Modèles d'IA audio gratuits

Deux classements de modèles ouverts utilisables gratuitement : la reconnaissance vocale (ils écrivent ce que vous dites) et la synthèse vocale (ils lisent un texte à voix haute). Arena ne classe pas l'audio ; ces classements viennent donc de deux autres classements publics, cités ci-dessous.

Meilleure reconnaissance vocaleQwen3 ASR 1.7B4.31 % de mots erronés · 2.04 B

Meilleure synthèse vocalekokoroscore 1211 · 34K votes

Modèles ouverts classés9049 de reconnaissance vocale, 41 de synthèse vocale

Essayer maintenant Nouveau

Sans compte, sans paiement. 6 essais par jour et par visiteur. Il tourne sur Cloudflare Workers AI. Nous ne conservons ni votre voix ni votre texte. N'enregistrez pas de données personnelles.

Reconnaissance vocale

Whisper Large v3 Turbo d'OpenAI, n°36 du classement ci-dessous. Parlez jusqu'à 30 secondes, dans n'importe quelle langue.

Importer un fichier

Synthèse vocale

MeloTTS de MyShell, n°27 du classement ci-dessous. Jusqu'à 300 caractères.

Synthèse vocale en italien, allemand et portugais Nouveau

Voix Piper (open source, licence MIT), sur notre serveur de voix gratuit sur Hugging Face : rien à télécharger, pas de compte. Votre texte n'est pas conservé. Si le serveur est occupé, vous pouvez faire tourner la même voix dans votre navigateur.

Jusqu'à 600 caractères. Le serveur gratuit se réveille après une période d'inactivité, le premier essai peut donc prendre environ 30 secondes. Le lancer dans votre navigateur télécharge la voix une fois (28 à 64 MB, plus environ 10 MB pour le moteur) et fonctionne mieux sur un ordinateur.

Ce sont les deux modèles audio ouverts que Cloudflare fait tourner gratuitement ; le haut des classements ci-dessous est meilleur, mais doit tourner sur votre propre ordinateur ou sur Hugging Face.

Reconnaissance vocale (audio en entrée)

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

Mots transcrits correctement (%), anglais, l'axe commence à 90. Plus haut = mieux. Moyenne sur 8 jeux de test en anglais que possèdent tous les modèles ouverts de la liste.

Ce que cela montre · Comment le lire

Ce que cela montre. Les 12 modèles ouverts de reconnaissance vocale qui font le moins d'erreurs sur des enregistrements en anglais : réunions, appels téléphoniques, livres lus, voix avec accent.

Comment le lire. Barre plus longue, plus de mots corrects. Les écarts de moins d'un demi-point sont faibles ; choisissez aussi selon la taille et la vitesse, dans le tableau ci-dessous.

#	Modèle	Mots erronés	Taille	Langues	Vitesse	Licence
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 non commercial
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 non commercial
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 non commercial
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

Taux d'erreur de mots : la part de mots que le modèle se trompe à transcrire, plus c'est bas mieux c'est ; moyenne sur 8 jeux de test en anglais (AMI-Cleaned, Earnings22-Cleaned-AA-chunked, Gigaspeech-Cleaned, LS Clean, LS Other, SPGISpeech, Voice Arena Monsoon, Voxpopuli-AA-Cleaned). Vitesse : combien de fois plus rapide que le temps réel sur le GPU du classement. Source : Open ASR Leaderboard (Hugging Face), modèles ouverts uniquement ; nous recalculons la moyenne sur les jeux de test que tous partagent, l'ordre peut donc différer légèrement de la page d'origine.

Synthèse vocale (audio en sortie)

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

Score issu de votes à l'aveugle (1000 = moyenne), l'axe commence à 950. Plus haut = mieux. Calculé par nos soins à partir des votes publics de l'arène avec la méthode de Bradley-Terry, comme Arena.

Ce que cela montre · Comment le lire

Ce que cela montre. Les 12 modèles vocaux ouverts que les gens ont préférés lors de tests d'écoute à l'aveugle.

Comment le lire. Barre plus longue, préféré plus souvent. 1000 est la voix moyenne ; 100 points de plus signifie qu'elle l'emporte environ 64 % du temps face à une voix moyenne.

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

Les gens écoutent deux voix lisant le même texte, sans noms, et choisissent la meilleure. Source : TTS Spaces Arena (Pendrokar), 94K votes sur des modèles ouverts tournant sur Hugging Face Spaces ; les voix cloud payantes sont exclues. Un modèle a besoin de 300 votes pour être classé. Beaucoup de votes datent de 2024–2025 : « dernier vote » montre l'ancienneté des votes de chaque modèle.

4 modèles avec moins de 300 votes

#	Modèle vocal	Score	±	Votes	Dernier vote
1	parler tts mini parler-tts/parler_tts_mini	1125	±199	20	2 août 2024
2	Pocket TTS NeuralFalcon/Pocket-TTS	1115	±59	142	18 févr. 2026
3	MassivelyMultilingualTTS Flux9665/MassivelyMultilingualTTS	921	±58	153	25 oct. 2024
4	Text to Speech amphion/Text-to-Speech	704	±115	43	11 avr. 2024

Voix ouvertes sur TTS Arena V2

TTS Arena V2 classe surtout des voix payantes ; voici les voix ouvertes qu'il répertorie, avec ses propres scores (une échelle différente de celle du tableau ci-dessus). Source : TTS Arena V2.

Modèle vocal	score TTS Arena V2	±	Votes	Toujours dans l'arène
Tontaube V1 (pre-filter-fix)	1608	±205	4	oui
Chatterbox	1476	±20	2K	oui
Kokoro v1.0	1473	±23	1K	retiré
CosyVoice 2.0	1443	±83	58	retiré
Maya 1	1406	±36	467	retiré
Tontaube V1	1392	±99	51	oui
Fluxions Vui	1364	±92	69	oui
Veena	1360	±34	510	retiré

À propos de ces classements

Ces classements sont tenus par d'autres, pas par Arena ni par nous. Aucun n'indique de licence pour réutiliser ses résultats ; nous les présentons donc avec mention de la source et un lien vers l'original. Données mises à jour le 20 oct. 2026. Vous préférez comparer des modèles de texte ? Consultez le classement gratuit ou votez dans Free Arena.

Partager cette page :X LinkedIn Reddit WhatsApp

Un chiffre erroné ou un lien cassé ? Signalez une erreur