Melhor TTS para Ollama (2026): adicione saída de voz ao seu LLM local

O Ollama tem síntese de voz embutida?

Como encaminhar a saída do Ollama para um mecanismo TTS local

• A API do Ollama não sabe nem se importa com o que acontece com a saída de texto dela. Não existe callback, webhook ou sistema de plugins conectando o Ollama a um mecanismo TTS — seu código é a única coisa que os une.
• O modo de streaming ("stream": true) reduz a latência percebida ao retornar tokens conforme são gerados, permitindo começar a sintetizar o áudio da primeira frase antes de o modelo terminar a resposta completa — útil para assistentes de voz interativos, mais complexo de implementar do que o exemplo sem streaming acima.

1. 1
   Inicie o Ollama e baixe um modelo
   Why it matters: O Ollama precisa já estar em execução (`ollama serve`, ou o aplicativo de desktop) com pelo menos um modelo baixado (`ollama pull llama3.1`) antes de conseguir responder a solicitações pela sua API REST.
2. 2
   Envie um prompt para a API REST do Ollama
   Why it matters: Uma solicitação POST para `http://localhost:11434/api/generate` com `"stream": false` retorna um único objeto JSON contendo a resposta completa no campo `response` — o mais simples de analisar em um pipeline TTS, embora o modo de streaming esteja disponível para reduzir o tempo até o primeiro áudio.
3. 3
   Extraia o texto e passe-o para seu mecanismo TTS
   Why it matters: A string `response` é texto simples — passe-a diretamente para a CLI de um mecanismo TTS via stdin (Piper) ou para sua API Python (Kokoro, XTTS v2, Chatterbox, Bark ou o toolkit Coqui TTS).
4. 4
   Reproduza ou salve o áudio resultante
   Why it matters: A maioria das CLIs e APIs de TTS grava diretamente um arquivo `.wav`; para reprodução ao vivo, envie o áudio bruto para um player como o `aplay` (Linux) ou use uma biblioteca de áudio em Python.

# 1. Pedir uma resposta em texto ao Ollama (sem streaming, para simplificar)
RESPONSE=$(curl -s http://localhost:11434/api/generate -d '{
  "model": "llama3.1",
  "prompt": "Explain quantum entanglement in two sentences.",
  "stream": false
}' | python3 -c "import sys, json; print(json.load(sys.stdin)['response'])")

# 2. Encaminhar esse texto para a CLI do Piper para sintetizar o áudio (opção com menor custo de recursos)
echo "$RESPONSE" | piper --model en_US-lessac-medium --output_file response.wav

# --- Versão equivalente em Python, usando Kokoro no lugar do Piper ---
import json
import requests
import soundfile as sf
from kokoro_onnx import Kokoro

reply = requests.post(
    "http://localhost:11434/api/generate",
    json={"model": "llama3.1", "prompt": "Explain quantum entanglement in two sentences.", "stream": False},
).json()["response"]

kokoro = Kokoro("kokoro-v1.0.onnx", "voices-v1.0.bin")
samples, sample_rate = kokoro.create(reply, voice="af_heart")
sf.write("response.wav", samples, sample_rate)

Qual mecanismo TTS combina melhor com o Ollama?

Quem deveria usar qual mecanismo?

• 🏆 Melhor escolha geral para combinar com o Ollama: Piper — menor custo de recursos, tempo real em CPU, o mais simples de integrar a um script shell ou uma chamada de subprocesso em Python.
• Melhor escolha para qualidade de áudio superior com tamanho semelhante: Kokoro — ainda compacto o suficiente para rodar sem GPU, com qualidade de voz percebida visivelmente melhor que o Piper segundo seus próprios benchmarks de lançamento.
• Melhor escolha para clonagem de voz com uso comercial permitido: Chatterbox — licenciado sob MIT, clona uma voz a partir de cerca de 5 segundos de áudio de referência, precisa de uma GPU ao lado do Ollama para uso em tempo real.
• Melhor escolha para clonagem de voz não comercial ou de pesquisa: XTTS v2 — clona uma voz a partir de 6 segundos de áudio em 17 idiomas, mas sua licença CPML bloqueia o uso comercial sem um acordo separado — veja a análise da licença do XTTS v2 da PromptQuorum.
• Melhor escolha para áudio expressivo não vocal, mas não como voz principal: Bark — risadas, suspiros e som ambiente simples só a partir de prompts de texto, mas seu repositório não recebe commits desde 5 de abril de 2024, então não conte com ele para um pipeline de produção mantido.
• 🧭 Raspberry Pi ou outro hardware só com CPU, rodando o Ollama com um modelo pequeno → Piper. Nenhum outro mecanismo deste guia está confirmado como funcionando em tempo real sem GPU.
• 🧭 Desktop ou servidor com GPU livre ao lado do Ollama, voz clonada desejada, e direitos comerciais necessários → Chatterbox.
• 🧭 Desktop ou servidor com GPU livre, projeto de pesquisa ou pessoal, maior qualidade de clonagem desejada → XTTS v2.
• 🧭 Quer um único toolkit capaz de carregar vários modelos diferentes ao longo do tempo (incluindo o XTTS v2) → toolkit Coqui TTS em vez de instalar as dependências de cada modelo separadamente.

Quando não usar nenhum destes

• ❌ Se você precisa de dezenas de vozes muito refinadas e emocionalmente expressivas prontas para uso — uma API de nuvem gerenciada como o ElevenLabs oferece uma biblioteca de vozes curada mais ampla e controles mais expressivos do que qualquer modelo aqui; veja a comparação ElevenLabs vs. TTS local da PromptQuorum para as vantagens e desvantagens.
• ❌ Se seu hardware não tem folga de RAM ou VRAM além do que o Ollama já usa — rodar o Ollama e um mecanismo TTS faminto por GPU como o XTTS v2 ou o Bark na mesma GPU modesta pode deixar os dois sem recursos; recorra ao Piper ou ao Kokoro, ou mova o TTS para uma segunda máquina.
• ❌ Se você precisa lançar um produto comercial e não confirmou a licença de forma independente — a CPML do XTTS v2 é explicitamente não comercial, e a Coqui AI, empresa por trás dele, encerrou seus serviços de licenciamento pagos em dezembro de 2023; verifique você mesmo os termos de licença antes de lançar qualquer um destes mecanismos em um produto pago.
• ❌ Se você está clonando a voz de uma pessoa real sem o consentimento dela — isso levanta questões de consentimento e representação independentes da licença de qualquer mecanismo, tanto em uso pessoal quanto comercial.

Perguntas frequentes

Veredito

Fontes

• Issue #11021 do GitHub do Ollama — o pedido de funcionalidade para suporte nativo a TTS, fechado como duplicata de uma issue anterior que ainda está aberta.
• Documentação da API REST do Ollama — o endpoint /api/generate usado nos exemplos de pipeline deste guia.
• maudoin/ollama-voice no GitHub — um projeto comunitário que encadeia Whisper, Ollama e pyttsx3; 378 estrelas no momento desta publicação.
• Cartão do modelo Kokoro-82M no Hugging Face — número de parâmetros, licença e arquitetura.
• XTTS v2 no Hugging Face — requisitos de clonagem e referência de licença.
• Chatterbox no GitHub — o modelo open source de clonagem de voz da Resemble AI, sua licença e exemplos de uso.
• Bark no GitHub — o modelo de áudio generativo da Suno, sua licença e histórico de commits.

Leituras relacionadas

• Análise do Piper TTS — o mecanismo TTS local rápido, só CPU, que este guia classifica em primeiro lugar para combinações com o Ollama.
• Análise do XTTS v2 — a análise completa sobre clonagem de voz, sua licença não comercial e comandos de uso reais.
• Análise do Coqui TTS — o toolkit que executa o XTTS v2 e outros modelos por meio de uma única API Python.
• Análise do Bark TTS — o modelo de áudio expressivo não vocal, incluindo seu status de manutenção.
• Licenças de TTS local e clonagem de voz — uma comparação completa de licenças entre mecanismos TTS locais.
• ElevenLabs vs. Piper vs. XTTS v2 — a comparação entre nuvem e local para leitores em dúvida sobre autoalojar ou não.
• Guia de construção de assistente de voz local — uma configuração completa com Whisper, Ollama e Piper, para leitores que também precisam de reconhecimento de voz na entrada.