O Melhor Motor de TTS Local para uma GPU NVIDIA (2026)

O XTTS v2, o Chatterbox e o Bark rodam todos em CPU, mas é uma GPU que os torna práticos para uso em tempo real ou em lote — o Kokoro é a exceção, já que seus 82 milhões de parâmetros o tornam rápido só com CPU. Os três motores mais pesados compartilham uma característica: são modelos priorizando qualidade de clonagem ou de geração, cuja arquitetura troca poder de processamento por expressividade, de modo que a aceleração CUDA remove o gargalo em vez de trazer apenas uma melhora marginal.

Use um motor voltado para GPU (XTTS v2, Chatterbox ou Bark) se seu caso de uso for clonagem de voz, áudio expressivo não vocal, ou qualquer tarefa em que a velocidade de geração importe — um trabalho de narração em lote, uma aplicação de voz interativa, ou um pipeline que gera muitos clipes. Evite gastar VRAM de GPU com TTS se sua única necessidade for narração simples de texto puro sem clonagem: o Kokoro ou o Piper cobrem esse caso só com CPU, liberando sua VRAM para um LLM ou outra tarefa rodando em paralelo.

O XTTS v2, lançado pela Coqui e executado por meio do kit de ferramentas Coqui TTS, é a melhor opção de clonagem de voz local para quem tem GPU e precisa da maior qualidade alcançável a partir de um clipe de referência curto. Ele clona uma voz a partir de apenas 6 segundos de áudio de referência e a reproduz em 17 idiomas, incluindo clonagem entre idiomas — clonar uma voz a partir de áudio em inglês e falar o resultado em espanhol ou japonês.

Em termos de VRAM, os pesos do modelo do XTTS v2 têm cerca de 2 GB, mas 4 GB é o mínimo prático para rodá-lo, e 4-6 GB são recomendados para inferência em tempo real, segundo a análise do XTTS v2 dedicada da PromptQuorum. A licença é o fator decisivo para a maioria dos leitores: a Coqui Public Model License (CPML) é explicitamente não comercial, e como a Coqui AI, a empresa, encerrou seus serviços pagos em dezembro de 2023, atualmente não há um caminho confirmado para uma licença comercial.

O Chatterbox, lançado pela Resemble AI no GitHub, é a melhor escolha para quem tem GPU e quer clonagem de voz conversacional em tempo real sob uma licença totalmente permissiva e apta para uso comercial. Ele está sob a licença MIT, que — diferentemente da CPML não comercial do XTTS v2 — permite uso comercial sem um acordo separado.

O Chatterbox vem em vários tamanhos: uma variante Nano (110 milhões de parâmetros) que a própria documentação da Resemble AI descreve como mais rápida que tempo real em 8 núcleos de CPU, uma variante Turbo (350 milhões de parâmetros) construída para baixa latência, e uma variante multilíngue (cerca de 500 milhões de parâmetros, sobre uma arquitetura que credita o Llama 3) com suporte a mais de 20 idiomas. A clonagem de voz zero-shot funciona a partir de um clipe de áudio de referência — o exemplo oficial da Resemble AI usa um clipe de 10 segundos, embora o README não informe uma duração mínima oficial como o do XTTS v2.

O README público da Resemble AI não publica um valor exato de VRAM, então trate qualquer número específico em GB que você veja em outro lugar como não verificado até testá-lo na sua própria placa. O que está documentado: a variante Nano roda de forma aceitável só com CPU, enquanto as variantes maiores Turbo e Multilingual são construídas para geração acelerada por GPU e de baixa latência — tanto CUDA quanto Apple Silicon (MPS) são compatíveis.

O Bark, lançado pela Suno no GitHub, é a escolha certa se você quiser mais do que fala — risadas, suspiros, arfadas e música simples geradas apenas a partir de prompts de texto — e é o motor deste comparativo que mais se beneficia de uma GPU, já que sua arquitetura generativa, token por token, é a mais lenta dos quatro sem aceleração CUDA. Ele não suporta clonagem de voz personalizada; segundo a própria documentação da Suno, ele "atualmente não suporta clonagem de voz personalizada".

Em termos de VRAM, a análise do Bark dedicada da PromptQuorum documenta que o modelo completo precisa de cerca de 12 GB, com uma flag de ambiente para modelo pequeno (SUNO_USE_SMALL_MODELS) reduzindo isso para cerca de 8 GB — perceptivelmente mais do que os 4-6 GB do XTTS v2. Ele está sob licença MIT, totalmente apta para uso comercial desde 1º de maio de 2023, mas seu status de manutenção é uma questão real em aberto: o repositório público no GitHub não mostra commits desde 5 de abril de 2024.

O Kokoro entra aqui como contraponto: ter uma GPU NVIDIA não significa que toda carga de trabalho de TTS precise de uma, e o Kokoro prova isso. Com 82 milhões de parâmetros, ele é drasticamente menor que o XTTS v2, o Chatterbox ou o Bark, e sua própria ficha de modelo no Hugging Face documenta síntese em tempo real ou mais rápida só com CPU, com o uso de GPU adicionando folga em vez de ser um requisito.

O Kokoro está sob licença Apache 2.0, que — assim como a licença MIT do Chatterbox — permite uso comercial sem restrições. Ele não suporta clonagem de voz, então não substitui o XTTS v2 ou o Chatterbox quando a clonagem é o requisito, mas para narração simples, leitura de texto em voz alta, ou uma camada de voz em um aplicativo em que a clonagem não é necessária, ele é uma escolha mais leve e mais simples.

Esta tabela pontua os quatro motores especificamente em critérios de adequação à GPU — requisito de VRAM, quanto cada um se beneficia da aceleração CUDA, capacidade de clonagem de voz e licença — não na qualidade bruta do áudio.

Uma GPU com 6 GB de VRAM ou mais cobre confortavelmente todos os motores deste comparativo, exceto o modelo completo do Bark, que precisa de cerca de 12 GB (ou cerca de 8 GB com sua flag de modelo pequeno). Combine sua placa com o motor que você realmente precisa, em vez de comprar por padrão a opção mais pesada.

Para orientação geral sobre como escolher uma GPU por faixa de VRAM para cargas de trabalho de IA local (não específico para TTS), veja o guia de compra de GPU para LLMs locais da PromptQuorum — a mesma lógica de compra centrada em VRAM se aplica ao TTS, e se você já roda um LLM local junto com TTS, as duas cargas de trabalho disputam o mesmo pool de VRAM.

Clonar a voz de uma pessoa real sem seu conhecimento ou consentimento explícito é um problema distinto do licenciamento, e isso se aplica independentemente do motor, da licença ou do status comercial que você estiver usando. O XTTS v2 e o Chatterbox são ambos ferramentas de clonagem de voz capazes e de uso geral; nenhum dos dois verifica se o áudio de referência que você fornece pertence a alguém que concordou em ser clonado.

Clonar uma voz sem consentimento pode levantar questões de consentimento, direito de imagem e, em algumas jurisdições, fraude ou personificação, independentemente de seu projeto ser comercial ou pessoal, e independentemente dos termos de licença do modelo. Esta é uma observação factual, não um aconselhamento jurídico — consulte um advogado se estiver construindo um produto que clona vozes de pessoas reais, e sempre obtenha consentimento claro e documentado de qualquer pessoa cuja voz você clonar.

Para leitores que já têm uma GPU NVIDIA e querem usá-la para conversão de texto em fala, a escolha depende do que o áudio precisa fazer. O XTTS v2 é a escolha para a mais alta qualidade de clonagem de voz alcançável em um contexto não comercial ou de pesquisa, dada sua licença CPML não comercial. O Chatterbox é a escolha quando essa mesma capacidade de clonagem precisa ser entregue em um produto comercial, graças à sua licença MIT e aos tamanhos de modelo menores voltados para tempo real. O Bark é a escolha especificamente quando o projeto precisa de áudio expressivo não vocal — risadas, suspiros, música simples — e pode gastar 8-12 GB de VRAM para consegui-lo, com a ressalva de que seu status de manutenção é incerto. O Kokoro continua sendo a escolha certa sempre que a clonagem não for o requisito: ele roda confortavelmente só com CPU, então reservar VRAM de GPU para ele raramente vale a pena. Na dúvida, comece com o Kokoro para narração simples e migre para o XTTS v2 ou o Chatterbox só quando surgir um requisito real de clonagem — isso mantém a VRAM da sua GPU disponível para o que mais você estiver rodando junto, inclusive um LLM local. Para os detalhes de licença de cada motor mencionado aqui, veja o guia de licenças de TTS e clonagem de voz locais da PromptQuorum.