O texto para fala de código aberto ficou bom. Um modelo de 82 milhões de parâmetros agora fica a poucos pontos das vozes generativas do Amazon Polly em testes de audição às cegas, e o download é gratuito. O problema está na palavra “aberto”. Três dos treze modelos da tabela têm pesos que você não pode usar em nada que venda, um quarto pede que você não faça isso, e vários modelos populares que não estão na tabela têm o mesmo problema.
Por isso este guia organiza os modelos TTS de código aberto primeiro por licença e depois por qualidade. Ele é para desenvolvedores que estão decidindo o que colocar em um app, um dispositivo ou um agente de voz. Se você está construindo algo só para você, ignore a coluna de licença e escolha o que soa melhor.
A resposta curta
| Modelo | Quem faz | Licença dos pesos | Uso comercial | Idiomas | Nota na Artificial Analysis |
|---|---|---|---|---|---|
| Kokoro 82M | hexgrad | Apache 2.0 | Sim | 8 | 1064 |
| Magpie TTS Multilingual | NVIDIA | NVIDIA Open Model License | Sim | 12 | 1064 |
| Maya1 | Maya Research | Apache 2.0 | Sim | Inglês | 1046 |
| Chatterbox | Resemble AI | MIT | Sim, com marca d’água | 23+ (Multilingual V3) | 1026 (modelo em inglês) |
| Zonos v0.1 | Zyphra | Apache 2.0 | Sim | 5 | 1000 |
| Orpheus 3B | Canopy Labs | Apache 2.0 | Sim | Inglês | Sem nota |
| Dia 1.6B | Nari Labs | Apache 2.0 | Sim | Inglês | Sem nota |
| CosyVoice 2 | Alibaba | Apache 2.0 | Sim | Foco em chinês, multilíngue | Sem nota |
| Piper | Open Home Foundation | Motor GPL-3.0, licença por voz | Verifique cada voz | Mais de 40 variantes regionais | Sem nota |
| VibeVoice 1.5B | Microsoft | MIT, só para pesquisa | Não recomendado | Inglês, chinês | 957 |
| XTTS v2 | Coqui (fechada) | Coqui Public Model License | Não | 17 | 916 |
| Fish Audio S2 Pro | Fish Audio | Fish Audio Research License | Não | 80+ | 1116 |
| Breeze TTS 2 | BreezeBlue | Pesquisa e não comercial | Não | Inglês, chinês | 1220 |
As notas são avaliações Elo do ranking Provider Voice da Artificial Analysis, outubro de 2026. Os ouvintes escutam dois trechos da mesma frase sem saber qual modelo gerou cada um e escolhem o que preferem. Licenças e idiomas vêm da ficha ou do repositório de cada modelo, conferidos no mesmo mês. “Sem nota” significa que o modelo não está nesse ranking, não que ele seja ruim.
Se você quer uma única escolha: Kokoro para inglês leve e rápido, Chatterbox para clonagem de voz e muitos idiomas, Piper para dispositivos offline.
Confira primeiro a licença dos pesos
Um projeto TTS de código aberto costuma ter duas licenças: uma para o código e outra para os pesos treinados. O código quase sempre é permissivo. As restrições ficam nos pesos, e sem os pesos o código não produz som nenhum.
O XTTS v2 é o exemplo clássico. A biblioteca Coqui TTS é MPL-2.0 e continua sendo mantida, em um fork, pelo Idiap Research Institute. Os pesos do XTTS v2 são distribuídos com a Coqui Public Model License, que começa assim: “This license allows only non-commercial use of a machine learning model and its outputs.” A parte dos outputs importa: o áudio que você gera herda a restrição. A Coqui vendia licenças comerciais. A empresa fechou, então essa porta também fechou.
O mesmo padrão aparece nos modelos mais novos. O F5-TTS tem código MIT e pesos CC BY-NC 4.0. A Mistral diz que o Voxtral TTS herda a licença CC BY-NC 4.0 das vozes de referência que acompanham o modelo. O S2 Pro da Fish Audio usa a Fish Audio Research License, e a ficha dele pede que você aceite o uso exclusivamente não comercial. O Breeze TTS 2, o modelo de pesos abertos mais bem avaliado na Artificial Analysis, licencia os pesos, e até o áudio gerado nos seus próprios servidores, só para pesquisa e uso não comercial.
O VibeVoice é um caso à parte. A Microsoft o lançou sob MIT, uma das licenças mais permissivas que existem, mas a ficha do modelo o limita à pesquisa e diz que a Microsoft não recomenda usá-lo em aplicações comerciais ou reais sem mais testes. A Microsoft também desativou os pesos do modelo maior, o VibeVoice-Large. Uma licença MIT com um “por favor, não faça isso” anexado é uma pergunta para o seu advogado, não para um artigo.
Os modelos que você pode colocar em produção
Kokoro 82M é a resposta padrão para inglês. Tem 82 milhões de parâmetros, licença Apache 2.0 e nota 1064, empatado com o Magpie da NVIDIA e dois pontos atrás das vozes generativas do Amazon Polly. A versão 1.0 traz 54 vozes em 8 idiomas. É tão pequeno que, em abril de 2025, provedores hospedados já o revendiam por menos de 1 dólar por milhão de caracteres, segundo a ficha do modelo. Ele não clona vozes.
Chatterbox, da Resemble AI, é a escolha se você precisa de clonagem de voz com licença permissiva. A família, sob MIT, inclui um modelo em inglês de 500M, o Chatterbox Multilingual V3 com 500M e mais de 23 idiomas, e o Chatterbox-Turbo, um modelo em inglês de 350M feito para latência menor, com tags como [laugh] e [cough]. Todo arquivo que o Chatterbox gera leva a marca d’água Perth da Resemble, inaudível mas detectável. É uma vantagem se você se importa com a procedência e uma surpresa se não leu a ficha.
Magpie TTS Multilingual da NVIDIA cobre 12 idiomas, incluindo hindi, japonês, coreano e árabe, com 364M de parâmetros. Ele roda no framework NeMo da NVIDIA. A NVIDIA Open Model License diz claramente que os modelos podem ser usados comercialmente. Ele traz cinco vozes de falantes de inglês em vez de um catálogo grande.
Orpheus 3B, da Canopy Labs, é baseado no Llama 3B e informa latência de streaming de cerca de 200 ms, ou cerca de 100 ms com streaming de entrada. Os pesos aparecem como Apache 2.0; como a base é o Llama, leia também a licença Llama da Meta. Os dois modelos principais são em inglês, e os multilíngues são uma prévia de pesquisa.
Dia 1.6B escreve diálogos, não narração. Você marca os falantes com [S1] e [S2], e ele pode adicionar sons não verbais como risadas. É Apache 2.0 e só em inglês. Sem um trecho de referência, ele escolhe uma voz diferente a cada execução, o que tem graça em uma demo e bem menos em um produto.
CosyVoice 2, da equipe FunAudioLLM da Alibaba, é Apache 2.0 e aceita streaming tanto do texto de entrada quanto do áudio de saída, com latência de até 150 ms segundo os autores. A cobertura de idiomas é centrada no chinês e seus dialetos.
Zonos v0.1, da Zyphra (Apache 2.0), fala inglês, japonês, chinês, francês e alemão e precisa de 6 GB ou mais de memória de GPU. Maya1 (Apache 2.0, 3B de parâmetros, inglês) foi feito para criar vozes expressivas, com tags para rir, chorar e sussurrar.
Piper é o caso diferente: um motor de TTS neural rápido e local da Open Home Foundation, o grupo por trás do Home Assistant. O motor mantido, o piper1-gpl, é GPL-3.0. Se você o embutir, as obrigações da GPL vêm junto. Cada voz tem sua própria ficha e licença dos dados de treino, então confira a voz, não só o motor.
O quanto o TTS de código aberto é bom, de verdade
Bom o bastante para você escolher de propósito. Os melhores modelos com licença permissiva ficam entre 1000 e 1065 na Artificial Analysis. É a faixa das vozes generativas do Amazon Polly (1066) e do Chirp 3 HD do Google (1059).
O teto é mais alto. O Breeze TTS 2 chega a 1220 e o Fish Audio S2 Pro a 1116, mas nenhum dos dois tem licença para uso comercial. O Sonic 3.6 da Cartesia tem nota 1281, cerca de 200 pontos acima do Kokoro. Em uma escala Elo, uma diferença de 200 pontos significa que os ouvintes preferem o modelo mais bem avaliado em cerca de três de cada quatro comparações.
Além disso, um ranking mede uma coisa só: qual trecho as pessoas preferem, ouvido isoladamente. Ele não testa como o modelo lê “seu código de confirmação é Q7-4XB”, se mantém a mesma voz ao longo de uma ligação de dez minutos ou quanto tempo o primeiro áudio leva quando 200 ligações começam ao mesmo tempo. Escrevemos sobre por que uma única nota não diz se um modelo TTS é bom. Teste seus próprios roteiros, nos seus idiomas, pelo mesmo caminho que seus usuários vão ouvir.
Onde a hospedagem própria fica cara
Baixar os pesos é de graça. Servi-los para usuários reais não é.
Em um agente de voz por telefone, o modelo é a parte fácil. Você também precisa de GPUs dimensionadas para o seu pico de ligações simultâneas, um servidor de streaming que comece a tocar antes de a frase terminar, normalização de texto para que “$1,250.00” e “Dr.” sejam lidos corretamente, e failover quando um nó cai no meio de uma ligação. Vários desses modelos são lançados como código de pesquisa que gera o trecho inteiro antes de devolver qualquer parte. Transformar isso em streaming abaixo de um segundo sob carga real é um projeto de engenharia, e é justamente o que a ficha do modelo não menciona.
Esse esforço vale a pena em alguns casos:
- Você precisa rodar offline, em um dispositivo ou em um ambiente isolado, e o seu nível de qualidade cabe em um modelo pequeno.
- Seu volume é alto, constante e previsível, então GPUs próprias saem mais baratas do que pagar por caractere.
- Você está construindo algo para você e a licença não importa.
Se o seu motivo é o controle dos dados e não o custo, talvez você nem precise de pesos abertos. Provedores hospedados, incluindo a Cartesia, oferecem implantações on-premise e em VPC em que o áudio nunca sai da sua rede.
Quando usar a Cartesia
O Sonic da Cartesia não tem pesos abertos. É um modelo de texto para fala hospedado e em streaming, feito para agentes de voz: menos de 90 ms até o primeiro áudio, 44 idiomas em um único modelo e clonagem de voz instantânea. O plano gratuito inclui 20.000 créditos por mês, e um crédito é um caractere, então você pode testá-lo com seus próprios roteiros antes de pagar qualquer coisa. Para implantações reguladas, os mesmos modelos rodam on-premise ou em ambientes isolados com um contrato enterprise.
Nosso trabalho de código aberto é o Edge, uma biblioteca Apache 2.0 para rodar modelos de espaço de estados no dispositivo. Se você precisa de uma voz em inglês gratuita e offline para um projeto pessoal, Kokoro ou Piper é a melhor resposta, e diríamos isso pessoalmente também.