Text-to-Speech
Convert text to natural-sounding speech
Modelos de texto a voz para apps de voz, audiolibros e IVR
Los modelos de texto a voz (TTS) convierten texto escrito en audio hablado con sonido natural. La categoría cubre desde una locución plana de IVR hasta narración expresiva para audiolibros o agentes conversacionales en tiempo real que sostienen una llamada telefónica. Recurres a un modelo TTS cuando quieres darle voz al software — para accesibilidad, producción de contenido a escala o IA conversacional.
27 models available
ElevenLabs Multilingual V2
ElevenLabs' most natural-sounding TTS model. Supports 29 languages with emotional range.
AudioCraft
Meta's AudioCraft framework wrapping MusicGen, AudioGen and EnCodec. Unified text-to-audio research toolkit for music and sound effects.
AudioLDM 2
Latent-diffusion model for general-purpose text-to-audio. Generates speech, music, and sound effects with a unified prior.
Cartesia Sonic
Cartesia's ultra-low-latency TTS (~90ms TTFB). State-space model with voice cloning support.
Edge TTS
Microsoft Edge neural voices accessed via the open-source edge-tts wrapper. 400+ voices across 100+ locales, suitable for batch generation.
ElevenLabs v3 (alpha)
ElevenLabs' v3 alpha TTS. Most expressive voice model with audio tags and laughter, higher latency.
F5-TTS
Open-source flow-matching TTS with strong zero-shot voice cloning. Code MIT, weights CC-BY-NC.
Kokoro TTS 82M
Open-weights 82M-parameter TTS. Punches above its size class on naturalness benchmarks at a fraction of the inference cost of larger models.
MAGNeT MusicGen
Meta MAGNeT non-autoregressive music generator. Up to 7x faster than MusicGen with comparable quality via masked generative transformers.
MusicGen Large
Meta's 3.3B-parameter MusicGen Large. Text-conditioned music generation with single-stage autoregressive transformer, supports melody conditioning.
MusicGen Medium
Meta MusicGen Medium (1.5B params). Strong quality-to-speed tradeoff for text-to-music with optional melody guidance.
MusicGen Small
Meta MusicGen Small (300M params). Fast text-to-music generation suitable for prototyping and low-latency demos.
OpenAI TTS-1
OpenAI's text-to-speech model. Six built-in voices with natural intonation.
OpenAI TTS-1 HD
OpenAI's high-definition TTS model. Better quality for production use cases.
OpenVoice v1
MyShell OpenVoice v1. Cross-lingual voice cloning with flexible style control: emotion, accent, rhythm, pauses, and intonation.
OpenVoice v2
MyShell OpenVoice v2. Multilingual zero-shot voice cloning with accurate tone-color reproduction and style/emotion control.
Parler-TTS
Hugging Face Parler-TTS Mini. Lightweight TTS conditioned on a natural-language style description for fine-grained control over voice characteristics.
Parler-TTS Large
Parler-TTS Large v1. 2.2B parameters, natural-language style prompting and improved prosody over the Mini variant.
PlayHT 2.0
PlayHT's 2.0 generative voice model. Multi-lingual expressive speech synthesis with sub-second latency and high-fidelity voice cloning.
Riffusion
Stable-Diffusion-based real-time music generator. Operates on spectrogram images then resynthesizes audio, enables seamless transitions and looping.
RVC Voice Conversion
Retrieval-based Voice Conversion. Converts a source recording into a target speaker's voice, preserving pitch, prosody and rhythm.
Spark TTS
Spark efficient TTS with disentangled control over speaker, content and style. Strong cross-lingual zero-shot performance.
Stable Audio 2
Stability AI's Stable Audio 2.0. Text-to-music up to 3 minutes of full-length, structured tracks at 44.1 kHz.
StyleTTS 2
Style-based TTS using diffusion and adversarial training. Human-level naturalness in zero-shot voice synthesis from a 3-5s reference clip.
Suno Bark
Suno's text-prompted generative audio model. Speech, music, ambient sound and effects with non-verbal cues like laughter or sighs.
Tortoise TTS
Multi-voice expressive TTS. Slow but high-quality with strong prosody and natural intonation. Trained for long-form narration use cases.
XTTS v2
Coqui's XTTS v2 multilingual TTS with voice cloning from 6 seconds of reference audio. Supports 17 languages and emotion transfer.
Top text-to-speech picks
Hand-picked across four common criteria — resolved against the live catalog so the picks track price and performance changes.
ElevenLabs' most natural-sounding TTS model. Supports 29 languages with emotional range.
Learn moreCartesia's ultra-low-latency TTS (~90ms TTFB). State-space model with voice cloning support.
Learn moreElevenLabs' most natural-sounding TTS model. Supports 29 languages with emotional range.
Learn moreOpenAI's text-to-speech model. Six built-in voices with natural intonation.
Learn moreLa tarificación es casi siempre por carácter o por mil caracteres. Las voces neuronales punteras (ElevenLabs V3, Cartesia Sonic, OpenAI TTS-HD) cuestan unos 0,15-0,30 € por mil caracteres; los niveles económicos tiran por debajo de 0,02 € por mil. Un capítulo corto típico de audiolibro (3 000 palabras, unos 18 000 caracteres) cuesta 0,30 € a 5,00 € según el nivel que elijas. Algunos proveedores también cobran por clonación de voz — una tarifa única para configurar una voz personalizada más la tarifa estándar por carácter en el momento de síntesis.
El triángulo de compromiso es naturalidad, latencia y coste. Las voces punteras son casi indistinguibles de narración humana pero típicamente tienen una latencia de primer byte de 200-600 ms, lo cual está bien para síntesis por lotes pero se siente lento en chat en tiempo real. El TTS streaming (Cartesia, OpenAI Realtime, ElevenLabs Turbo) mantiene la latencia de primer byte por debajo de 100 ms emitiendo audio en cuanto se decodifica el primer fonema. Los niveles económicos corren a velocidad puntero pero con artefactos robóticos audibles en frases largas.
Cuidado con el control prosódico: incluso los mejores modelos ocasionalmente acentúan mal un nombre propio, pronuncian mal un acrónimo o pierden la intención emocional en frases largas. Usa etiquetas SSML (donde se admitan) o divide pasajes largos en chunks más cortos con límites de frase explícitos. Para contenido multilingüe, verifica la pronunciación en cada par de idiomas antes de lanzar — algunas voces hablan inglés impecable y alemán con marcado acento.
Las selecciones principales arriba cubren la voz más natural, el caballo de batalla más barato, el modelo de entrada más larga y la opción streaming más rápida.
Popular use cases
Common patterns built with text-to-speech on Railwail.
Related comparisons
Side-by-side reviews of the most-compared models in this category.
Frequently asked questions
Start Building with AI
Access all models through a single API. Get free credits when you sign up — no credit card required.