Modelos de IA de áudio grátis

Dois rankings de modelos abertos que você pode usar de graça: fala para texto (escrevem o que você diz) e texto para fala (leem o texto em voz alta). A Arena não classifica áudio, então estes vêm de dois outros rankings públicos, citados abaixo.

Melhor fala para textoQwen3 ASR 1.7B4.31% de palavras erradas · 2.04 B

Melhor texto para falakokoropontuação 1211 · 34K votos

Modelos abertos classificados9049 de fala para texto, 41 de texto para fala

Teste agora Novo

Sem conta, sem pagamento. 6 tentativas por dia por visitante. Roda no Cloudflare Workers AI. Não guardamos a sua voz nem o seu texto. Não grave dados pessoais.

Fala para texto

Whisper Large v3 Turbo da OpenAI, #36 no ranking abaixo. Fale por até 30 segundos, em qualquer idioma.

Enviar um arquivo

Texto para fala

MeloTTS da MyShell, #27 no ranking abaixo. Até 300 caracteres.

Texto para fala em italiano, alemão e português Novo

Vozes Piper (código aberto, licença MIT), no nosso servidor de voz grátis no Hugging Face: nada para baixar, sem conta. O seu texto não é guardado. Se o servidor estiver ocupado, você pode rodar a mesma voz no seu navegador.

Até 600 caracteres. O servidor grátis acorda depois de um período parado, então a primeira tentativa pode levar cerca de 30 segundos. Rodar no navegador baixa a voz uma vez (28 a 64 MB, mais cerca de 10 MB do motor) e funciona melhor em um computador.

Estes dois são os modelos de áudio abertos que a Cloudflare roda de graça; os do topo dos rankings abaixo são melhores, mas precisam rodar no seu computador ou no Hugging Face.

Fala para texto (entrada de áudio)

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

Palavras transcritas corretamente (%), em inglês, o eixo começa em 90. Quanto maior, melhor. Média de 8 conjuntos de teste em inglês que todos os modelos abertos da lista têm.

O que isto mostra · Como ler

O que mostra. Os 12 modelos abertos de fala para texto que cometem menos erros em gravações em inglês: reuniões, ligações, livros lidos, fala com sotaque.

Como ler. Barra mais longa, mais palavras certas. Diferenças abaixo de meio ponto são pequenas; escolha também pelo tamanho e pela velocidade, na tabela abaixo.

#	Modelo	Palavras erradas	Tamanho	Idiomas	Velocidade	Licença
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 não comercial
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 não comercial
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 não comercial
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

Taxa de erro de palavras: a parcela de palavras que o modelo erra, quanto menor, melhor; média de 8 conjuntos de teste em inglês (AMI-Cleaned, Earnings22-Cleaned-AA-chunked, Gigaspeech-Cleaned, LS Clean, LS Other, SPGISpeech, Voice Arena Monsoon, Voxpopuli-AA-Cleaned). Velocidade: quantas vezes mais rápido que o tempo real na GPU do ranking. Fonte: Open ASR Leaderboard (Hugging Face), apenas modelos abertos; recalculamos a média nos conjuntos de teste que todos têm em comum, então a ordem pode diferir um pouco da página original.

Texto para fala (saída de áudio)

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

Pontuação de votos às cegas (1000 = média), o eixo começa em 950. Quanto maior, melhor. Calculada por nós a partir dos votos públicos da arena com o método Bradley-Terry, como a Arena.

O que isto mostra · Como ler

O que mostra. Os 12 modelos de voz abertos que as pessoas mais preferiram em testes de audição às cegas.

Como ler. Barra mais longa, preferido com mais frequência. 1000 é a voz média; 100 pontos a mais significa que ela vence cerca de 64% das vezes contra uma voz média.

#	Modelo de voz	Pontuação	±	Votos	Último voto
1	kokoro hexgrad/kokoro	1211	±4	34K	20 out. 2026
2	Orpheus TTS MohamedRashad/Orpheus-TTS	1198	±5	19K	20 out. 2026
3	Qwen3 TTS Voice Design Qwen/Qwen3-TTS-Voice-Design	1189	±16	2K	19 jun. 2026
4	Qwen3 TTS Qwen/Qwen3-TTS	1125	±8	8K	20 out. 2026
5	xtts coqui/xtts	1114	±7	11K	20 fev. 2026
6	MOSS TTS OpenMOSS-Team/MOSS-TTS	1100	±17	2K	20 out. 2026
7	Chatterbox ResembleAI/Chatterbox	1099	±10	6K	10 mar. 2026
8	IndexTTS IndexTeam/IndexTTS	1076	±16	2K	15 jul. 2025
9	MegaTTS3 ByteDance/MegaTTS3	1072	±14	3K	30 nov. 2025
10	parler tts parler-tts/parler_tts	1058	±7	11K	23 abr. 2025
11	SparkTTS thunnai/SparkTTS	1052	±15	2K	15 jul. 2025
12	fish speech 1 fishaudio/fish-speech-1	1051	±9	6K	8 abr. 2025
13	chatterbox turbo ResembleAI/chatterbox-turbo-demo	1051	±7	10K	20 out. 2026
14	csm 1b sesame/csm-1b	1050	±18	2K	15 jul. 2025
15	maskgct audio lab Svngoku/maskgct-audio-lab	1042	±12	3K	23 fev. 2025
16	large parler-tts/parler_tts/large	1041	±13	3K	8 mar. 2025
17	openaudio s1 mini fishaudio/openaudio-s1-mini	1037	±16	2K	6 fev. 2026
18	KaniTTS nineninesix/KaniTTS	1036	±29	639	27 fev. 2026
19	llasa 3b tts srinivasbilla/llasa-3b-tts	1031	±11	4K	20 fev. 2026
20	Zonos Steveeeeeeen/Zonos	1028	±21	1K	6 ago. 2025
21	MetaVoice 1B v0.1 mrfakename/MetaVoice-1B-v0.1	1021	±27	706	25 out. 2024
22	hybrid Steveeeeeeen/Zonos/hybrid	1015	±18	2K	9 abr. 2025
23	llasa 8b tts srinivasbilla/llasa-8b-tts	1015	±23	936	23 fev. 2025
24	E2 F5 TTS mrfakename/E2-F5-TTS	1001	±5	20K	20 out. 2026
25	MeloTTS mrfakename/MeloTTS	1000	±8	8K	8 mar. 2025
26	parler tts expresso parler-tts/parler-tts-expresso	980	±13	3K	9 fev. 2025
27	GPT SoVITS v2 lj1995/GPT-SoVITS-v2	975	±17	2K	4 abr. 2025
28	style tts 2 Pendrokar/style-tts-2	974	±14	3K	9 fev. 2025
29	multi parler tts PHBJT/multi_parler_tts	973	±28	719	15 jul. 2025
30	kanitts 2 en nineninesix/kanitts-2-en	947	±29	680	10 mar. 2026
31	Llasa 1B finetuned for two speakers HKUST-Audio/Llasa-1B-finetuned-for-two-speakers	930	±25	878	21 mar. 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 out. 2024
35	OpenVoice myshell-ai/OpenVoice	876	±37	378	6 out. 2024
36	xVASynth TTS Pendrokar/xVASynth-TTS	860	±14	3K	15 fev. 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 abr. 2025
40	GPT SoVITS ProPlus lj1995/GPT-SoVITS-ProPlus	840	±12	6K	15 fev. 2026
41	OuteTTS 0.2 500M ameerazam08/OuteTTS-0.2-500M-Demo	840	±20	2K	25 jan. 2025

As pessoas ouvem duas vozes lendo o mesmo texto, sem nomes, e escolhem a melhor. Fonte: TTS Spaces Arena (Pendrokar), 94K votos em modelos abertos rodando em Hugging Face Spaces; as vozes pagas na nuvem ficam de fora. Os modelos precisam de 300 votos para entrar no ranking. Muitos votos são de 2024–2025: “último voto” mostra quão recentes são os votos de cada modelo.

4 modelos com menos de 300 votos

#	Modelo de voz	Pontuação	±	Votos	Último voto
1	parler tts mini parler-tts/parler_tts_mini	1125	±199	20	2 ago. 2024
2	Pocket TTS NeuralFalcon/Pocket-TTS	1115	±59	142	18 fev. 2026
3	MassivelyMultilingualTTS Flux9665/MassivelyMultilingualTTS	921	±58	153	25 out. 2024
4	Text to Speech amphion/Text-to-Speech	704	±115	43	11 abr. 2024

Vozes abertas no TTS Arena V2

O TTS Arena V2 classifica sobretudo vozes pagas; estas são as abertas que ele lista, com as pontuações dele (uma escala diferente da tabela acima). Fonte: TTS Arena V2.

Modelo de voz	Pontuação do TTS Arena V2	±	Votos	Ainda na arena
Tontaube V1 (pre-filter-fix)	1608	±205	4	sim
Chatterbox	1476	±20	2K	sim
Kokoro v1.0	1473	±23	1K	aposentado
CosyVoice 2.0	1443	±83	58	aposentado
Maya 1	1406	±36	467	aposentado
Tontaube V1	1392	±99	51	sim
Fluxions Vui	1364	±92	69	sim
Veena	1360	±34	510	aposentado

Sobre estes rankings

Estes rankings são mantidos por terceiros, não pela Arena nem por nós. Nenhum deles declara uma licença para reutilizar os resultados, então os mostramos com crédito e um link para o original. Dados atualizados em 20 out. 2026. Quer comparar modelos de texto? Veja o ranking dos grátis ou vote na Free Arena.

Compartilhe esta página:X LinkedIn Reddit WhatsApp

Viu um número errado ou um link quebrado? Informe um erro