Tempo de leitura: 5 minutos
Olá, é um prazer inenarrável estar mais uma vez escrevendo este post. A Hugging Face lançou o Open TTS Leaderboard, um ranking aberto criado para comparar modelos de conversão de texto em fala e clonagem de voz com métricas mais rápidas e padronizadas. A novidade chega em um momento curioso: há milhares de modelos disponíveis, mas ainda é difícil descobrir quais realmente entregam boa inteligibilidade, velocidade e preservação da identidade vocal.
O problema não é falta de opções. De acordo com a Hugging Face, o Hub reunia 8.018 modelos de TTS em 30 de setembro de 2026. O desafio é transformar essa quantidade em informação útil. É justamente essa lacuna que o Open TTS Leaderboard tenta preencher.
Por que o Open TTS Leaderboard foi criado
A avaliação de modelos de voz cresceu mais lentamente do que o número de lançamentos. Rankings baseados em preferência humana, como arenas que colocam duas amostras lado a lado para receber votos, continuam importantes porque capturam aspectos difíceis de medir automaticamente, como naturalidade e expressividade.
Por outro lado, esse formato demora para acompanhar novos modelos. Cada comparação depende da participação de pessoas, e os critérios usados pelos avaliadores podem variar ao longo do tempo. Além disso, modelos de código aberto tendem a aparecer menos nesses rankings porque precisam ser hospedados e servidos pela própria arena, enquanto serviços comerciais geralmente podem ser integrados apenas com uma chave de API.
O Open TTS Leaderboard propõe uma camada complementar: usar avaliações objetivas para reduzir o tempo necessário para analisar um modelo de algumas semanas para algumas horas. Isso não elimina a preferência humana, mas ajuda a criar um ponto de partida mais consistente.
Como o Open TTS Leaderboard compara os modelos
O ranking combina diferentes métricas, cada uma voltada para um aspecto específico da experiência de uso. A inteligibilidade é estimada com WER e CER, comparando o texto solicitado com a transcrição do áudio gerado. Para isso, a avaliação utiliza o Qwen3 ASR.
A velocidade é analisada de duas maneiras. O RTFx mede o desempenho da inferência offline em lotes, enquanto o TTFA, ou tempo até o primeiro áudio, indica quanto o usuário precisa esperar antes de começar a ouvir o resultado. Essa segunda medida é especialmente relevante para agentes de voz e aplicações interativas, nas quais alguns segundos de espera podem tornar a conversa desconfortável.
O ranking também calcula a similaridade entre o áudio de referência e a voz produzida. Essa métrica usa embeddings de locutor do WavLM para estimar quanto da identidade vocal foi preservada. É uma forma prática de analisar a clonagem de voz, embora não substitua a avaliação de uma pessoa ouvindo o resultado.
Open TTS Leaderboard amplia a avaliação multilíngue
Uma das escolhas mais importantes do Open TTS Leaderboard é não tratar o desempenho em inglês como representação automática de todos os outros idiomas. O sistema permite alternar entre diferentes línguas e apresenta médias específicas para cada uma.
Na visualização padrão, os modelos são classificados pela média de WER em conjuntos de avaliação em inglês. Também são considerados dados do Seed TTS Eval e do CV3 Eval, incluindo testes de clonagem de voz sem treinamento adicional. Para chinês, japonês e coreano, a plataforma informa CER, já que esses idiomas são mais adequadamente avaliados por caracteres do que por palavras separadas por espaços.
Entre os modelos destacados pela Hugging Face estão Kokoro-82M, Supertonic-3 e Fish S2-pro no desempenho médio em inglês. Em avaliações multilíngues, OmniVoice, Fish S2-pro e Fun-CosyVoice3-0.5B-2512 aparecem entre os modelos de destaque apresentados no ranking. Esses resultados devem ser lidos dentro dos conjuntos de dados e configurações utilizados, não como uma resposta definitiva sobre qual modelo é melhor em qualquer situação.
Clonagem de voz ganha uma comparação própria
Ao ativar a opção de clonagem de voz, o usuário pode filtrar os modelos compatíveis com essa função nos idiomas selecionados. Além do erro de transcrição, a tabela passa a exibir a métrica de similaridade do locutor e gráficos que ajudam a visualizar o equilíbrio entre identidade vocal, velocidade e tamanho do modelo.
Esse tipo de comparação é útil porque a clonagem costuma envolver compromissos. Um modelo pode preservar bem a voz de referência, mas ser lento. Outro pode gerar áudio rapidamente, mas produzir uma voz menos parecida ou cometer mais erros de pronúncia. O ranking não esconde essa troca em uma única nota: ele permite observar diferentes dimensões ao mesmo tempo.
A evolução desse mercado também aparece em soluções comerciais e abertas voltadas a vozes personalizadas. O Planksnet já explicou, por exemplo, como o Gemini 3.8 text-to-speech trabalha com vozes personalizadas e controle de diálogos. A existência de avaliações comparáveis pode ajudar leitores e desenvolvedores a separar demonstrações impressionantes de modelos realmente adequados ao uso cotidiano.
Ouvir os resultados continua sendo indispensável
Os números do Open TTS Leaderboard não contam toda a história. Na aba “Listen”, a Hugging Face permite reproduzir os áudios gerados e comparar modelos diretamente. É possível escolher o idioma, o conjunto de dados, o uso ou não de clonagem e até selecionar modelos específicos.
Essa etapa é importante porque WER, CER, RTFx, TTFA e similaridade de locutor são aproximações. Um áudio pode ser inteligível e rápido, mas soar pouco natural. Também pode preservar a identidade da voz sem transmitir a emoção esperada. A plataforma permite que a comunidade vote nos resultados, e esses dados poderão ser incorporados ao ranking conforme a quantidade de avaliações aumente.
O que muda para quem escolhe um modelo de voz
Na prática, o ranking transforma uma busca que poderia levar horas de testes dispersos em uma triagem mais organizada. Quem precisa de geração offline pode observar o RTFx e o tamanho do modelo. Quem está criando um agente de voz deve prestar atenção ao TTFA. Para aplicações multilíngues, a comparação por idioma é mais relevante do que uma média geral dominada pelo inglês.
Ainda assim, o resultado não deve ser tratado como uma nota universal. A melhor escolha depende do idioma, do hardware, do tipo de voz, da licença do modelo e do equilíbrio entre custo, velocidade e qualidade. O ranking funciona melhor como mapa inicial: ele reduz o espaço de busca, mas a decisão final ainda exige ouvir amostras e testar o cenário real.
Com o Open TTS Leaderboard, a Hugging Face tenta acompanhar a velocidade de lançamento dos modelos sem abandonar a avaliação humana. A proposta combina métricas automáticas, escuta direta e participação da comunidade, com foco especial em modelos abertos e desempenho multilíngue. A plataforma ainda deverá evoluir, inclusive com a publicação dos scripts de avaliação, mas já oferece uma resposta concreta para um problema cada vez maior: como comparar milhares de vozes sem depender apenas de uma demonstração ou de uma lista de popularidade.
