Guias sobre modelos de voz com IA de código aberto e populares, e como testar capacidades comparáveis na Echora.
O Qwen3-TTS (Qwen-TTS) é o TTS open source da Alibaba com latência de 97ms, clonagem de voz com 3 segundos de áudio e criação de voz a partir de texto, compatível com 10 idiomas e disponível para testar grátis.
O IndexTTS 2 é o primeiro TTS autorregressivo com controle de duração em nível de milissegundos e separação entre emoção e timbre, criado especificamente para sincronizar dublagens audiovisuais.
O IndexTTS é um TTS open source da Bilibili com correção de pronúncia por pinyin e controle de pausas por pontuação, superando XTTS e F5-TTS em precisão.
O CosyVoice3 cobre 9 idiomas e mais de 18 dialetos chineses, adiciona inpainting de pronúncia e supera modelos maiores como o F5-TTS em benchmarks de precisão de clonagem.
CosyVoice2 transmite fala com 150ms de latência até o primeiro pacote, reduz erros de pronúncia em 30–50% em relação ao CosyVoice e adiciona controle de emoção e sotaque por instruções.
CosyVoice é o TTS open source da Alibaba FunAudioLLM que usa tokens semânticos supervisionados para clonagem de voz zero-shot em 5 idiomas, com apenas 300M de parâmetros.
Kokoro-82M é um modelo TTS sob licença Apache-2.0, com 54 vozes em 8 idiomas, que roda rápido em CPU sem precisar de GPU. Gratuito, open source e fácil de hospedar por conta própria.
O Chatterbox Multilingual clona uma voz com 5–10 s de áudio e fala em 23 idiomas, mantendo sotaque e timbre consistentes. Código aberto e licença MIT.
O Chatterbox Turbo destila a geração TTS de 10 etapas para 1 e reduz a latência para menos de 150 ms em agentes de voz em tempo real. Rápido, de código aberto e com licença MIT.
O Chatterbox é o modelo TTS de código aberto da Resemble AI com clonagem de voz zero-shot, controle de emoção e marca d'água integrada. Veja como ele se compara ao ElevenLabs.
O Dia2 é a evolução com streaming do Dia TTS, desenvolvida pela Nari Labs: gera diálogos com múltiplos falantes em tempo real e mantém uma voz consistente para cada um enquanto recebe o texto. Veja como funciona.
O Dia 1.6B, modelo de voz de código aberto da Nari Labs, gera diálogos com múltiplos falantes, emoção real, risadas e suspiros em uma única geração. Experimente grátis online.
