Modelos de IA de audio gratis

Voz a texto (entrada de audio)

Palabras transcritas correctamente (%), en inglés; el eje empieza en 90. Cuanto más alto, mejor. Media de 8 conjuntos de prueba en inglés que tienen todos los modelos abiertos de la lista.

Tasa de error de palabras: el porcentaje de palabras que el modelo falla; cuanto más baja, mejor; media de 8 conjuntos de prueba en inglés (AMI-Cleaned, Earnings22-Cleaned-AA-chunked, Gigaspeech-Cleaned, LS Clean, LS Other, SPGISpeech, Voice Arena Monsoon, Voxpopuli-AA-Cleaned). Velocidad: cuántas veces más rápido que el tiempo real en la GPU de la clasificación. Fuente: Open ASR Leaderboard (Hugging Face), solo modelos abiertos; recalculamos la media con los conjuntos de prueba que comparten todos, así que el orden puede diferir un poco de la página original.

Texto a voz (salida de audio)

Puntuación de votos a ciegas (1000 = media); el eje empieza en 950. Cuanto más alto, mejor. Calculada por nosotros a partir de los votos públicos de la arena con el método Bradley-Terry, como Arena.

La gente oye dos voces leyendo el mismo texto, sin nombres, y elige la mejor. Fuente: TTS Spaces Arena (Pendrokar), 94K votos sobre modelos abiertos que funcionan en Hugging Face Spaces; las voces de pago en la nube quedan fuera. Los modelos necesitan 300 votos para entrar en la clasificación. Muchos votos son de 2024–2025: «último voto» indica lo recientes que son los votos de cada modelo.

Voces abiertas en TTS Arena V2

TTS Arena V2 clasifica sobre todo voces de pago; estas son las abiertas que incluye, con sus propias puntuaciones (en una escala distinta a la de la tabla de arriba). Fuente: TTS Arena V2.

Sobre estas clasificaciones

Estas clasificaciones las mantienen terceros, no Arena ni nosotros. Ninguna indica una licencia para reutilizar sus resultados, así que las mostramos con su crédito y un enlace al original. Datos actualizados el 20 oct 2026. ¿Prefieres comparar modelos de texto? Mira la clasificación gratuita o vota en Free Arena.