Text-to-Speech-Bestenliste – Top-KI-Sprachmodelle

Artificial Analysis

Speech Arena Provider-Voice-Bestenliste Controlled-Voice-Bestenliste Stimmen erkunden Modelle vergleichen Anbieter vergleichen

Bestenliste der Arena für AnbieterstimmenArtificial Analysis

Vergleichen Sie Text-to-Speech-Modelle (TTS) mit den eigenen nativen Stimmen jedes Anbieters.

	Bereich	Modell	Elo	Stichproben	Arena-Stimmen	Veröffentlicht	Preise ¹
1	1-2	Eleven v4 Turbo	1336±1695%-Intervall 1320 bis 1352	2,277		Sept 2026	40,0 $ /1 Mio. Zeichen
2	1-2	Eleven v4	1334±1595%-Intervall 1319 bis 1349	2,553		Sept 2026	80,0 $ /1 Mio. Zeichen
3	3-4	Qwen-Audio-3.1-TTS-Plus	1305±1595%-Intervall 1290 bis 1320	2,281		Sept 2026	19,3 $ /1 Mio. Zeichen
4	3-5	Sonic 3.6	1296±1395%-Intervall 1283 bis 1309	3,126		Aug 2026	49,0 $ /1 Mio. Zeichen
5	4-6	Gemini 3.8 Flash TTS	1283±1395%-Intervall 1270 bis 1296	3,394		Sept 2026	16,5 $ /1 Mio. Zeichen
6	4-9	Fish Audio Drama 3	1278±1895%-Intervall 1260 bis 1296	1,512		Oct 2026	15,0 $ /1 Mio. Zeichen
7	6-10	Qwen-Audio-3.0-TTS-Plus	1269±1395%-Intervall 1256 bis 1282	2,794		Sept 2026	19,3 $ /1 Mio. Zeichen
8	6-10	Realtime TTS-2	1267±1495%-Intervall 1253 bis 1281	2,527		Aug 2026	20,8 $ /1 Mio. Zeichen
9	6-10	Lightning V3.1 Pro (Oct 2026)	1266±1695%-Intervall 1250 bis 1282	1,813		Oct 2026	19,5 $ /1 Mio. Zeichen
10	7-11	Gemini 3.8 Flash-Lite TTS	1259±1395%-Intervall 1246 bis 1272	3,382		Sept 2026	11,0 $ /1 Mio. Zeichen
11	10-12	Simba 3.2	1249±1295%-Intervall 1237 bis 1261	3,760		Jul 2026	6,6 $ /1 Mio. Zeichen
12	11-14	Fish Audio Drama 3 Preview	1240±1495%-Intervall 1226 bis 1254	2,544		Oct 2026	15,0 $ /1 Mio. Zeichen
13	12-16	Breeze TTS 2	1228±1395%-Intervall 1215 bis 1241	2,650		Aug 2026	34,0 $ /1 Mio. Zeichen
14	12-19	AssemblyAI-TTS-1	1227±1695%-Intervall 1211 bis 1243	1,632		Oct 2026	15,0 $ /1 Mio. Zeichen
15	13-19	Voxtral 3 TTS	1223±1495%-Intervall 1209 bis 1237	2,008		Oct 2026	13,0 $ /1 Mio. Zeichen
16	13-19	Realtime TTS-2 Flash	1217±1295%-Intervall 1205 bis 1229	2,993		Aug 2026	10,4 $ /1 Mio. Zeichen
17	15-20	v3 Conversational	1215±1295%-Intervall 1203 bis 1227	3,145		Aug 2026	50,0 $ /1 Mio. Zeichen
18	14-20	StepAudio 2.5 TTS (Aug 2026)	1214±1395%-Intervall 1201 bis 1227	2,598		Aug 2026	85,0 $ /1 Mio. Zeichen
19	15-20	Gemini 3.1 Flash TTS	1212±1195%-Intervall 1201 bis 1223	4,586		Apr 2026	18,3 $ /1 Mio. Zeichen
20	17-20	Luna TTS	1205±1195%-Intervall 1194 bis 1216	3,862		Jun 2026	15,0 $ /1 Mio. Zeichen
21	21-24	Sonic 3.5	1194±1195%-Intervall 1183 bis 1205	4,125		May 2026	49,0 $ /1 Mio. Zeichen
22	21-25	Fish Audio S2.1 Pro (Oct 2026)	1188±1395%-Intervall 1175 bis 1201	2,411		Oct 2026	15,0 $ /1 Mio. Zeichen
23	21-25	Eleven v3	1188±1095%-Intervall 1178 bis 1198	5,388		Feb 2026	100,0 $ /1 Mio. Zeichen
24	21-27	Ming-3.0-tts	1187±1395%-Intervall 1174 bis 1200	2,418		Oct 2026	k. A.
25	22-27	Soniox TTS Real-Time v2	1182±1095%-Intervall 1172 bis 1192	5,747		Aug 2026	14,2 $ /1 Mio. Zeichen
26	24-27	Gradium TTS (Sep 2026)	1175±1395%-Intervall 1162 bis 1188	2,534		Sept 2026	47,8 $ /1 Mio. Zeichen
27	25-27	Speech 2.8 HD	1174±1095%-Intervall 1164 bis 1184	5,515		Feb 2026	100,0 $ /1 Mio. Zeichen
28	28-32	SpaceXAI TTS	1157±1395%-Intervall 1144 bis 1170	2,156		Mar 2026	15,0 $ /1 Mio. Zeichen
29	28-32	Falcon 2	1156±1295%-Intervall 1144 bis 1168	2,764		Jul 2026	10,0 $ /1 Mio. Zeichen
30	28-32	Gradium TTS (Aug 2026)	1154±1295%-Intervall 1142 bis 1166	2,773		Aug 2026	47,2 $ /1 Mio. Zeichen
31	28-32	Speech 2.8 Turbo	1153±1095%-Intervall 1143 bis 1163	5,266		Feb 2026	60,0 $ /1 Mio. Zeichen
32	30-34	Azure HD 2.5	1145±1195%-Intervall 1134 bis 1156	3,238		Mar 2026	22,0 $ /1 Mio. Zeichen
33	32-34	Async Flash v1.5	1141±1195%-Intervall 1130 bis 1152	2,937		May 2026	10,1 $ /1 Mio. Zeichen
34	32-36	Step TTS 2 (Mar 2026)	1137±1195%-Intervall 1126 bis 1148	3,025		Feb 2026	40,0 $ /1 Mio. Zeichen
35	33-37	Async Pro v1.0	1129±1295%-Intervall 1117 bis 1141	2,792		May 2026	20,2 $ /1 Mio. Zeichen
36	34-38	Speech 2.6 HD	1127±1195%-Intervall 1116 bis 1138	4,512		Oct 2025	100,0 $ /1 Mio. Zeichen
37	35-38	Speech 2.6 Turbo	1122±1095%-Intervall 1112 bis 1132	4,760		Oct 2025	60,0 $ /1 Mio. Zeichen
38	36-42	Simba 3.0	1117±1195%-Intervall 1106 bis 1128	3,237		Feb 2026	6,6 $ /1 Mio. Zeichen
39	37-43	Chatterbox HD	1110±1295%-Intervall 1098 bis 1122	2,835	—	May 2025	40,0 $ /1 Mio. Zeichen
40	38-43	Fish Audio S2 Pro	1109±1195%-Intervall 1098 bis 1120	2,874		Mar 2026	15,0 $ /1 Mio. Zeichen
41	38-43	Speech-02-HD	1108±1195%-Intervall 1097 bis 1119	4,817		Mar 2025	100,0 $ /1 Mio. Zeichen
42	38-45	TTS-1 HD	1106±1195%-Intervall 1095 bis 1117	3,949		Nov 2023	30,0 $ /1 Mio. Zeichen
43	39-49	Step Audio EditX (Mar 2026)	1099±1295%-Intervall 1087 bis 1111	2,498		Feb 2026	k. A.
44	41-51	Speech 2.6	1096±1295%-Intervall 1084 bis 1108	2,679		Jul 2026	k. A.
45	43-51	Turbo v2.5	1095±1095%-Intervall 1085 bis 1105	7,189		Jul 2024	50,0 $ /1 Mio. Zeichen
46	43-51	Multilingual v2	1093±1095%-Intervall 1083 bis 1103	7,633		Aug 2023	100,0 $ /1 Mio. Zeichen
47	43-51	Speech-02-Turbo	1091±1195%-Intervall 1080 bis 1102	4,142		Mar 2025	60,0 $ /1 Mio. Zeichen
48	43-51	Voxtral TTS	1090±1295%-Intervall 1078 bis 1102	2,604		Mar 2026	16,0 $ /1 Mio. Zeichen
49	44-51	TTS-1	1089±1095%-Intervall 1079 bis 1099	6,431		Nov 2023	15,0 $ /1 Mio. Zeichen
50	44-52	OpenAudio S1	1087±1195%-Intervall 1076 bis 1098	4,775		Jun 2025	15,0 $ /1 Mio. Zeichen
51	44-52	Gemini 2.5 Flash Lite TTS	1085±1195%-Intervall 1074 bis 1096	3,447		Dec 2025	9,2 $ /1 Mio. Zeichen
52	51-58	Flash v2.5	1077±1095%-Intervall 1067 bis 1087	5,952		Dec 2024	50,0 $ /1 Mio. Zeichen
53	51-59	Journey	1074±1295%-Intervall 1062 bis 1086	2,442		Dec 2023	160,0 $ /1 Mio. Zeichen
54	52-62	GPT-Realtime-2	1073±1295%-Intervall 1061 bis 1085	2,439		May 2026	191,6 $ /1 Mio. Zeichen
55	52-62	Studio	1073±1195%-Intervall 1062 bis 1084	4,710		Feb 2023	160,0 $ /1 Mio. Zeichen
56	52-62	T2A-01-HD	1072±1195%-Intervall 1061 bis 1083	5,179		Jan 2025	50,0 $ /1 Mio. Zeichen
57	52-64	Gemini 2.5 Flash TTS (Dec 2025)	1068±1295%-Intervall 1056 bis 1080	3,046		Dec 2025	9,2 $ /1 Mio. Zeichen
58	52-64	Magpie-Multilingual 357M (Feb 2026)	1067±1295%-Intervall 1055 bis 1079	2,390		Feb 2026	k. A.
59	54-67	Polly Generative	1063±1195%-Intervall 1052 bis 1074	3,914		May 2024	30,0 $ /1 Mio. Zeichen
60	53-67	Maya 2 Flash	1062±1395%-Intervall 1049 bis 1075	2,290		Jul 2026	k. A.
61	54-67	Chirp 3: HD	1062±1195%-Intervall 1051 bis 1073	3,533		Mar 2025	30,0 $ /1 Mio. Zeichen
62	55-67	Kokoro 82M v1.0	1062±1195%-Intervall 1051 bis 1073	5,539		Jan 2025	0,7 $ /1 Mio. Zeichen
63	57-69	Octave 2	1060±1295%-Intervall 1048 bis 1072	3,296		Oct 2025	87,5 $ /1 Mio. Zeichen
64	58-70	Sonic 3	1056±1195%-Intervall 1045 bis 1067	3,647		Oct 2025	49,0 $ /1 Mio. Zeichen
65	59-71	MiMo-V2.5-TTS	1055±1295%-Intervall 1043 bis 1067	2,219		-	k. A.
66	59-72	Coda	1054±1295%-Intervall 1042 bis 1066	2,574		May 2026	50,0 $ /1 Mio. Zeichen
67	59-73	Flux TTS	1052±1395%-Intervall 1039 bis 1065	2,337		Aug 2026	45,0 $ /1 Mio. Zeichen
68	64-74	Async Flash v1.0	1048±1195%-Intervall 1037 bis 1059	4,158		Jul 2025	10,1 $ /1 Mio. Zeichen
69	63-75	Maya 2 Global	1048±1395%-Intervall 1035 bis 1061	2,099		Jul 2026	k. A.
70	64-75	Maya1	1046±1295%-Intervall 1034 bis 1058	3,412		Jun 2025	k. A.
71	59-80	OpenAudio S1 Mini	1044±2095%-Intervall 1024 bis 1064	1,682		Jun 2025	15,0 $ /1 Mio. Zeichen
72	66-77	Gemini 2.5 Pro (Dec 2025)	1042±1295%-Intervall 1030 bis 1054	2,540		Dec 2025	18,3 $ /1 Mio. Zeichen
73	68-77	Octave TTS	1040±1195%-Intervall 1029 bis 1051	4,784		Feb 2025	87,5 $ /1 Mio. Zeichen
74	68-79	Higgs Audio V3 TTS	1039±1395%-Intervall 1026 bis 1052	2,302		Jun 2026	15,0 $ /1 Mio. Zeichen
75	70-80	Bland Speech v3	1035±1295%-Intervall 1023 bis 1047	2,650		Aug 2026	40,0 $ /1 Mio. Zeichen
76	67-81	Azure Neural	1033±2095%-Intervall 1013 bis 1053	1,156		Sept 2018	15,0 $ /1 Mio. Zeichen
77	72-81	MAI-Voice-1	1030±1295%-Intervall 1018 bis 1042	2,416		Apr 2026	k. A.
78	74-81	T2A-01-Turbo	1028±1195%-Intervall 1017 bis 1039	5,063		Jan 2025	30,0 $ /1 Mio. Zeichen
79	73-81	Polly Long-Form	1027±1395%-Intervall 1014 bis 1040	2,028		Nov 2023	100,0 $ /1 Mio. Zeichen
80	76-81	Chatterbox	1024±1195%-Intervall 1013 bis 1035	4,779		May 2025	25,0 $ /1 Mio. Zeichen
81	76-81	Lightning v3.1	1022±1295%-Intervall 1010 bis 1034	2,426		Mar 2026	25,0 $ /1 Mio. Zeichen
82	82-83	Raon SpeechLM	1007±1395%-Intervall 994 bis 1020	2,304		Apr 2026	k. A.
83	83	Zonos-v0.1	1000AnkerAuf 1000 fixiert als Bezugspunkt für die Elo-Skala dieser Bestenliste.	4,916		Feb 2025	20,0 $ /1 Mio. Zeichen
84	84	Murf Speech Gen 2	986±1295%-Intervall 974 bis 998	5,063		Jul 2024	100,0 $ /1 Mio. Zeichen
85	85-86	OpenVoice v2	956±1395%-Intervall 943 bis 969	3,112	—	Apr 2024	8,3 $ /1 Mio. Zeichen
86	85-88	VibeVoice 1.5B	955±1495%-Intervall 941 bis 969	2,187		Aug 2025	k. A.
87	86-89	Neuphonic TTS	941±1495%-Intervall 927 bis 955	2,515		Oct 2024	20,8 $ /1 Mio. Zeichen
88	86-89	Qwen3 TTS Flash	941±1495%-Intervall 927 bis 955	2,233		Sept 2025	11,0 $ /1 Mio. Zeichen
89	87-91	Qwen3 TTS	929±1395%-Intervall 916 bis 942	3,175		Jan 2026	13,8 $ /1 Mio. Zeichen
90	89-92	Kugel 3	925±1395%-Intervall 912 bis 938	4,477		Jun 2026	k. A.
91	89-92	WaveNet	919±1295%-Intervall 907 bis 931	6,420		Sept 2016	4,0 $ /1 Mio. Zeichen
92	89-93	XTTS v2	915±1595%-Intervall 900 bis 930	2,735	—	Nov 2023	40,4 $ /1 Mio. Zeichen
93	92-96	Mist V2	903±1595%-Intervall 888 bis 918	3,079		Mar 2025	31,1 $ /1 Mio. Zeichen
94	93-97	Polly Neural	895±1495%-Intervall 881 bis 909	2,995		Jul 2019	16,0 $ /1 Mio. Zeichen
95	93-97	Neural2	894±1295%-Intervall 882 bis 906	6,704		Jun 2022	16,0 $ /1 Mio. Zeichen
96	93-97	StyleTTS 2	891±1595%-Intervall 876 bis 906	2,707	—	Jun 2023	2,8 $ /1 Mio. Zeichen
97	94-97	Standard	888±1295%-Intervall 876 bis 900	6,787		Aug 2018	4,0 $ /1 Mio. Zeichen
98	98	Noiz TTS	869±1595%-Intervall 854 bis 884	2,466		Nov 2025	k. A.
99	99-100	MetaVoice v1	847±1895%-Intervall 829 bis 865	1,672	—	Feb 2024	k. A.
100	99-100	Polly Standard	832±1595%-Intervall 817 bis 847	3,608		Nov 2016	4,0 $ /1 Mio. Zeichen

¹ API-Preise spiegeln die Kosten wider, 1M Zeichen über die API des Modellerstellers mit den Standardeinstellungen des Modells zu erzeugen

² Offene Gewichte umfasst Modelle, die mit herunterladbaren Modellgewichten oder einer vom Anbieter bereitgestellten Inferenzlaufzeit selbst gehostet werden können. Offene Gewichte (kommerziell) umfasst Modelle, deren veröffentlichte Lizenz eine kommerzielle Nutzung erlaubt, auch unter Lizenzbedingungen (z. B. mit einem NVIDIA AI Enterprise-Abonnement), und schließt Modelle aus, die eine separat auszuhandelnde kommerzielle Vereinbarung erfordern.

Häufig gestellte Fragen

Eleven v4 Turbo führt derzeit die Text-to-Speech-Arena mit einem Elo-Wert von 1336 an.

Die besten Text-to-Speech-Modelle nach Elo-Bewertung sind: 1. Eleven v4 Turbo (Elo 1336), 2. Eleven v4 (Elo 1334), 3. Qwen-Audio-3.1-TTS-Plus (Elo 1305), 4. Sonic 3.6 (Elo 1296) und 5. Gemini 3.8 Flash TTS (Elo 1283). Die Rankings basieren auf blinden Nutzerstimmen in der Speech Arena.

Modelle werden mit einem Elo-Bewertungssystem bewertet, das aus Nutzerstimmen in Blindvergleichen in der Speech Arena abgeleitet wird. Nutzer hören Paare von Sprachproben, die aus demselben Text erzeugt wurden, und wählen, welche natürlicher klingt. Höhere Elo-Werte bedeuten, dass ein Modell von Hörern häufiger bevorzugt wird. In der Speech Arena abstimmen

Kokoro 82M v1.0 ist mit $0.65 pro 1M Zeichen das günstigste und hat einen Elo-Wert von 1062. Weitere günstige Optionen sind StyleTTS 2 mit $2.82 pro 1M Zeichen.

Fish Audio Drama 3 ist das höchstplatzierte Modell mit offenen Gewichten in der Text-to-Speech-Bestenliste mit einem Elo-Wert von 1278. Unter insgesamt 100 Modellen gibt es 19 Modelle mit offenen Gewichten.

Die Top 5 Text-to-Speech-Modelle mit offenen Gewichten sind: 1. Fish Audio Drama 3 (Elo 1278), 2. Fish Audio Drama 3 Preview (Elo 1240), 3. Breeze TTS 2 (Elo 1228), 4. Ming-3.0-tts (Elo 1187) und 5. Fish Audio S2 Pro (Elo 1109).

Sie können nach den folgenden Kategorien filtern: Knowledge Sharing, Assistants, Entertainment und Customer Service und nach den folgenden Akzenten: US und UK.

Bestenliste der Arena für AnbieterstimmenArtificial Analysis

Häufig gestellte Fragen

Welches ist das beste KI-Text-to-Speech-Modell?

Was sind die besten Text-to-Speech-Modelle?

Wie werden Text-to-Speech-Modelle in dieser Bestenliste bewertet?

Welches Text-to-Speech-Modell ist am günstigsten?

Welches ist das beste Text-to-Speech-Modell mit offenen Gewichten?

Was sind die Top 5 Text-to-Speech-Modelle mit offenen Gewichten?

Nach welchen Kategorien und Akzenten kann ich filtern?