Caso de uso dato provisional

Mejores modelos de IA para voz: comparación con benchmarks

Convertir texto en voz. La tabla de Open TTS aún depende de revisar la licencia de cada repositorio, así que por ahora mostramos método y uso real.

Sin tabla de benchmark con licencia abierta para este caso. Ordenado por uso real.

Cómo leer esta tabla

Cada fila es un modelo. Haz clicToca en el nombre para abrir la ficha, con fuentes e historial. Haz clicToca en el encabezado para ordenar.
Las notas de benchmark son porcentajes, y el valor más alto es el mejor. Yo comparo siempre la misma métrica, con la misma fuente, en la última versión consultada. En esta área, en la franja de 90% a 100%, trato una diferencia de 1 o 2 puntos como posible ruido de medición.
El "?" junto a cada columna explica qué mide y cuándo importa. "Sin dato" quiere decir que no hay medición en las fuentes abiertas que usa esta área. "Dato provisional" marca un campo derivado por una regla, como el caso de uso.
El precio de entrada y el de salida son el precio de lista en OpenRouter, en dólares por 1 millón de tokens, y los dos pueden ser muy distintos. La etiqueta "a revisar" marca un valor raro en la fuente, que no entra en las recomendaciones. El uso es la porción de tokens en el ranking público de OpenRouter, en el último día publicado por esa fuente. Las descargas son la ventana de 30 días del repositorio oficial en Hugging Face. El GPQA Diamond de Epoch y el de OpenRouter miden la misma prueba, pero pueden diferir.

Voz Haz clicToca en el encabezado para ordenar.
	?qué es	?	?	?	?	?	?	?	?	?
Qwen3-TTSAlibaba	abierto	sin dato	sin dato	sin dato	sin dato	sin dato	sin dato	sin dato	sin dato	3.744.562
VoxCPM2OpenBMB	abierto	sin dato	sin dato	sin dato	sin dato	sin dato	sin dato	sin dato	sin dato	988.904

Qué modelo usar para qué

Esta recomendación sigue a los datos y cambia cuando ellos cambian.

Voz

Regla: Más descargado en Hugging Face (30 días)Qwen3-TTS 3.744.562 descargas

Descargas en 30 días ?

¿Qué significa esto?

Qué mide: Descargas del repositorio oficial en Hugging Face, en la ventana de 30 días de esa fuente.

Cuándo importa: Es una señal de adopción para modelos abiertos. Un número alto puede venir de un repositorio conocido o de una instalación simple. Yo no uso esta columna sola para decidir la calidad.

Los principales modelos cerrados de video, voz, imagen y transcripción (como Veo, Kling, Runway, Seedance, ElevenLabs y Midjourney) no tienen página propia en este catálogo, pero entran en el Recomendador, con la nota de la Arena cuando existe y el precio de la página oficial de cada empresa.

Texto · Código · Agentes · Imagen · Video · Transcripción

Fuentes

Epoch AI, CC BY 4.0, versión más reciente consultada.
OpenRouter Benchmarks, CC BY 4.0, versión más reciente consultada.
OpenRouter, dados públicos da API; exports de benchmarks e rankings em CC BY 4.0, versión más reciente consultada.
Hugging Face Hub, metadados públicos do Hub; licença de cada modelo no repositório, versión más reciente consultada.

Las fechas vienen de las fuentes: entrada en OpenRouter o creación del repositorio en Hugging Face, que pueden no coincidir con el lanzamiento oficial. Familia y versión se agruparon por regla a partir del nombre.