La sintesi vocale open source è diventata buona. Un modello da 82 milioni di parametri ora ottiene un punteggio a pochi punti dalle voci generative di Amazon Polly nei test di ascolto alla cieca, e si scarica gratis. Il problema sta nella parola “aperto”. Tre dei tredici modelli della tabella hanno pesi che non puoi usare in nulla che vendi, un quarto ti chiede di non farlo, e diversi modelli popolari che non sono in tabella hanno lo stesso problema.
Per questo la guida ordina i modelli TTS open source prima per licenza e poi per qualità. È pensata per sviluppatori che devono scegliere cosa mettere in un’app, in un dispositivo o in un agente vocale. Se stai costruendo qualcosa per te, ignora la colonna della licenza e scegli quello che suona meglio.
La risposta breve
| Modello | Chi lo sviluppa | Licenza dei pesi | Uso commerciale | Lingue | Punteggio Artificial Analysis |
|---|---|---|---|---|---|
| Kokoro 82M | hexgrad | Apache 2.0 | Sì | 8 | 1064 |
| Magpie TTS Multilingual | NVIDIA | NVIDIA Open Model License | Sì | 12 | 1064 |
| Maya1 | Maya Research | Apache 2.0 | Sì | Inglese | 1046 |
| Chatterbox | Resemble AI | MIT | Sì, con filigrana | 23+ (Multilingual V3) | 1026 (modello inglese) |
| Zonos v0.1 | Zyphra | Apache 2.0 | Sì | 5 | 1000 |
| Orpheus 3B | Canopy Labs | Apache 2.0 | Sì | Inglese | Non valutato |
| Dia 1.6B | Nari Labs | Apache 2.0 | Sì | Inglese | Non valutato |
| CosyVoice 2 | Alibaba | Apache 2.0 | Sì | Cinese in primo luogo, multilingue | Non valutato |
| Piper | Open Home Foundation | Motore GPL-3.0, licenza per voce | Controlla ogni voce | Oltre 40 varianti regionali | Non valutato |
| VibeVoice 1.5B | Microsoft | MIT, solo ricerca | Sconsigliato | Inglese, cinese | 957 |
| XTTS v2 | Coqui (chiusa) | Coqui Public Model License | No | 17 | 916 |
| Fish Audio S2 Pro | Fish Audio | Fish Audio Research License | No | 80+ | 1116 |
| Breeze TTS 2 | BreezeBlue | Ricerca e non commerciale | No | Inglese, cinese | 1220 |
I punteggi sono valutazioni Elo della classifica Provider Voice di Artificial Analysis, ottobre 2026. Gli ascoltatori sentono due clip della stessa frase senza sapere quale modello le ha prodotte e scelgono quella che preferiscono. Licenze e lingue vengono dalla scheda o dal repository di ciascun modello, verificati nello stesso mese. “Non valutato” significa che il modello non compare in quella classifica, non che sia scarso.
Se vuoi una sola scelta: Kokoro per un inglese leggero e veloce, Chatterbox per la clonazione vocale e molte lingue, Piper per i dispositivi offline.
Controlla prima la licenza dei pesi
Un progetto TTS open source di solito ha due licenze: una per il codice e una per i pesi addestrati. Il codice è quasi sempre permissivo. Le restrizioni stanno nei pesi, e senza i pesi il codice non produce alcun suono.
XTTS v2 è l’esempio classico. La libreria Coqui TTS è MPL-2.0 ed è ancora mantenuta, in un fork, dall’Idiap Research Institute. I pesi di XTTS v2 sono distribuiti con la Coqui Public Model License, che inizia così: “This license allows only non-commercial use of a machine learning model and its outputs.” La parte sugli output conta: l’audio che generi eredita la restrizione. Coqui vendeva licenze commerciali. L’azienda ha chiuso, quindi anche quella strada è chiusa.
Lo stesso schema si ripete nei modelli più recenti. F5-TTS ha codice MIT e pesi CC BY-NC 4.0. Mistral dice che Voxtral TTS eredita la licenza CC BY-NC 4.0 dalle voci di riferimento con cui viene distribuito. S2 Pro di Fish Audio usa la Fish Audio Research License, e la sua scheda ti chiede di accettare un uso esclusivamente non commerciale. Breeze TTS 2, il modello a pesi aperti con il punteggio più alto su Artificial Analysis, concede i suoi pesi, e persino l’audio generato sui tuoi server, solo per ricerca e uso non commerciale.
VibeVoice è un caso a parte. Microsoft l’ha rilasciato con licenza MIT, una delle più permissive, ma la scheda del modello lo limita alla ricerca e dice che Microsoft sconsiglia di usarlo in applicazioni commerciali o reali senza ulteriori test. Microsoft ha anche disattivato i pesi del modello più grande, VibeVoice-Large. Una licenza MIT con allegato un “per favore, non farlo” è una domanda per il tuo avvocato, non per un articolo.
I modelli che puoi mettere in produzione
Kokoro 82M è la risposta predefinita per l’inglese. Ha 82 milioni di parametri, licenza Apache 2.0 e un punteggio di 1064, alla pari con Magpie di NVIDIA e due punti sotto le voci generative di Amazon Polly. La versione 1.0 offre 54 voci in 8 lingue. È così leggero che già ad aprile 2025 i provider in hosting lo rivendevano a meno di 1 dollaro per milione di caratteri, secondo la sua scheda. Non clona le voci.
Chatterbox di Resemble AI è la scelta se ti serve la clonazione vocale con una licenza permissiva. La famiglia, con licenza MIT, comprende un modello inglese da 500M, Chatterbox Multilingual V3 da 500M con oltre 23 lingue e Chatterbox-Turbo, un modello inglese da 350M pensato per una latenza più bassa, con tag come [laugh] e [cough]. Ogni file generato da Chatterbox contiene la filigrana Perth di Resemble, inudibile ma rilevabile. È un vantaggio se ti interessa la provenienza e una sorpresa se non hai letto la scheda.
Magpie TTS Multilingual di NVIDIA copre 12 lingue, tra cui hindi, giapponese, coreano e arabo, con 364M di parametri. Funziona sul framework NeMo di NVIDIA. La NVIDIA Open Model License dice chiaramente che i modelli sono utilizzabili commercialmente. Offre cinque voci di parlanti inglesi invece di un grande catalogo.
Orpheus 3B di Canopy Labs si basa su Llama 3B e dichiara una latenza di streaming di circa 200 ms, o circa 100 ms con lo streaming dell’input. I pesi sono indicati come Apache 2.0; dato che la base è Llama, leggi anche la licenza Llama di Meta. I suoi due modelli principali sono in inglese, e quelli multilingue sono un’anteprima di ricerca.
Dia 1.6B scrive dialoghi, non narrazione. Indichi i parlanti con [S1] e [S2], e può aggiungere suoni non verbali come le risate. È Apache 2.0 e solo in inglese. Senza una clip di riferimento sceglie una voce diversa a ogni esecuzione, cosa simpatica in una demo e molto meno in un prodotto.
CosyVoice 2, del team FunAudioLLM di Alibaba, è Apache 2.0 e supporta lo streaming sia del testo in ingresso sia dell’audio in uscita, con una latenza fino a 150 ms secondo i suoi autori. La copertura linguistica è centrata sul cinese e sui suoi dialetti.
Zonos v0.1 di Zyphra (Apache 2.0) parla inglese, giapponese, cinese, francese e tedesco e richiede almeno 6 GB di memoria GPU. Maya1 (Apache 2.0, 3B di parametri, inglese) è pensato per creare voci espressive, con tag per ridere, piangere e sussurrare.
Piper è il caso diverso: un motore di TTS neurale veloce e locale della Open Home Foundation, il gruppo dietro Home Assistant. Il motore mantenuto, piper1-gpl, è GPL-3.0. Se lo integri, ti porti dietro gli obblighi della GPL. Ogni voce ha la sua scheda e la sua licenza sui dati di addestramento, quindi controlla la voce, non solo il motore.
Quanto è buono davvero il TTS open source
Abbastanza da sceglierlo di proposito. I migliori modelli con licenza permissiva ottengono tra 1000 e 1065 su Artificial Analysis. È il livello delle voci generative di Amazon Polly (1066) e di Chirp 3 HD di Google (1059).
Il tetto è più in alto. Breeze TTS 2 arriva a 1220 e Fish Audio S2 Pro a 1116, ma nessuno dei due ha una licenza per uso commerciale. Sonic 3.6 di Cartesia ottiene 1281, circa 200 punti sopra Kokoro. Su una scala Elo, 200 punti di differenza significano che gli ascoltatori preferiscono il modello con il punteggio più alto in circa tre confronti su quattro.
Una classifica, poi, misura una cosa sola: quale clip le persone preferiscono, ascoltata da sola. Non verifica come un modello legge “il tuo codice di conferma è Q7-4XB”, se mantiene la stessa voce per una chiamata di dieci minuti o quanto arriva il primo audio quando partono 200 chiamate insieme. Abbiamo scritto perché un solo punteggio non ti dice se un modello TTS è buono. Prova i tuoi testi, nelle tue lingue, sullo stesso percorso che sentiranno i tuoi utenti.
Dove il self-hosting diventa costoso
Scaricare i pesi è gratis. Servirli a utenti reali no.
Per un agente vocale al telefono, il modello è la parte facile. Ti servono anche GPU dimensionate per il picco di chiamate simultanee, un server di streaming che inizi la riproduzione prima che la frase sia finita, la normalizzazione del testo perché “$1,250.00” e “Dr.” vengano letti correttamente, e il failover quando un nodo cade a metà chiamata. Diversi di questi modelli sono pubblicati come codice di ricerca che genera l’intera clip prima di restituirne qualsiasi parte. Trasformarlo in streaming sotto il secondo con carico reale è un progetto di ingegneria, ed è proprio quello che la scheda del modello non menziona.
Lo sforzo vale la pena in alcuni casi:
- Devi funzionare offline, su un dispositivo o in un ambiente isolato, e il tuo livello di qualità è alla portata di un modello piccolo.
- Il tuo volume è alto, costante e prevedibile, quindi GPU tue costano meno di un prezzo a carattere.
- Stai costruendo qualcosa per te e la licenza non conta.
Se il tuo motivo è il controllo dei dati e non il costo, forse non ti servono pesi aperti. I provider in hosting, Cartesia compresa, offrono installazioni on-premise e in VPC in cui l’audio non lascia mai la tua rete.
Quando usare Cartesia
Sonic di Cartesia non ha pesi aperti. È un modello di sintesi vocale in hosting e in streaming, costruito per gli agenti vocali: meno di 90 ms al primo audio, 44 lingue in un solo modello e clonazione vocale istantanea. Il piano gratuito include 20.000 crediti al mese, e un credito è un carattere, quindi puoi provarlo con i tuoi testi prima di pagare qualsiasi cosa. Per le installazioni regolamentate, gli stessi modelli funzionano on-premise o in ambienti isolati con un contratto enterprise.
Il nostro lavoro open source è Edge, una libreria Apache 2.0 per eseguire modelli a spazio degli stati sul dispositivo. Se ti serve una voce inglese gratuita e offline per un progetto personale, Kokoro o Piper è la risposta migliore, e te lo diremmo anche di persona.