無料の音声AIモデル

無料で使えるオープンモデルの2つのランキング：音声認識（話した内容を文字にします）と音声合成（テキストを読み上げます）。Arenaは音声をランキングしないため、これらは下記の別の2つの公開ランキングによるものです。

最高の音声認識Qwen3 ASR 1.7B誤り単語4.31% · 2.04 B

最高の音声合成kokoroスコア 1211 · 34K票

ランキング入りのオープンモデル90音声認識49件、音声合成41件

今すぐ試す新着

アカウントも支払いも不要です。訪問者1人につき1日6回まで試せます。Cloudflare Workers AIで動いています。音声やテキストは保存しません。個人情報は録音しないでください。

音声認識

OpenAI の Whisper Large v3 Turbo。下のランキングで36位。最大30秒、どの言語でも話せます。

ファイルをアップロード

音声合成

MyShell の MeloTTS。下のランキングで27位。最大300文字。

イタリア語、ドイツ語、ポルトガル語の音声合成新着

Piper の声（オープンソース、MITライセンス）を、Hugging Face 上の当サイトの無料音声サーバーで提供：ダウンロード不要、アカウント不要。テキストは保存されません。サーバーが混み合っている場合は、同じ声をブラウザー内で実行できます。

最大600文字。無料サーバーは使われない時間が続くとスリープするため、最初の1回は約30秒かかることがあります。ブラウザーで実行すると、声のデータを1回だけダウンロードし（28～64 MB、エンジン分として約10 MB）、パソコンでの利用に向いています。

この2つは、Cloudflareが無料で動かしているオープンな音声モデルです。下のランキング上位のほうが高品質ですが、自分のパソコンか Hugging Face で動かす必要があります。

音声認識（音声入力）

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

正しく書き起こされた単語の割合（%）、英語、軸は90から開始。高いほど優れています。リスト内のすべてのオープンモデルが共通して持つ英語テストセット8件の平均です。

この表の内容 · 見方

表示内容。会議、電話、本の朗読、なまりのある話し方など、英語の録音で間違いが最も少ない、オープンな音声認識モデル12件です。

見方。バーが長いほど、正しい単語が多いことを示します。差が0.5ポイント未満なら小さな違いです。下の表で、サイズや速度も見て選んでください。

#	モデル	誤り単語	サイズ	対応言語	速度	ライセンス
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 非商用
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 非商用
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 非商用
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

単語誤り率：モデルが間違えた単語の割合で、低いほど優れています。英語のテストセット8件（AMI-Cleaned、Earnings22-Cleaned-AA-chunked、Gigaspeech-Cleaned、LS Clean、LS Other、SPGISpeech、Voice Arena Monsoon、Voxpopuli-AA-Cleaned）の平均です。速度：リーダーボードのGPUでリアルタイムの何倍速いか。出典：Open ASR Leaderboard（Hugging Face）、オープンモデルのみ。すべてのモデルが共通して持つテストセットで平均を再計算しているため、元のページと順番がわずかに異なることがあります。

音声合成（音声出力）

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

匿名投票によるスコア（1000 = 平均）、軸は950から開始。高いほど優れています。Arenaと同じく、Arenaの公開投票から Bradley-Terry 法で当サイトが算出しました。

この表の内容 · 見方

表示内容。匿名の聞き比べテストで、人々が最も好んだオープンな音声モデル12件です。

見方。バーが長いほど、好まれる頻度が高いことを示します。1000が平均的な声で、100ポイント高いと、平均的な声に対して約64%の確率で勝ちます。

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

名前を伏せた2つの声が同じテキストを読み上げるのを聞いて、良いほうを選びます。出典：TTS Spaces Arena（Pendrokar）。Hugging Face Spaces 上で動くオープンモデルへの94K票で、有料のクラウド音声は含みません。ランキング入りにはモデルごとに300票が必要です。票の多くは2024～2025年のものです。「最終投票」で、各モデルの票がどれくらい新しいかがわかります。

投票が300件未満のモデル4件

#	音声モデル	スコア	±	投票数	最終投票
1	parler tts mini parler-tts/parler_tts_mini	1125	±199	20	2024年8月2日
2	Pocket TTS NeuralFalcon/Pocket-TTS	1115	±59	142	2026年2月18日
3	MassivelyMultilingualTTS Flux9665/MassivelyMultilingualTTS	921	±58	153	2024年10月25日
4	Text to Speech amphion/Text-to-Speech	704	±115	43	2024年4月11日

TTS Arena V2のオープンな声

TTS Arena V2のランキングは有料の声が中心です。ここでは、そのうちオープンなものを、独自のスコア（上の表とは尺度が異なります）とともに掲載しています。出典：TTS Arena V2。

音声モデル	TTS Arena V2のスコア	±	投票数	まだアリーナに参加中
Tontaube V1 (pre-filter-fix)	1609	±205	4	はい
Chatterbox	1477	±22	2K	はい
Kokoro v1.0	1474	±28	1K	終了
CosyVoice 2.0	1445	±86	58	終了
Maya 1	1408	±37	467	終了
Tontaube V1	1383	±96	56	はい
Veena	1361	±34	510	終了
Fluxions Vui	1344	±90	75	はい

これらのランキングについて

これらのランキングは他の団体が運営しており、Arenaでも当サイトでもありません。いずれも結果の再利用に関するライセンスを明示していないため、出典を明記し、元ページへのリンクつきで掲載しています。データ更新日：2026年10月21日。テキストモデルを比べたい場合は、無料ランキングをご覧になるか、Free Arenaで投票してください。

このページを共有：X LinkedIn Reddit WhatsApp

数字の誤りやリンク切れを見つけましたか？間違いを報告