Coqui TTS: análise (2026) — o kit de clonagem de voz mantido pela comunidade

História: da Mozilla TTS a um fork comunitário

O que o Coqui TTS realmente faz

• Interface multi-modelo. Uma única classe Python TTS() carrega e executa diferentes arquiteturas de modelo, incluindo modelos VITS de um ou vários falantes, modelos baseados em Tacotron2 e o modelo de clonagem de voz XTTS v2, sem alterar o código da aplicação ao redor.
• Síntese via linha de comando. O comando CLI tts sintetiza voz diretamente pelo terminal, listando todos os modelos pré-treinados disponíveis com tts --list_models.
• Clonagem de voz via XTTS v2. Passar um argumento speaker_wav para um modelo XTTS v2 carregado clona uma voz a partir de um curto trecho de áudio de referência, gerando voz nessa voz clonada nos idiomas que o XTTS v2 suporta.
• Ampla biblioteca de modelos pré-treinados. O kit dá acesso a modelos pré-treinados descritos como cobrindo mais de 1.100 idiomas via os modelos massivamente multilíngues baseados em Fairseq subjacentes, além de modelos curados de maior qualidade para idiomas específicos.
• Treinamento e ajuste fino de modelos. Além de executar modelos pré-treinados, o kit inclui scripts de treinamento e utilitários de análise de datasets para construir ou ajustar um modelo de voz personalizado — historicamente uma de suas funcionalidades mais usadas antes do encerramento do serviço de treinamento hospedado da Coqui AI.
• Inferência em streaming para o XTTS v2. O kit documenta síntese em streaming de baixa latência com o XTTS v2 (citada pela documentação do fork mantido como latência inferior a 200ms até o primeiro áudio), útil para aplicações de voz interativas.

Coqui TTS e XTTS v2: como se relacionam

Instalar e executar o Coqui TTS: passo a passo

1. 1
   Instale o pacote mantido.
   Why it matters: Execute `pip install coqui-tts` (ou `uv pip install coqui-tts` se usar uv) em um ambiente Python. Instale especificamente o pacote `coqui-tts` — não o nome de pacote mais antigo `TTS`, que aponta para o repositório original agora sem manutenção.
2. 2
   Liste os modelos pré-treinados disponíveis.
   Why it matters: Execute `tts --list_models` para ver o catálogo completo de modelos pré-treinados disponíveis para download, organizados por idioma e arquitetura (VITS, Tacotron2, XTTS e outros).
3. 3
   Sintetize voz pela linha de comando.
   Why it matters: Execute `tts --text "Hello world" --out_path output.wav` para sintetizar com o modelo padrão, ou adicione `--model_name <modelo>` para escolher um específico da lista.
4. 4
   (Opcional) Use a API Python para clonagem de voz com o XTTS v2.
   Why it matters: Carregue o modelo com `TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)`, depois chame `.tts_to_file()` com um argumento `speaker_wav` apontando para um curto trecho de áudio de referência e um argumento `language` para clonar uma voz.
5. 5
   (Opcional) Ative a aceleração por GPU.
   Why it matters: Passe `gpu=True` ao construtor `TTS()`, ou chame `.to("cuda")` no objeto de modelo carregado, para executar a inferência em uma GPU NVIDIA — recomendado para o XTTS v2, que é significativamente mais lento apenas com CPU.
6. 6
   (Opcional) Aceite a licença CPML de forma não interativa para o XTTS v2.
   Why it matters: Carregar o XTTS v2 pela primeira vez solicita uma etapa interativa de aceitação da CPML. Defina a variável de ambiente `COQUI_TOS_AGREED=1` para aceitá-la de forma não interativa, necessária para uso não supervisionado em containers Docker ou pipelines de CI.

Exemplos reais de uso

• Aceitação não interativa da CPML para ambientes automatizados: defina COQUI_TOS_AGREED=1 antes do primeiro carregamento do XTTS v2, para que builds do Docker e pipelines de CI não fiquem travados em um prompt interativo.
• Introspecção de falantes e idiomas: após carregar um modelo multi-falante ou multilíngue, tts.speakers e tts.languages listam o que o modelo carregado realmente suporta — útil para validar a entrada antes da síntese.

# Linha de comando: listar modelos pré-treinados disponíveis
tts --list_models

# Linha de comando: sintetizar com o modelo padrão
tts --text "Hello world" --out_path output.wav

# Linha de comando: sintetizar com um modelo específico
tts --model_name "tts_models/en/ljspeech/tacotron2-DDC" \
    --text "This is a test." --out_path output.wav

# API Python: síntese básica
from TTS.api import TTS

tts = TTS("tts_models/en/ljspeech/tacotron2-DDC")
tts.tts_to_file(text="Hello world", file_path="output.wav")

# API Python: clonagem de voz com XTTS v2 (aceite a CPML de forma não interativa primeiro)
# export COQUI_TOS_AGREED=1
import torch
from TTS.api import TTS

device = "cuda" if torch.cuda.is_available() else "cpu"
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

tts.tts_to_file(
    text="Hola, esto es una prueba.",
    speaker_wav="reference_voice.wav",
    language="es",
    file_path="cloned_output.wav",
)

# API Python: listar falantes e idiomas disponíveis em um modelo carregado
print(tts.speakers)
print(tts.languages)

Licença e custo

Para que o Coqui TTS não é bom

• Construir sobre o repositório original sem manutenção. Se você executar pip install TTS (o nome de pacote original) em vez de pip install coqui-tts (o fork mantido), está construindo sobre código que não recebe atualizações desde agosto de 2024 — verifique a qual pacote um tutorial ou dependência realmente se refere antes de confiar nele.
• A síntese somente-CPU mais rápida possível. Se sua prioridade é voz em tempo real em hardware modesto como um Raspberry Pi sem GPU, o Piper é construído especificamente para isso e mais simples de implantar; os modelos maiores do Coqui TTS, especialmente o XTTS v2, são notavelmente mais lentos apenas com CPU.
• Clonagem de voz comercial sem uma verificação de licença separada. Executar o XTTS v2 através do kit Coqui TTS ainda carrega a própria restrição não comercial do XTTS v2 (CPML) sobre os pesos e saídas do modelo — a licença MPL-2.0 do kit não sobrepõe isso. Veja a seção Licença e custo acima.
• Suporte corporativo garantido a longo prazo. A empresa Coqui AI não existe mais desde dezembro de 2023. O fork atual é mantido por um instituto de pesquisa em base comunitária, um modelo de manutenção diferente de uma empresa financiada com contrato de suporte — considere isso para decisões sobre infraestrutura de produção crítica.
• Uma API única e estável entre versões. Como o desenvolvimento se moveu entre um original sem manutenção e um fork ativamente desenvolvido, alguns tutoriais, respostas do Stack Overflow e posts de blog online referenciam uma superfície de API mais antiga ou o nome de pacote original — verifique com a documentação atual do coqui-tts em vez de um resultado de busca mais antigo.

Alternativas ao Coqui TTS

Perguntas frequentes

Veredito

Fontes

• idiap/coqui-ai-TTS no GitHub — o fork mantido ativamente: README, documentação, licença e histórico de versões.
• coqui-tts no PyPI — metadados publicados do pacote, incluindo a licença MPL-2.0 atual e o histórico de versões.
• coqui-ai/TTS no GitHub — o repositório original, agora sem manutenção (licença MPL-2.0).
• XTTS v2 no Hugging Face — a ficha do modelo e o texto da licença CPML do modelo de clonagem de voz.
• Instituto de Pesquisa Idiap — o instituto de pesquisa suíço que mantém o fork comunitário.

Leituras relacionadas

• Licenças de TTS local e clonagem de voz: Piper, XTTS v2, F5-TTS e Coqui — a análise aprofundada de licenças em todos os principais motores de TTS local.
• Análise do XTTS v2 — uma análise completa do modelo de clonagem de voz que este kit pode executar.
• Análise do Piper TTS — a alternativa de TTS local rápida e somente-CPU, analisada com a mesma profundidade.
• ElevenLabs vs Piper vs XTTS v2 — a comparação nuvem versus local para leitores decidindo se devem se auto-hospedar.
• Análise do Bark TTS — o modelo de TTS local de áudio expressivo e não vocal, analisado com a mesma profundidade.