Licenças de TTS local e clonagem de voz 2026: quais motores permitem uso comercial (Piper, XTTS v2, F5-TTS, Coqui)

Dados rápidos

• TTS local mais rápido: Piper — tempo real em Raspberry Pi 5, ~10× mais rápido que em tempo real em CPU de desktop moderno.
• Melhor qualidade de clonagem de voz: XTTS v2 — 6 segundos de áudio de referência, clonagem multilíngue em 17 idiomas.
• Clonagem de voz zero-shot mais rápida (arquitetura mais nova): F5-TTS — ~3 segundos de áudio, flow-matching, ~3–5× tempo real em RTX 4070.
• Kit de ferramentas open source mais flexível: Coqui TTS — suporta backends VITS, Tacotron2, XTTS, mais de 20 modelos de idioma.
• Único áudio generativo (sons não falados): Bark — risadas, suspiros, música, ambiente. O mais lento de todos.
• Melhor qualidade de narração em inglês: StyleTTS 2 — transferência de estilo baseada em difusão, MOS quase humano no benchmark LJSpeech.
• Livres para uso comercial: Piper, Bark, StyleTTS 2 (MIT); Kokoro, Tortoise (Apache 2.0); kit Coqui TTS (MPL 2.0, com condições). Não comercial: XTTS v2 (CPML), F5-TTS (CC-BY-NC-4.0).
• Vozes e idiomas do XTTS v2: Não há lista fixa de vozes — você fornece um clipe de referência de 6 segundos e ele clona aquela voz. Presets de falantes embutidos vêm com o modelo, e ele gera em 17 idiomas: en, es, fr, de, it, pt, pl, tr, ru, nl, cs, ar, zh-cn, ja, hu, ko, hi.
• VRAM do XTTS v2: ~2 GB de pesos do modelo; 4 GB no mínimo para rodar, 4–6 GB recomendados para inferência em tempo real.
• Aceite a CPML em CI/Docker: export COQUI_TOS_AGREED=1 — sem necessidade de prompt interativo.
• Requisitos de VRAM: Piper: somente CPU. Kokoro: CPU / 1–2 GB. StyleTTS 2: 2–4 GB. Coqui VITS: 2–4 GB. F5-TTS: 3–5 GB. XTTS v2: 4–6 GB. Bark: 4–8 GB. Tortoise: 4–8 GB.

Por que o TTS local importa

• Privacidade: Seu conteúdo de texto nunca sai do seu equipamento. Fundamental para ditado médico, resumos jurídicos, narração de diários privados ou leitura em voz alta de documentos confidenciais.
• Custo: Os preços do TTS em nuvem são tipicamente de US$ 4–30 por milhão de caracteres. Um desenvolvedor que gera 10 milhões de caracteres por mês economiza US$ 40–300/mês com uma configuração local única.
• Latência: Sem viagem de rede de ida e volta. Piper gera o primeiro token de áudio em menos de 50 ms em CPU — mais rápido que qualquer TTS em nuvem.
• Personalização: A clonagem de voz (XTTS v2, F5-TTS, Coqui) permite criar uma voz personalizada a partir de poucos segundos de áudio. Os provedores em nuvem cobram US$ 10+/mês por cada voz clonada.
• Operação offline: Funciona em aviões, instalações seguras, zonas remotas sem internet. Interface de voz embarcada para quiosques e dispositivos.
• Casa inteligente: Piper é a camada TTS principal para interfaces de voz locais sempre ativas — tempo real em Raspberry Pi, sem GPU. Para um assistente de voz offline completo integrado ao Home Assistant, veja assistente de voz local para casa inteligente →.

Tabela de comparação

Comparação de latência do primeiro áudio

Piper TTS — Opção leve mais rápida

• Arquitetura: TTS neural VITS com inferência ONNX. Projetado para computadores de placa única e Linux embarcado.
• Instalação: pip install piper-tts. Os pacotes de voz pré-treinados estão disponíveis no repositório Piper voices no Hugging Face.
• Uso: echo "Olá, mundo" | piper --model pt_BR-faber-medium.onnx --output_file saida.wav
• Pacotes de voz: Mais de 20 idiomas, múltiplas opções de voz por idioma. Cada pacote de voz é um arquivo de modelo ONNX de 20–200 MB.
• Velocidade: ~10× mais rápido que em tempo real em uma CPU de desktop moderna. Tempo real em Raspberry Pi 5. Latência do primeiro áudio inferior a 50 ms.
• Apple Silicon: ~15× tempo real em M5 Pro (CPU, ARM NEON). Funciona nativamente sem GPU.
• Ouvir amostras: Amostras de voz do Piper
• Ideal para: Assistentes residenciais, dispositivos de quiosque, interface de voz embarcada, leitura em voz alta sensível à privacidade onde não há GPU disponível.
• Limitação: Sem clonagem de voz. A qualidade é "boa" — soa natural mas claramente sintética em comparação com XTTS v2 ou StyleTTS 2.
• Licença: MIT — totalmente comercial, sem restrições.
• Kokoro TTS — alternativa ao Piper: Kokoro TTS é uma alternativa emergente ao Piper na categoria leve. Atinge maior naturalidade que o Piper mantendo-se rápido em CPU. Licenciado sob Apache 2.0. Kokoro

Coqui TTS — Melhor kit de ferramentas open source

• Instalação: pip install TTS. Os modelos são baixados automaticamente no primeiro uso.
• Clonagem de voz: Forneça 6+ segundos de áudio de referência. tts --text "Olá" --model_name tts_models/pt/cv/vits --speaker_wav amostra.wav --out_path saida.wav
• Opções de backend: VITS (o mais rápido, boa qualidade), Tacotron2 (mais antigo, mais lento), XTTS (melhor qualidade).
• Idiomas: Mais de 20 modelos de idioma disponíveis via tts --list_models.
• VRAM: 2–4 GB para o backend VITS; 4–6 GB para o backend XTTS.
• Apple Silicon: ~8× tempo real em M5 Pro (CPU). Sem aceleração Metal GPU.
• Status da comunidade: Coqui Inc fechou em janeiro de 2024. O repositório open source (coqui-ai/TTS) é mantido pela comunidade.
• Licença: MPL 2.0 — uso comercial permitido, mas o código-fonte das modificações deve ser divulgado.
• Ideal para: Desenvolvedores que querem clonagem de voz com um kit de ferramentas open source e licença permissiva.

XTTS v2 — Melhor qualidade de clonagem de voz

• Arquitetura: TTS baseado em GPT com condicionamento do falante.
• Clonagem de voz: Com 6 segundos de áudio de referência é suficiente para um clone de voz convincente. 3 segundos produzem qualidade aceitável.
• Clonagem multilíngue: Clona a voz em um idioma, gera fala em 17 idiomas diferentes com as mesmas características de voz.
• Idiomas (17): Inglês, espanhol, francês, alemão, italiano, português, polonês, turco, russo, holandês, tcheco, árabe, chinês (zh-cn), japonês, húngaro, coreano e hindi. Coreano e hindi foram adicionados no XTTS v2.0.3.
• "Vozes do XTTS v2": Não há catálogo fixo de vozes nomeadas. O XTTS v2 é um modelo de clonagem — você fornece um clipe de referência de 6 segundos e ele reproduz aquele falante. O repositório traz alguns presets de falantes embutidos para testes rápidos, mas o fluxo de trabalho pretendido é fornecer seu próprio speaker_wav.
• VRAM: Os pesos do modelo são ~2 GB. 4 GB de VRAM é o mínimo prático; 4–6 GB são recomendados para inferência em tempo real. Funciona em CPU, mas ~5–10× mais lento.
• Velocidade: Lento — gera ~2× tempo real em um RTX 4070.
• Apple Silicon: ~3× tempo real em M5 Pro (CPU, sem aceleração Metal).
• Ouvir amostras: Demo do XTTS v2 no Hugging Face
• Licença: CPML (Coqui Public Model License) — não comercial. A CPML permite uso pessoal, de pesquisa e de hobby do modelo e de suas saídas de áudio, mas proíbe uso comercial (qualquer produto pago, SaaS, conteúdo monetizado por anúncios ou trabalho para clientes) sem um acordo comercial separado. A Coqui Inc fechou em janeiro de 2024, então atualmente não há entidade vendendo licenças comerciais do XTTS v2 — na prática, trate o XTTS v2 apenas como não comercial. Veja a seção aceitação não interativa da CPML para a variável de ambiente COQUI_TOS_AGREED.

from TTS.api import TTS

# Load XTTS v2 model
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Clone voice from 6-second reference audio and synthesize in any of 17 languages
tts.tts_to_file(
    text="Bonjour, je suis votre assistant vocal.",
    speaker_wav="reference_voice.wav",   # 6+ seconds of the target speaker
    language="fr",                        # Output in French using the cloned voice
    file_path="output.wav"
)

Bark — Áudio generativo além da fala

• Capacidade única: Inclua `[laughs], [sighs], [clears throat], [music]` no seu texto e Bark gera esses sons junto à fala.
• Não controlável como um TTS tradicional: A saída varia entre execuções para a mesma entrada. A qualidade é inconsistente.
• Velocidade: Lento — 2–4× mais lento que em tempo real mesmo em um RTX 4090.
• Apple Silicon: ~1,5× tempo real em M5 Pro (CPU, MPS parcial).
• Ideal para: Áudio criativo, produção de podcasts com efeitos sonoros, ficção interativa.
• VRAM: GPU de 4–8 GB.
• Instalação: pip install suno-bark. Os modelos são baixados na primeira execução (~2 GB).
• Licença: MIT — totalmente comercial.
• Limitação: Sem clonagem de voz confiável.

StyleTTS 2 — Máxima qualidade natural

• Arquitetura: Transferência de estilo baseada em difusão.
• Qualidade: As pontuações MOS mais altas de qualquer motor TTS em inglês open source no benchmark LJSpeech.
• Ideal para: Narração de audiolivros, voz profissional em off, produção de podcasts.
• Instalação: Clone o repositório do GitHub, instale os requisitos (pip install -r requirements.txt), baixe os checkpoints do modelo (~500 MB).
• Suporte de idiomas: Principalmente inglês. Não recomendado para uso em outros idiomas.
• Clonagem de voz: Não suportada.
• VRAM: GPU de 2–4 GB. Mais rápido que XTTS v2 a ~5–8× tempo real em RTX 4070.
• Apple Silicon: ~6× tempo real em M5 Pro (CPU).
• Ouvir amostras: StyleTTS 2 no GitHub
• Licença: MIT — totalmente comercial.

F5-TTS — Clonagem de voz zero-shot, totalmente aberto

• Arquitetura: Flow-matching em vez da arquitetura baseada em GPT do XTTS v2. Tipicamente oferece inferência mais rápida com qualidade competitiva.
• Clonagem de voz: ~3 segundos de áudio de referência é suficiente para clonagem de voz zero-shot.
• Qualidade: Competitiva com XTTS v2 em inglês. Pontuações MOS aproximadamente ~4,1.
• Velocidade: ~3–5× tempo real em RTX 4070.
• Idiomas: Multilíngue — suporte sólido para inglês e chinês, com suporte em expansão.
• Apple Silicon: ~2× tempo real em M5 Pro (CPU).
• VRAM: GPU de 3–5 GB recomendada.
• Instalação: pip install f5-tts ou clone em GitHub.
• Licença: CC-BY-NC-4.0 — somente uso não comercial.
• Por que importa: F5-TTS traz uma arquitetura mais moderna para clonagem de voz local com comunidade ativa. Se XTTS v2 é muito lento ou sua licença CPML é uma preocupação, F5-TTS é a principal alternativa.

Licenças e uso comercial — Posso usar este motor TTS comercialmente?

Aceite a CPML de forma não interativa (COQUI_TOS_AGREED)

• Shell / CI: export COQUI_TOS_AGREED=1 antes de executar seu script.
• Docker: adicione ENV COQUI_TOS_AGREED=1 ao seu Dockerfile, ou passe -e COQUI_TOS_AGREED=1 ao docker run.
• Python (defina antes de o modelo carregar): `import os; os.environ["COQUI_TOS_AGREED"] = "1" — deve rodar antes de TTS(...)` instanciar o modelo XTTS.
• O que faz: registra a aceitação não interativa da CPML para que o carregamento do modelo não fique bloqueado em um prompt y/n. Não é uma licença comercial e não remove a restrição não comercial.

# 1) Shell / CI — aceite a CPML uma vez para a sessão
export COQUI_TOS_AGREED=1

# 2) Dockerfile — incorpore a aceitação na imagem
# ENV COQUI_TOS_AGREED=1

# 3) Python — defina antes de o modelo ser criado
import os
os.environ["COQUI_TOS_AGREED"] = "1"   # deve ser definido ANTES da chamada TTS() abaixo

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
# O modelo agora carrega sem o prompt interativo de licença

TTS local vs ElevenLabs e TTS em nuvem

• Teto de qualidade: ElevenLabs > StyleTTS 2 ≈ XTTS v2 > F5-TTS ≈ Coqui TTS > Piper.
• Latência: Piper local (~30–50 ms primeiro áudio) é mais rápido que qualquer viagem de ida e volta da API ElevenLabs (~300–500 ms).
• Custo: ElevenLabs cobra US$ 5–99/mês por nível. O TTS local custa US$ 0 após o hardware inicial.
• Clonagem de voz: ElevenLabs Instant Voice Clone ≈ qualidade XTTS v2.
• Privacidade: TTS local = nenhum dado de áudio enviado a lugar nenhum. ElevenLabs = áudio processado em seus servidores.
• Capacidade offline: Local = totalmente offline. ElevenLabs = requer internet.
• Quando usar a nuvem: Produção de voz profissional, produtos voltados ao cliente que exigem máxima qualidade.
• Quando usar local: Áudio crítico para privacidade, dispositivos embarcados, processamento em lote sensível ao custo, ambientes offline.

Como escolher

• Precisa de clonagem de voz? → Sim: XTTS v2 (melhor qualidade, CPML) ou F5-TTS (mais rápido, CC-BY-NC-4.0) ou Coqui VITS (boa qualidade, MPL 2.0). Não: Piper (velocidade), StyleTTS 2 (qualidade).
• Precisa funcionar somente em CPU / Raspberry Pi? → Apenas Piper. Kokoro é uma alternativa CPU de maior qualidade com licença Apache 2.0.
• Precisa de áudio criativo com sons não falados? → Bark.
• Precisa da melhor qualidade de narração em inglês? → StyleTTS 2.
• Precisa de suporte multilíngue? → XTTS v2 (17 idiomas, clonagem multilíngue), Coqui (20+ idiomas), Piper (20+ pacotes de idioma).
• Precisa de uma licença MIT totalmente comercial? → Piper, Bark ou StyleTTS 2.
• Construindo um pipeline de assistente de voz? → Piper para saída TTS de baixa latência (veja /pt/power-local-llm/build-local-voice-assistant-2026).

Perguntas frequentes

Fontes

• Piper TTS no GitHub — Código-fonte, pacotes de voz, downloads de modelos ONNX e guia de configuração para Raspberry Pi.
• Coqui TTS no GitHub — Código-fonte, lista de modelos, documentação de clonagem de voz.
• Documentação do XTTS v2 — Ficha do modelo XTTS v2, licença (CPML) e API de clonagem de voz.
• Bark no GitHub — Código-fonte, tokens de prompt de áudio, download do modelo.
• StyleTTS 2 no GitHub — Artigo de arquitetura, checkpoints do modelo e guia de inferência.
• F5-TTS no GitHub — TTS de flow-matching com clonagem de voz zero-shot.
• Kokoro TTS no GitHub — TTS leve de alta qualidade com licença Apache 2.0.
• Tortoise TTS no GitHub — TTS multivoz de alta qualidade com clonagem de voz, licença Apache 2.0. Muito lento, mas compatível com uso comercial.
• XTTS-v2 LICENSE.txt (CPML) no Hugging Face — Texto completo da Coqui Public Model License que rege o XTTS v2.
• Piper voices no Hugging Face — Todos os downloads de pacotes de idioma/voz disponíveis.
• Amostras de voz do Piper — Demos de áudio para todas as vozes do Piper.

Leitura relacionada

• Construa um assistente de voz totalmente offline em 2026 — Use Piper ou Coqui TTS como camada de saída de um pipeline completo de Whisper + LLM + TTS.
• Reconhecimento de voz local 2026: Whisper.cpp vs faster-whisper — O lado de entrada de um pipeline de voz: STT para complementar o TTS.
• Pipeline de IA multimodal local 2026 — Integre o TTS como camada de saída de voz de um stack multimodal completo.
• Construa um assistente de voz local no seu telefone — Assistente de voz móvel usando TTS do sistema iOS ou Piper.
• Melhores GPUs econômicas para LLM local — Seleção de GPU para executar inferência de XTTS v2, F5-TTS, Bark ou StyleTTS 2.
• Melhor IA de texto para voz para criadores de conteúdo — Piper vs Coqui XTTS vs ElevenLabs Local: comparação de qualidade de voz e latência.