendrokar/style-tts-2	974	±14	3K	9. Feb. 2025
29	multi parler tts PHBJT/multi_parler_tts	973	±28	719	15. Juli 2025
30	kanitts 2 en nineninesix/kanitts-2-en	947	±29	680	10. März 2026
31	Llasa 1B finetuned for two speakers HKUST-Audio/Llasa-1B-finetuned-for-two-speakers	930	±25	878	21. März 2025
32	OuteTTS 0.3 1B OuteAI/OuteTTS-0.3-1B-Demo	896	±21	1K	25. Jan. 2025
33	EnglishToucan Flux9665/EnglishToucan	895	±26	814	16. Dez. 2024
34	OpenVoiceV2 myshell-ai/OpenVoiceV2	888	±35	424	25. Okt. 2024
35	OpenVoice myshell-ai/OpenVoice	876	±37	378	6. Okt. 2024
36	xVASynth TTS Pendrokar/xVASynth-TTS	860	±14	3K	15. Feb. 2026
37	HierSpeech TTS LeeSangHoon/HierSpeech_TTS	859	±22	1K	5. Jan. 2025
38	WhisperSpeech collabora/WhisperSpeech	844	±22	1K	15. Nov. 2024
39	NoDeepMoji Pendrokar/xVASynth-TTS/NoDeepMoji	842	±32	659	4. Apr. 2025
40	GPT SoVITS ProPlus lj1995/GPT-SoVITS-ProPlus	840	±12	6K	15. Feb. 2026
41	OuteTTS 0.2 500M ameerazam08/OuteTTS-0.2-500M-Demo	840	±20	2K	25. Jan. 2025

Menschen hören zwei Stimmen, die denselben Text vorlesen, ohne Namen, und wählen die bessere. Quelle: TTS Spaces Arena (Pendrokar), 94K Stimmen für offene Modelle, die auf Hugging Face Spaces laufen; kostenpflichtige Cloud-Stimmen sind ausgenommen. Modelle brauchen 300 Stimmen, um gerankt zu werden. Viele Stimmen stammen aus 2024–2025: „Letzte Stimme“ zeigt, wie aktuell die Stimmen jedes Modells sind.

4 Modelle mit weniger als 300 Stimmen

#	Stimmmodell	Wertung	±	Stimmen	Letzte Stimme
1	parler tts mini parler-tts/parler_tts_mini	1125	±199	20	2. Aug. 2024
2	Pocket TTS NeuralFalcon/Pocket-TTS	1115	±59	142	18. Feb. 2026
3	MassivelyMultilingualTTS Flux9665/MassivelyMultilingualTTS	921	±58	153	25. Okt. 2024
4	Text to Speech amphion/Text-to-Speech	704	±115	43	11. Apr. 2024

Offene Stimmen auf TTS Arena V2

TTS Arena V2 rankt vor allem kostenpflichtige Stimmen; das hier sind die offenen, die es listet, mit seinen eigenen Wertungen (eine andere Skala als in der Tabelle oben). Quelle: TTS Arena V2.

Stimmmodell	TTS Arena V2-Wertung	±	Stimmen	Noch in der Arena
Tontaube V1 (pre-filter-fix)	1608	±205	4	ja
Chatterbox	1476	±20	2K	ja
Kokoro v1.0	1473	±23	1K	ausgeschieden
CosyVoice 2.0	1443	±83	58	ausgeschieden
Maya 1	1406	±36	467	ausgeschieden
Tontaube V1	1392	±99	51	ja
Fluxions Vui	1364	±92	69	ja
Veena	1360	±34	510	ausgeschieden

Über diese Ranglisten

Diese Ranglisten werden von anderen betrieben, nicht von der Arena und nicht von uns. Keine nennt eine Lizenz für die Weiterverwendung ihrer Ergebnisse, deshalb zeigen wir sie mit Quellenangabe und einem Link zum Original. Daten aktualisiert am 20. Okt. 2026. Willst du stattdessen Textmodelle vergleichen? Sieh dir die kostenlose Rangliste an oder stimme in der Free Arena ab.

Diese Seite teilen:X LinkedIn Reddit WhatsApp

Falsche Zahl oder kaputten Link entdeckt? Fehler melden