Tabla de clasificación de la Arena de voz del proveedorArtificial Analysis
Compara modelos de texto a voz (TTS) usando las voces nativas de cada proveedor.
Rango | Modelo | Elo | Muestras | Voces de la Arena | Lanzamiento | Precio de API 1 | |
|---|---|---|---|---|---|---|---|
| 1 | 1-2 |  Eleven v4 Turbo | 1330±18Intervalo del 95%: 1312 a 1348 | 1,783 | Sept 2026 | 40,0 US$ /1 M de caracteres | |
| 2 | 1-2 | Eleven v4 | 1326±17Intervalo del 95%: 1309 a 1343 | 2,070 | Sept 2026 | 80,0 US$ /1 M de caracteres | |
| 3 | 3-4 |  Qwen-Audio-3.1-TTS-Plus | 1298±17Intervalo del 95%: 1281 a 1315 | 1,673 | Sept 2026 | 19,3 US$ /1 M de caracteres | |
| 4 | 3-5 |  Sonic 3.6 | 1286±15Intervalo del 95%: 1271 a 1301 | 2,455 | Aug 2026 | 49,0 US$ /1 M de caracteres | |
| 5 | 4-7 |  Gemini 3.8 Flash TTS | 1274±15Intervalo del 95%: 1259 a 1289 | 2,695 | Sept 2026 | 16,5 US$ /1 M de caracteres | |
| 6 | 5-7 | Qwen-Audio-3.0-TTS-Plus | 1267±15Intervalo del 95%: 1252 a 1282 | 2,141 | Sept 2026 | 19,3 US$ /1 M de caracteres | |
| 7 | 5-8 |  Realtime TTS-2 | 1260±16Intervalo del 95%: 1244 a 1276 | 1,902 | Aug 2026 | 20,8 US$ /1 M de caracteres | |
| 8 | 7-9 | Gemini 3.8 Flash-Lite TTS | 1246±14Intervalo del 95%: 1232 a 1260 | 2,678 | Sept 2026 | 11,0 US$ /1 M de caracteres | |
| 9 | 8-9 |  Simba 3.2 | 1244±13Intervalo del 95%: 1231 a 1257 | 3,043 | Jul 2026 | 6,6 US$ /1 M de caracteres | |
| 10 | 10-15 |  Breeze TTS 2  | 1223±15Intervalo del 95%: 1208 a 1238 | 1,992 | Aug 2026 | 34,0 US$ /1 M de caracteres | |
| 11 | 10-15 | Realtime TTS-2 Flash | 1219±14Intervalo del 95%: 1205 a 1233 | 2,335 | Aug 2026 | 10,4 US$ /1 M de caracteres | |
| 12 | 10-15 |  Luna TTS | 1218±12Intervalo del 95%: 1206 a 1230 | 3,219 | Jun 2026 | 15,0 US$ /1 M de caracteres | |
| 13 | 10-15 | Gemini 3.1 Flash TTS | 1214±11Intervalo del 95%: 1203 a 1225 | 4,014 | Apr 2026 | 18,3 US$ /1 M de caracteres | |
| 14 | 10-15 |  StepAudio 2.5 TTS (Aug 2026) | 1213±15Intervalo del 95%: 1198 a 1228 | 1,885 | Aug 2026 | 85,0 US$ /1 M de caracteres | |
| 15 | 10-15 | v3 Conversational | 1210±14Intervalo del 95%: 1196 a 1224 | 2,441 | Aug 2026 | 50,0 US$ /1 M de caracteres | |
| 16 | 16 | Sonic 3.5 | 1193±12Intervalo del 95%: 1181 a 1205 | 3,520 | May 2026 | 49,0 US$ /1 M de caracteres | |
| 17 | 17-21 |  Soniox TTS Real-Time v2 | 1180±11Intervalo del 95%: 1169 a 1191 | 5,110 | Aug 2026 | 14,2 US$ /1 M de caracteres | |
| 18 | 17-21 | Eleven v3 | 1177±11Intervalo del 95%: 1166 a 1188 | 4,807 | Feb 2026 | 100,0 US$ /1 M de caracteres | |
| 19 | 17-21 |  Speech 2.8 HD | 1174±11Intervalo del 95%: 1163 a 1185 | 4,894 | Feb 2026 | 100,0 US$ /1 M de caracteres | |
| 20 | 17-21 |  Gradium TTS (Sep 2026) | 1173±14Intervalo del 95%: 1159 a 1187 | 1,872 | Sept 2026 | 47,8 US$ /1 M de caracteres | |
| 21 | 17-21 |  Lightning V3.1 Pro (Jul 2026) | 1172±13Intervalo del 95%: 1159 a 1185 | 2,460 | Jul 2026 | 19,5 US$ /1 M de caracteres | |
| 22 | 22-26 |  Falcon 2 | 1155±13Intervalo del 95%: 1142 a 1168 | 2,177 | Jul 2026 | 10,0 US$ /1 M de caracteres | |
| 23 | 22-26 | Gradium TTS (Aug 2026) | 1153±13Intervalo del 95%: 1140 a 1166 | 2,121 | Aug 2026 | 47,2 US$ /1 M de caracteres | |
| 24 | 22-26 | Speech 2.8 Turbo | 1153±11Intervalo del 95%: 1142 a 1164 | 4,719 | Feb 2026 | 60,0 US$ /1 M de caracteres | |
| 25 | 22-29 |  SpaceXAI TTS | 1145±14Intervalo del 95%: 1131 a 1159 | 1,580 | Mar 2026 | 15,0 US$ /1 M de caracteres | |
| 26 | 23-29 |  Fish Audio S2.1 Pro | 1143±12Intervalo del 95%: 1131 a 1155 | 2,570 | Jun 2026 | 15,0 US$ /1 M de caracteres | |
| 27 | 25-30 | Step TTS 2 (Mar 2026) | 1139±12Intervalo del 95%: 1127 a 1151 | 2,557 | Feb 2026 | 40,0 US$ /1 M de caracteres | |
| 28 | 25-30 |  Async Flash v1.5 | 1138±12Intervalo del 95%: 1126 a 1150 | 2,423 | May 2026 | 10,1 US$ /1 M de caracteres | |
| 29 | 25-33 |  Azure HD 2.5 | 1134±12Intervalo del 95%: 1122 a 1146 | 2,739 | Mar 2026 | 22,0 US$ /1 M de caracteres | |
| 30 | 27-33 | Speech 2.6 HD | 1129±11Intervalo del 95%: 1118 a 1140 | 4,087 | Oct 2025 | 100,0 US$ /1 M de caracteres | |
| 31 | 29-35 | Async Pro v1.0 | 1125±12Intervalo del 95%: 1113 a 1137 | 2,315 | May 2026 | 20,2 US$ /1 M de caracteres | |
| 32 | 29-35 | Simba 3.0 | 1125±12Intervalo del 95%: 1113 a 1137 | 2,775 | Feb 2026 | 6,6 US$ /1 M de caracteres | |
| 33 | 29-35 | Speech 2.6 Turbo | 1124±11Intervalo del 95%: 1113 a 1135 | 4,404 | Oct 2025 | 60,0 US$ /1 M de caracteres | |
| 34 | 31-36 | Fish Audio S2 Pro | 1116±12Intervalo del 95%: 1104 a 1128 | 2,521 | Mar 2026 | 15,0 US$ /1 M de caracteres | |
| 35 | 33-37 | Speech-02-HD | 1113±11Intervalo del 95%: 1102 a 1124 | 4,484 | Mar 2025 | 100,0 US$ /1 M de caracteres | |
| 36 | 34-41 |  TTS-1 HD | 1106±11Intervalo del 95%: 1095 a 1117 | 3,661 | Nov 2023 | 30,0 US$ /1 M de caracteres | |
| 37 | 35-41 |  Chatterbox HD | 1104±12Intervalo del 95%: 1092 a 1116 | 2,516 | — | May 2025 | 40,0 US$ /1 M de caracteres |
| 38 | 36-44 |  Speech 2.6 | 1100±13Intervalo del 95%: 1087 a 1113 | 2,242 | Jul 2026 | N/D | |
| 39 | 36-43 | Turbo v2.5 | 1100±10Intervalo del 95%: 1090 a 1110 | 6,922 | Jul 2024 | 50,0 US$ /1 M de caracteres | |
| 40 | 36-44 | Step Audio EditX (Mar 2026) | 1098±12Intervalo del 95%: 1086 a 1110 | 2,166 | Feb 2026 | N/D | |
| 41 | 36-44 | Multilingual v2 | 1096±10Intervalo del 95%: 1086 a 1106 | 7,360 | Aug 2023 | 100,0 US$ /1 M de caracteres | |
| 42 | 38-47 | Speech-02-Turbo | 1091±11Intervalo del 95%: 1080 a 1102 | 3,858 | Mar 2025 | 60,0 US$ /1 M de caracteres | |
| 43 | 38-47 | TTS-1 | 1090±11Intervalo del 95%: 1079 a 1101 | 6,184 | Nov 2023 | 15,0 US$ /1 M de caracteres | |
| 44 | 38-49 |  Voxtral TTS | 1088±12Intervalo del 95%: 1076 a 1100 | 2,253 | Mar 2026 | 16,0 US$ /1 M de caracteres | |
| 45 | 41-50 | Gemini 2.5 Flash Lite TTS | 1085±12Intervalo del 95%: 1073 a 1097 | 3,200 | Dec 2025 | 9,2 US$ /1 M de caracteres | |
| 46 | 42-50 | OpenAudio S1 | 1083±11Intervalo del 95%: 1072 a 1094 | 4,545 | Jun 2025 | 15,0 US$ /1 M de caracteres | |
| 47 | 42-50 | Studio | 1081±11Intervalo del 95%: 1070 a 1092 | 4,494 | Feb 2023 | 160,0 US$ /1 M de caracteres | |
| 48 | 42-52 | GPT-Realtime-2 | 1079±13Intervalo del 95%: 1066 a 1092 | 2,139 | May 2026 | 191,6 US$ /1 M de caracteres | |
| 49 | 44-51 | Flash v2.5 | 1078±11Intervalo del 95%: 1067 a 1089 | 5,738 | Dec 2024 | 50,0 US$ /1 M de caracteres | |
| 50 | 45-55 | Journey | 1075±13Intervalo del 95%: 1062 a 1088 | 2,277 | Dec 2023 | 160,0 US$ /1 M de caracteres | |
| 51 | 48-59 | T2A-01-HD | 1068±11Intervalo del 95%: 1057 a 1079 | 4,988 | Jan 2025 | 50,0 US$ /1 M de caracteres | |
| 52 | 48-60 |  Maya 2 Flash | 1067±13Intervalo del 95%: 1054 a 1080 | 2,001 | Jul 2026 | N/D | |
| 53 | 50-60 |  Polly Generative | 1066±12Intervalo del 95%: 1054 a 1078 | 3,774 | May 2024 | 30,0 US$ /1 M de caracteres | |
| 54 | 50-62 |  Magpie-Multilingual 357M (Feb 2026) | 1063±12Intervalo del 95%: 1051 a 1075 | 2,160 | Feb 2026 | N/D | |
| 55 | 51-61 |  Kokoro 82M v1.0 | 1063±11Intervalo del 95%: 1052 a 1074 | 5,356 | Jan 2025 | 0,7 US$ /1 M de caracteres | |
| 56 | 51-63 | Chirp 3: HD | 1060±12Intervalo del 95%: 1048 a 1072 | 3,372 | Mar 2025 | 30,0 US$ /1 M de caracteres | |
| 57 | 51-63 | Gemini 2.5 Flash TTS (Dec 2025) | 1060±12Intervalo del 95%: 1048 a 1072 | 2,898 | Dec 2025 | 9,2 US$ /1 M de caracteres | |
| 58 | 51-63 | Sonic 3 | 1060±12Intervalo del 95%: 1048 a 1072 | 3,509 | Oct 2025 | 49,0 US$ /1 M de caracteres | |
| 59 | 51-63 |  Coda | 1059±12Intervalo del 95%: 1047 a 1071 | 2,335 | May 2026 | 50,0 US$ /1 M de caracteres | |
| 60 | 51-66 |  MiMo-V2.5-TTS | 1056±13Intervalo del 95%: 1043 a 1069 | 2,008 | - | N/D | |
| 61 | 52-67 |  Flux TTS | 1053±14Intervalo del 95%: 1039 a 1067 | 2,057 | Aug 2026 | 45,0 US$ /1 M de caracteres | |
| 62 | 54-67 |  Octave 2 | 1052±12Intervalo del 95%: 1040 a 1064 | 3,120 | Oct 2025 | 87,5 US$ /1 M de caracteres | |
| 63 | 56-67 | Async Flash v1.0 | 1050±11Intervalo del 95%: 1039 a 1061 | 4,031 | Jul 2025 | 10,1 US$ /1 M de caracteres | |
| 64 | 60-70 | Maya1 | 1047±12Intervalo del 95%: 1035 a 1059 | 3,286 | Jun 2025 | N/D | |
| 65 | 59-72 | Maya 2 Global | 1046±14Intervalo del 95%: 1032 a 1060 | 1,880 | Jul 2026 | N/D | |
| 66 | 54-76 | OpenAudio S1 Mini | 1045±20Intervalo del 95%: 1025 a 1065 | 1,682 | Jun 2025 | 15,0 US$ /1 M de caracteres | |
| 67 | 62-73 | Octave TTS | 1041±11Intervalo del 95%: 1030 a 1052 | 4,682 | Feb 2025 | 87,5 US$ /1 M de caracteres | |
| 68 | 63-75 |  Higgs Audio V3 TTS | 1038±13Intervalo del 95%: 1025 a 1051 | 2,118 | Jun 2026 | 15,0 US$ /1 M de caracteres | |
| 69 | 64-77 |  Bland Speech v3 | 1037±13Intervalo del 95%: 1024 a 1050 | 2,403 | Aug 2026 | 40,0 US$ /1 M de caracteres | |
| 70 | 61-77 | Azure Neural | 1036±19Intervalo del 95%: 1017 a 1055 | 1,158 | Sept 2018 | 15,0 US$ /1 M de caracteres | |
| 71 | 65-77 | Gemini 2.5 Pro (Dec 2025) | 1033±13Intervalo del 95%: 1020 a 1046 | 2,456 | Dec 2025 | 18,3 US$ /1 M de caracteres | |
| 72 | 66-77 | MAI-Voice-1 | 1033±12Intervalo del 95%: 1021 a 1045 | 2,283 | Apr 2026 | N/D | |
| 73 | 67-77 | Polly Long-Form | 1030±13Intervalo del 95%: 1017 a 1043 | 1,952 | Nov 2023 | 100,0 US$ /1 M de caracteres | |
| 74 | 68-77 | T2A-01-Turbo | 1029±11Intervalo del 95%: 1018 a 1040 | 4,957 | Jan 2025 | 30,0 US$ /1 M de caracteres | |
| 75 | 69-77 | Chatterbox  | 1027±11Intervalo del 95%: 1016 a 1038 | 4,678 | May 2025 | 25,0 US$ /1 M de caracteres | |
| 76 | 69-77 | Lightning v3.1 | 1025±13Intervalo del 95%: 1012 a 1038 | 2,238 | Mar 2026 | 25,0 US$ /1 M de caracteres | |
| 77 | 69-77 | MiMo-V2-TTS | 1024±13Intervalo del 95%: 1011 a 1037 | 1,826 | Mar 2026 | N/D | |
| 78 | 78-79 |  Raon SpeechLM | 1004±13Intervalo del 95%: 991 a 1017 | 2,135 | Apr 2026 | N/D | |
| 79 | 79 |  Zonos-v0.1 | 1000AnclaFijado en 1000 como punto de referencia de la escala Elo de esta clasificación. | 4,854 | Feb 2025 | 20,0 US$ /1 M de caracteres | |
| 80 | 80 | Murf Speech Gen 2 | 986±12Intervalo del 95%: 974 a 998 | 4,997 | Jul 2024 | 100,0 US$ /1 M de caracteres | |
| 81 | 81-82 | VibeVoice 1.5B | 957±14Intervalo del 95%: 943 a 971 | 2,126 | Aug 2025 | N/D | |
| 82 | 81-83 |  OpenVoice v2 | 955±13Intervalo del 95%: 942 a 968 | 3,018 | — | Apr 2024 | 8,3 US$ /1 M de caracteres |
| 83 | 82-86 | Qwen3 TTS Flash | 943±14Intervalo del 95%: 929 a 957 | 2,164 | Sept 2025 | 11,0 US$ /1 M de caracteres | |
| 84 | 82-86 |  Neuphonic TTS | 942±14Intervalo del 95%: 928 a 956 | 2,418 | Oct 2024 | 20,8 US$ /1 M de caracteres | |
| 85 | 83-86 |  Kugel 3 | 935±13Intervalo del 95%: 922 a 948 | 4,265 | Jun 2026 | N/D | |
| 86 | 83-86 | Qwen3 TTS | 932±13Intervalo del 95%: 919 a 945 | 2,987 | Jan 2026 | 13,8 US$ /1 M de caracteres | |
| 87 | 87-89 | WaveNet | 918±12Intervalo del 95%: 906 a 930 | 6,303 | Sept 2016 | 4,0 US$ /1 M de caracteres | |
| 88 | 87-89 |  XTTS v2 | 916±15Intervalo del 95%: 901 a 931 | 2,596 | — | Nov 2023 | 40,4 US$ /1 M de caracteres |
| 89 | 87-92 | Mist V2 | 908±15Intervalo del 95%: 893 a 923 | 2,927 | Mar 2025 | 31,1 US$ /1 M de caracteres | |
| 90 | 89-93 | Polly Neural | 896±14Intervalo del 95%: 882 a 910 | 2,876 | Jul 2019 | 16,0 US$ /1 M de caracteres | |
| 91 | 90-93 | Neural2 | 895±12Intervalo del 95%: 883 a 907 | 6,581 | Jun 2022 | 16,0 US$ /1 M de caracteres | |
| 92 | 89-93 |  StyleTTS 2 | 895±15Intervalo del 95%: 880 a 910 | 2,557 | — | Jun 2023 | 2,8 US$ /1 M de caracteres |
| 93 | 90-94 | Standard | 888±12Intervalo del 95%: 876 a 900 | 6,642 | Aug 2018 | 4,0 US$ /1 M de caracteres | |
| 94 | 93-94 |  Noiz TTS | 879±15Intervalo del 95%: 864 a 894 | 2,235 | Nov 2025 | N/D | |
| 95 | 95-96 |  MetaVoice v1 | 848±18Intervalo del 95%: 830 a 866 | 1,550 | — | Feb 2024 | N/D |
| 96 | 96 | Polly Standard | 832±16Intervalo del 95%: 816 a 848 | 3,492 | Nov 2016 | 4,0 US$ /1 M de caracteres |
1 El precio de API refleja el costo de generar 1M de caracteres en la API del creador del modelo con la configuración predeterminada del modelo
2 Pesos abiertos incluye modelos que pueden autoalojarse mediante pesos descargables o un entorno de inferencia proporcionado por el proveedor. Pesos abiertos comerciales incluye modelos cuya licencia publicada permite el uso comercial, incluso sujeto a condiciones de la licencia (p. ej., una suscripción a NVIDIA AI Enterprise), y excluye los modelos que requieren un acuerdo comercial negociado por separado.
Preguntas frecuentes
Los mejores modelos de texto a voz por puntaje Elo son: 1. Eleven v4 Turbo (Elo 1330), 2. Eleven v4 (Elo 1326), 3. Qwen-Audio-3.1-TTS-Plus (Elo 1298), 4. Sonic 3.6 (Elo 1286) y 5. Gemini 3.8 Flash TTS (Elo 1274). Los rankings se basan en votos a ciegas de usuarios en la Arena de voz.
Kokoro 82M v1.0 es el más asequible a $0.65 por 1M de caracteres, con un puntaje Elo de 1063. Otras opciones asequibles incluyen StyleTTS 2 a $2.82 por 1M de caracteres.
Los 5 mejores modelos de texto a voz de pesos abiertos son: 1. Breeze TTS 2 (Elo 1223), 2. Fish Audio S2 Pro (Elo 1116), 3. Step Audio EditX (Mar 2026) (Elo 1098), 4. Voxtral TTS (Elo 1088) y 5. Magpie-Multilingual 357M (Feb 2026) (Elo 1063).