Pruebas TTS en navegador que puedes reproducir
Las cifras del fabricante suelen venir de otro hardware. Aquí cada modelo lee el mismo texto en tu dispositivo con un clic y medición en vivo. Abajo hay referencias.
Los modelos que faltan se descargan una vez y se guardan. Los grandes no están preseleccionados: márcalos para incluir su descarga. Todos leen dos frases fijas con su voz predeterminada.
Resultados de referencia
Demos publicadas, mediciones de desarrolladores y pruebas propias. Menor RTF es más rápido; 1,0 = tiempo real. Revisado en julio de 2026.
| Modelo | Hardware / entorno | RTF | Fuente |
|---|---|---|---|
| Kokoro-82M | M2 MacBook Air (WebGPU, fp32) | 0.2–0.4 | Demostración de webml-community, 2026 |
| Kokoro-82M | Portátil x86 de gama media (WASM q8, 1 hilo) | ≈1.1 | Informes de la comunidad de kokoro-js, 2025 |
| Piper (voz de calidad media) | Portátil x86 de gama media (WASM) | ≈0.11 | Mediciones de sherpa-onnx / piper, 2025 |
| KittenTTS Nano | Portátil Core i7 (WASM int8) | ≈0.4 | Seguimiento de incidencias de KittenML, 2026 |
| Kyutai Pocket TTS | Apple M4 (WASM, transmisión continua) | ≈0.17 (6× RT) | Notas de la versión de Kyutai, enero de 2026 |
| Chatterbox 0.5B | GPU de sobremesa de clase RTX (WebGPU q4) | ≈1.0 | Demostración de Resemble AI transformers.js, 2026 |
Metodología
- Texto fijo de unos 220 caracteres y dos frases, leído con la voz predeterminada de cada modelo.
- Se mide desde la tokenización hasta el audio final, sin descarga. Los primeros intentos con descarga llevan *.
- Según el dispositivo: WebGPU con Kokoro fp32 o WebAssembly q8/int8.
- RTF = tiempo de generación ÷ duración del audio.
- Todo se ejecuta en tu dispositivo. Los resultados son tuyos y no se suben.
El tamaño de descarga y los requisitos están en cada página de modelo: Kokoro-82M, Piper, KittenTTS Nano, Kyutai Pocket TTS, Supertonic-3, Chatterbox, MOSS-TTS-Nano, Chatterbox Multilingual, OuteTTS-1.0 (0.6B), Orpheus-3B, MOSS-TTS (8.5B).
Preguntas frecuentes
¿Qué es RTF (factor de tiempo real)?
Tiempo de generación dividido por duración del audio. RTF 0,5 significa 10 segundos creados en 5, el doble de rápido. Por debajo de 1,0 supera el tiempo real; por encima, hay espera.
¿Por qué mis cifras difieren de la tabla?
Ese es el objetivo. La velocidad depende de CPU/GPU, versión del navegador, WebGPU, temperatura y ejecución en GPU o WASM. Las referencias indican su equipo; tu prueba, el tuyo.
¿Es justa la comparación entre modelos?
Cada modelo lee las mismas dos frases con su voz predeterminada. La descarga inicial se marca con * para separar ejecuciones en frío y en caliente. Mide rendimiento, no calidad: escucha también.
¿El test envía mis resultados a algún sitio?
No. Los resultados se muestran localmente y puedes copiarlos para compartirlos. No se recopila nada.