Os melhores modelos de texto para fala grátis para uso local em 2026
O TTS grátis já dá conta de trabalho de verdade, e muitos modelos abertos rodam no seu próprio equipamento. Mesmo assim, a palavra grátis esconde diferenças grandes: algumas licenças proíbem uso comercial, alguns modelos pedem uma GPU robusta e poucos rodam com folga em um processador comum.
Este panorama cobre os modelos abertos que comparamos neste site. A SuperClonica vende vozes para um deles, o Supertonic 3, então leve isso em conta: ficamos nos fatos da documentação de cada modelo e dizemos com clareza quando outro modelo é a melhor escolha.
Como escolher um modelo de TTS grátis
Quatro perguntas encurtam a lista rapidinho.
- Idioma: o modelo fala o seu? Chinês, por exemplo, já descarta o Supertonic 3.
- Licença: grátis para baixar nem sempre é grátis para uso comercial. Confira as condições do código e dos pesos.
- Hardware: um processador comum ou uma GPU com memória suficiente?
- Vozes: as vozes prontas bastam, ou você precisa de uma voz específica a partir de uma gravação?
Modelos pequenos de texto para fala grátis para CPU
O Supertonic 3, da Supertone, tem cerca de 99 milhões de parâmetros, roda com ONNX Runtime e, segundo os autores, dispensa GPU. Fala 31 idiomas, incluindo português, mas não chinês, sob a licença OpenRAIL-M: sem royalties e com uma lista de usos proibidos. Vem com vozes prontas; há mais vozes, grátis e pagas, no catálogo da SuperClonica, e o motor SuperClonica as roda em média 61% mais rápido no processador.
O Kokoro-82M tem 82 milhões de parâmetros, licença Apache 2.0 e 54 vozes prontas em oito idiomas, três delas em português brasileiro. Vai melhor em inglês: a própria lista de vozes dá notas mais baixas às vozes em chinês e japonês. A versão oficial não clona vozes. Roda em Python e no navegador com o kokoro-js.
O Piper é um motor local rápido, feito para dispositivos pequenos como o Raspberry Pi e conhecido como a voz do Home Assistant. Cada voz é um modelo ONNX para um idioma; a lista cobre 39 idiomas, inclusive português e chinês, mas não japonês nem coreano. O motor atual é GPL-3.0, e cada voz tem a própria licença.
O Chatterbox Nano, da Resemble AI, é um modelo em inglês de 110 milhões de parâmetros sob MIT. A Resemble AI informa 3 vezes mais rápido que o tempo real em 8 núcleos de CPU; ele clona uma voz a partir de um clipe e marca cada arquivo com uma marca d’água PerTh inaudível.
Modelos maiores para clonagem de voz
Estes clonam uma voz com poucos segundos de áudio. Pelas nossas estimativas, em um processador de desktop eles ficam abaixo do tempo real, então rendem mais em uma GPU.
- Qwen3-TTS: Apache 2.0, tamanhos 0.6B e 1.7B, 10 idiomas, entre eles português e chinês, clonagem com 3 segundos e criação de voz a partir de uma descrição. Na CPU, cerca de 1 a 2 vezes mais lento que o tempo real (0.6B).
- VoxCPM 2: Apache 2.0, 2 bilhões de parâmetros, 30 idiomas e dialetos chineses, áudio em 48 kHz e cerca de 8 GB de VRAM. Na CPU, cerca de 2 a 4 vezes mais lento que o tempo real.
- Chatterbox Multilingual V3: MIT, 500 milhões de parâmetros, 23 idiomas e clonagem a partir de um clipe; os exemplos rodam em GPU.
- Fish Audio S2 Pro: a nota de qualidade mais alta da nossa tabela e mais de 80 idiomas, mas de 4 a 10 vezes mais lento que o tempo real na CPU, e o uso comercial exige uma licença à parte da Fish Audio.
Grátis, mas não para uso comercial
Vários modelos populares publicam código aberto com pesos não comerciais. Servem para testes e projetos pessoais, não para um produto pago.
- OmniVoice: 646 idiomas e clonagem com 3 a 10 segundos de áudio. O código é Apache 2.0; o modelo pré-treinado, CC-BY-NC.
- F5-TTS: clonagem zero-shot em chinês e inglês. Código MIT, pesos CC-BY-NC e a menor velocidade em CPU da nossa tabela.
- Coqui XTTS-v2: 17 idiomas, português incluído, e clonagem a partir de um clipe curto. A Coqui Public Model License vale também para o áudio gerado, e o repositório original não é mais mantido.
Qual modelo de texto para fala grátis escolher
Cada página de comparação nos links abaixo traz as fontes e as nossas estimativas de velocidade para o modelo.
- Narração, jogos e apps em computadores comuns, em um de 31 idiomas: Supertonic 3, com uma voz do catálogo ou uma treinada com a sua gravação.
- Vozes prontas em inglês com a licença mais permissiva: Kokoro.
- Raspberry Pi e Home Assistant: Piper.
- Clonagem instantânea em GPU com uso comercial permitido: Qwen3-TTS, VoxCPM 2 ou Chatterbox.
- Fala em chinês: Qwen3-TTS ou VoxCPM 2 em GPU; Piper e Kokoro também têm vozes em chinês.
- Pesquisa e testes pessoais: qualquer um, inclusive OmniVoice, F5-TTS e XTTS-v2.