Tacotron 2 de Google obtuvo una puntuación media de opinión (MOS) de 4,53 frente a 4,58 de la voz grabada profesionalmente en diciembre de 2017 (Google, artículo de Tacotron 2, 2017), y desde entonces la brecha entre la voz sintética y la humana se ha cerrado en casi todos los benchmarks estándar. En 2024, sistemas zero-shot como VALL-E 2 y MaskGCT ya puntuaban ligeramente por encima de las grabaciones de referencia con las que se comparaban (Microsoft, VALL-E 2, 2024; MaskGCT, 2024), y en un estudio de escucha de 2025 el 58% de los clones de voz fueron confundidos con voces humanas reales (Queen Mary University of London, PLOS ONE 2025). La pregunta más difícil en 2026 ya no es si las máquinas pueden sonar humanas, sino si la prueba de MOS aún puede medir la diferencia. Reunimos datos de Google DeepMind, Microsoft Research, ByteDance, el Blizzard Challenge, el VoiceMOS Challenge, ITU-T, PLOS ONE, Artificial Analysis y Hugging Face; para el panorama más amplio del mercado, consulta nuestro resumen de estadísticas de texto a voz.
TL;DR
- Tacotron 2 obtuvo un MOS de 4,53 frente a 4,58 de las grabaciones profesionales (Google, artículo de Tacotron 2, 2017).
- WaveNet redujo en más de un 50% la brecha con la voz humana, con 4,21 frente a 4,55 en inglés de EE. UU. (DeepMind, WaveNet 2016).
- NaturalSpeech obtuvo -0,01 de CMOS frente a las grabaciones de LJ Speech, sin diferencia significativa (Microsoft Research, NaturalSpeech 2022).
- VALL-E 2 obtuvo +0,033 de CMOS y 4,61 de SMOS frente a 4,13 de la grabación de referencia en LibriSpeech (Microsoft, VALL-E 2, 2024).
- NaturalSpeech 3 se entrenó con 200.000 horas y 1.000 millones de parámetros (Microsoft, NaturalSpeech 3, 2024).
- CosyVoice 3 amplió los datos de entrenamiento de 10.000 a 1 millón de horas en 9 idiomas (Alibaba, CosyVoice 3, 2025).
- Las grabaciones humanas puntuaron entre 4,30 y 4,58 de MOS en cuatro artículos de referencia (artículos de Google, DeepMind, Kakao y Microsoft, 2016-2021).
- Dos sistemas del Blizzard Challenge 2023 no fueron estadísticamente distintos de la voz natural en MOS, algo inédito en el desafío (resumen del Blizzard Challenge 2023, Computer Speech and Language 2024).
- El 58% de los clones de voz y el 41% de las voces genéricas de IA fueron juzgados como humanos (Lavan et al., PLOS ONE 2025).
- Los oyentes identificaron correctamente los deepfakes de voz el 73% de las veces (Mai et al., PLOS ONE 2023).
- El VoiceMOS Challenge 2022 abarcó 187 sistemas de TTS y de conversión de voz de 22 equipos (VoiceMOS Challenge 2022).
- El mejor modelo de Speech Arena obtuvo 1321 de Elo con un intervalo de más o menos 189 (Artificial Analysis, octubre de 2026).
1. El Techo Humano No Es una Cifra Fija
Toda afirmación de paridad depende de una puntuación de referencia para la voz real, y esa referencia se mueve. La voz humana grabada ha puntuado hasta 4,58 y hasta 4,30 de MOS en artículos de TTS de referencia, una dispersión de 0,28 puntos, mayor que la distancia que separa a muchos sistemas rivales en las mismas tablas. Solo el conjunto LJ Speech produjo 4,46 en el artículo de VITS y 4,30 en el de FastSpeech 2, porque los grupos de oyentes, las instrucciones y el diseño de la prueba varían de un laboratorio a otro.
La lectura práctica: un MOS de 4,4 no significa nada por sí solo. Solo cobra sentido junto a la puntuación de la grabación de referencia en la misma prueba de escucha, por lo que los artículos modernos informan cada vez más el CMOS (MOS comparativo, una puntuación lado a lado respecto a una referencia) en lugar del MOS bruto. El artículo de VITS es un buen ejemplo: informa 4,46 para la grabación de referencia y 4,43 para su propio sistema, una diferencia de 0,03 dentro de los intervalos de confianza.
| Métrica | Valor | Fuente |
|---|---|---|
| MOS de la voz grabada profesionalmente, prueba de Tacotron 2 | 4,58 | Google, artículo de Tacotron 2, 2017 |
| MOS de la voz humana, inglés de EE. UU., prueba de WaveNet | 4,55 | DeepMind, WaveNet 2016 |
| MOS de la voz humana, mandarín, prueba de WaveNet | 4,21 | DeepMind, WaveNet 2016 |
| MOS de la grabación de referencia de LJ Speech, prueba de VITS | 4,46 (± 0,06) | Kim et al. (Kakao Enterprise), VITS 2021 |
| MOS de la grabación de referencia de VCTK, prueba de VITS | 4,38 (± 0,07) | Kim et al., VITS 2021 |
| MOS de la grabación de referencia de LJ Speech, prueba de FastSpeech 2 | 4,30 (± 0,07) | Microsoft y Universidad de Zhejiang, FastSpeech 2 2020 |
| Grabación de referencia pasada por un vocoder, prueba de FastSpeech 2 | 3,92 | FastSpeech 2 2020 |
Nota de contexto: la fila del vocoder importa. Simplemente convertir grabaciones reales a espectrogramas mel y de vuelta costó 0,38 puntos de MOS en la prueba de FastSpeech 2, lo que muestra cuánto de la brecha histórica provenía de la generación de la forma de onda y no del modelado del texto. La mayoría de estos artículos tiene más de tres años y se muestra como el dato más reciente disponible para sus benchmarks.
2. De WaveNet a la Paridad: TTS de un Solo Locutor, 2016 a 2022
La historia del locutor único tomó unos seis años. WaveNet redujo en más de un 50% la brecha entre los mejores sistemas existentes y la voz humana en 2016, con 4,21 en inglés de EE. UU. frente a 3,86 de la síntesis concatenativa y 3,67 de la paramétrica (anuncio de WaveNet de DeepMind). Tacotron 2 llevó luego la diferencia a 0,05 puntos y, en 2021, VITS igualó la grabación de referencia en el conjunto multilocutor VCTK, con 4,38.
La meta llegó con NaturalSpeech de Microsoft, que obtuvo -0,01 de CMOS frente a las grabaciones de LJ Speech a nivel de oración, con una prueba de rangos con signo de Wilcoxon que no mostró diferencia significativa. Lo interesante es lo que vino después: una vez alcanzada la paridad en voz leída y limpia, el campo dejó de competir en naturalidad de locutor único y pasó a clonar voces nunca vistas a partir de unos pocos segundos de audio.
| Métrica | Valor | Fuente |
|---|---|---|
| MOS de WaveNet frente al humano, inglés de EE. UU. | 4,21 frente a 4,55 | DeepMind, WaveNet 2016 |
| MOS de WaveNet frente al humano, mandarín | 4,08 frente a 4,21 | DeepMind, WaveNet 2016 |
| MOS concatenativo frente a paramétrico, inglés de EE. UU. (previo a WaveNet) | 3,86 frente a 3,67 | DeepMind, WaveNet 2016 |
| MOS de Tacotron 2 frente a las grabaciones | 4,53 frente a 4,58 | Google, artículo de Tacotron 2, 2017 |
| MOS de VITS frente a la grabación de referencia, LJ Speech | 4,43 frente a 4,46 | Kim et al., VITS 2021 |
| MOS de VITS frente a la grabación de referencia, VCTK multilocutor | 4,38 frente a 4,38 | Kim et al., VITS 2021 |
| Tacotron 2 + HiFi-GAN en VCTK, misma prueba | 3,14 | Kim et al., VITS 2021 |
| CMOS de NaturalSpeech frente a las grabaciones de LJ Speech | -0,01 (p >> 0,05) | Microsoft Research, NaturalSpeech 2022 |
La velocidad mejoró junto con la calidad. VITS sintetizaba a 67,12 veces el tiempo real, frente a 27,48 veces de una canalización Glow-TTS más HiFi-GAN, y FastSpeech 2 se entrenó en 17,02 horas frente a 53,12 de FastSpeech, una aceleración de 3,12x (artículo de FastSpeech 2).
| Métrica | Valor | Fuente |
|---|---|---|
| Factor de tiempo real de VITS | 67,12x | Kim et al., VITS 2021 |
| Factor de tiempo real de Glow-TTS + HiFi-GAN | 27,48x | Kim et al., VITS 2021 |
| MOS de FastSpeech 2 frente al MOS de Tacotron 2 (20 evaluadores nativos) | 3,83 frente a 3,70 | FastSpeech 2 2020 |
| Tiempo de entrenamiento de FastSpeech 2 frente a FastSpeech | 17,02 h frente a 53,12 h (3,12x más rápido) | FastSpeech 2 2020 |
3. La Clonación de Voz Zero-Shot Alcanza y Supera la Referencia
El TTS zero-shot, que clona a un locutor nunca visto a partir de una muestra breve, comprimió el mismo recorrido en unos dos años. VALL-E 2 de Microsoft obtuvo +0,033 de CMOS frente a la grabación de referencia en LibriSpeech, y su puntuación de similitud de locutor (4,61) superó a las grabaciones reales (4,13) (artículo de VALL-E 2, 20 evaluadores nativos de inglés estadounidense). El VALL-E original, lanzado en enero de 2023 y entrenado con 60.000 horas de inglés, todavía quedaba 0,17 de CMOS por debajo de la grabación de referencia en LibriSpeech.
La escala es el hilo conductor. NaturalSpeech 3 usó 200.000 horas y 1.000 millones de parámetros, MaskGCT 100.000 horas de voz en condiciones reales y CosyVoice 3 de Alibaba un millón de horas en 9 idiomas y 18 dialectos chinos. La pregunta para quienes compran software de clonación de voz en 2026 ya no es si un clon puede igualar una grabación de referencia en una prueba de laboratorio, sino con qué consistencia lo hace con muestras ruidosas, acentos y voz expresiva. Nuestras estadísticas de clonación de voz cubren la adopción y el uso indebido.
| Métrica | Valor | Fuente |
|---|---|---|
| Datos de entrenamiento de VALL-E | 60.000 horas de inglés | Microsoft, VALL-E 2023 |
| CMOS de VALL-E frente a la grabación de referencia, LibriSpeech (referencia +0,17) | -0,17 | Microsoft, VALL-E 2023 |
| CMOS de VALL-E 2 frente a la grabación de referencia, LibriSpeech | +0,033 | Microsoft, VALL-E 2, 2024 |
| SMOS de VALL-E 2 frente a la grabación de referencia, LibriSpeech | 4,61 frente a 4,13 | Microsoft, VALL-E 2, 2024 |
| CMOS de NaturalSpeech 3 (referencia en +0,08) | 0,00 | Microsoft, NaturalSpeech 3, 2024 |
| SMOS de NaturalSpeech 3 frente a la grabación de referencia | 4,01 frente a 3,85 | Microsoft, NaturalSpeech 3, 2024 |
| CMOS de MaskGCT frente a la grabación de referencia, LibriSpeech | +0,10 | MaskGCT 2024 |
| CMOS de Seed-TTS frente al humano, inglés / mandarín | -0,07 / -0,08 | ByteDance, Seed-TTS 2024 |
Las métricas objetivas cuentan la misma historia. CosyVoice 3 registró una tasa de error de palabras del 1,45% en el conjunto de prueba en inglés de Seed-TTS frente al 2,14% de las grabaciones humanas (artículo de CosyVoice 3), lo que significa que el reconocimiento automático de voz transcribe el audio sintético con más exactitud que la voz real. Es señal de una articulación muy limpia, no necesariamente de mayor naturalidad, ya que los hablantes reales murmuran, dudan y varían.
| Métrica | Valor | Fuente |
|---|---|---|
| Datos de entrenamiento y tamaño de NaturalSpeech 3 | 200.000 horas, 1.000 M de parámetros | Microsoft, NaturalSpeech 3, 2024 |
| Datos de entrenamiento de MaskGCT | 100.000 horas (50 mil en inglés, 50 mil en chino) | MaskGCT 2024 |
| Datos de entrenamiento de CosyVoice 3 | 1 millón de horas, 9 idiomas, 18 dialectos chinos | Alibaba, CosyVoice 3, 2025 |
| WER de CosyVoice 3 frente al humano, Seed-TTS test-en | 1,45% frente a 2,14% | Alibaba, CosyVoice 3, 2025 |
| WER de Seed-TTS DiT frente al humano, inglés | 1,733 frente a 2,143 | ByteDance, Seed-TTS 2024 |
| CMOS de F5-TTS frente a la grabación de referencia, Seed-TTS test-en / test-zh | +0,31 / +0,21 | F5-TTS 2024 |
| WER de F5-TTS frente a la grabación de referencia, LibriSpeech-PC | 2,42 frente a 2,23 | F5-TTS 2024 |
Nota de contexto: los propios resultados de VALL-E 2 en VCTK muestran lo frágil que es la paridad. Con muestras de referencia de 3 segundos, su SMOS igualó a la grabación de referencia (4,47 frente a 4,47), pero con muestras de 10 segundos la grabación de referencia obtuvo 4,74 y VALL-E 2 entre 3,95 y 4,26. CosyVoice 3 también informa que en chino todos sus modelos aún quedan por detrás de la voz humana, mientras que en inglés el modelo de 1,5B la supera.
4. El Blizzard Challenge: Paridad bajo Pruebas Independientes
Las pruebas realizadas por los propios autores tienen un evidente conflicto de intereses, y por eso importa el Blizzard Challenge: los organizadores aplican una única prueba de escucha compartida a todas las participaciones. La edición de 2023, la decimoctava, atrajo a 18 equipos a su tarea Hub (51 horas de audio en francés) y a 14 a su tarea Spoke (2 horas), todos con enfoques neuronales (The Blizzard Challenge 2023, ISCA). MuLanTTS de Microsoft, identificado como sistema F, obtuvo un MOS de 4,3 frente a 4,4 de la grabación natural en la tarea Hub y de 4,5 frente a 4,5 en la tarea Spoke (artículo de MuLanTTS).
El resumen posterior de los organizadores llegó a una conclusión más aguda: dos sistemas fueron calificados como estadísticamente indistinguibles de la voz natural en MOS, algo inédito en la historia del desafío, pero en una prueba MUSHRA más fina todos los sistemas fueron juzgados significativamente distintos de la voz natural (Refining the evaluation of speech synthesis, Computer Speech and Language 2024). Dicho de otro modo, la escala MOS de 5 puntos se saturó antes de que las voces llegaran a ser realmente idénticas. El mismo resumen halló que los oyentes no nativos y los no expertos dieron puntuaciones más altas que los oyentes nativos y los expertos en voz.
| Métrica | Valor | Fuente |
|---|---|---|
| Equipos Hub / Spoke en Blizzard 2023 | 18 / 14 | Perrotin et al., Blizzard Challenge 2023 |
| Datos de entrenamiento Hub / Spoke (francés) | 51 horas / 2 horas | Perrotin et al., Blizzard Challenge 2023 |
| MOS de MuLanTTS frente a la grabación natural, Hub | 4,3 frente a 4,4 | Microsoft, MuLanTTS 2023 |
| MOS de MuLanTTS frente a la grabación natural, Spoke | 4,5 frente a 4,5 | Microsoft, MuLanTTS 2023 |
| Sistemas estadísticamente indistinguibles de la voz natural en MOS | 2 (primera vez en Blizzard) | Resumen del Blizzard Challenge 2023, CSL 2024 |
| Sistemas juzgados distintos de la voz natural en MUSHRA | Todos | Resumen del Blizzard Challenge 2023, CSL 2024 |
| MOS / SMOS de DelightfulTTS, tarea SH1 de Blizzard 2021 | 4,17 / 4,35 | Microsoft, DelightfulTTS 2021 |
La edición de 2025 trasladó el problema difícil a los idiomas con pocos recursos. Pidió a los equipos construir voces para el bildts, una variedad del neerlandés con unos 6.000 hablantes nativos, a partir de un conjunto de 7 horas, además de una tarea zero-shot con 10 segundos de voz de referencia (The Blizzard Challenge 2025, Universidad de Groninga). Siete equipos participaron en la tarea principal y cinco en la tarea zero-shot.
| Métrica | Valor | Fuente |
|---|---|---|
| Hablantes nativos del idioma objetivo de Blizzard 2025 | Unos 6.000 (bildts) | Do et al., Blizzard Challenge 2025 |
| Datos de entrenamiento de la tarea principal | 7 horas, un solo locutor | Do et al., Blizzard Challenge 2025 |
| Audio de referencia de la tarea zero-shot | 10 segundos por locutor | Do et al., Blizzard Challenge 2025 |
| Equipos en la tarea principal / zero-shot | 7 / 5 | Do et al., Blizzard Challenge 2025 |
5. Por Qué Divergen las Cifras de MOS: Métodos, Estándares y Predicción Automática
El método MOS se creó para líneas telefónicas, no para voces neuronales. La ITU-T P.800, aprobada en agosto de 1996, aún rige las pruebas subjetivas de calidad de transmisión; la P.800.1 (julio de 2016) estandariza la terminología de MOS; y la P.808 (junio de 2018, revisada en junio de 2021) cubre las pruebas de calidad de voz mediante crowdsourcing (ITU-T P.808). Una revisión de artículos de Interspeech y SSW de 2021-2022 halló que la mayoría de los autores no informa las etiquetas de la escala, los incrementos ni las instrucciones dadas a los oyentes (Kirkland et al., Stuck in the MOS pit, SSW 2023), y que el MOS de calidad promedia más alto que el MOS de naturalidad para la misma voz natural.
El mismo equipo realizó pruebas de escucha controladas con estímulos idénticos y halló que cambiar solo el incremento de la escala o la instrucción de calificación modificó el MOS de algunos sistemas. Las decisiones de benchmark también divergen: un artículo de posición de 2025 señaló que VALL-E evalúa 1.234 enunciados de LibriSpeech, NaturalSpeech 3 y MaskGCT evalúan 40 y F5-TTS evalúa 1.127, y que el WER de MaskGCT es del 2,63% en el conjunto de 40 enunciados pero del 4,22% en el de 1.234 (Towards Responsible Evaluation for Text-to-Speech, 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Aprobación de ITU-T P.800 | Agosto de 1996 (vigente) | ITU-T |
| Terminología de MOS de ITU-T P.800.1, versión más reciente | Julio de 2016 | ITU-T |
| Pruebas por crowdsourcing de ITU-T P.808 | Junio de 2018, revisada en junio de 2021 | ITU-T |
| Artículos que informan etiquetas de escala, incrementos o instrucciones | Minoría (Interspeech y SSW, 2021-2022) | Kirkland et al., SSW 2023 |
| Enunciados de LibriSpeech test-clean usados: VALL-E / NaturalSpeech 3 / F5-TTS | 1.234 / 40 / 1.127 | Yang et al., 2025 |
| WER de MaskGCT en 40 frente a 1.234 enunciados | 2,63% frente a 4,22% | Yang et al., 2025 |
| Similitud de locutor con frente a sin la muestra de referencia incluida | 0,905 frente a 0,754 | Yang et al., 2025 |
| Panel de MOS de CosyVoice 3 | 200 oraciones, 10 evaluadores nativos, pasos de 0,5 puntos | Alibaba, CosyVoice 3, 2025 |
Como las pruebas con humanos son lentas e inconsistentes, el campo desarrolló predictores automáticos de MOS. El primer VoiceMOS Challenge, en 2022, atrajo a 22 equipos para predecir las calificaciones humanas de 187 sistemas de TTS y de conversión de voz que abarcaban más de una década de investigación (VoiceMOS Challenge 2022), y los modelos de voz autosupervisados con ajuste fino resultaron los más eficaces. Desde entonces la participación ha disminuido a 10 equipos en 2023 y 8 en 2024, cuya primera pista se centró en síntesis de alta calidad examinada de cerca, donde los predictores más tropiezan.
| Métrica | Valor | Fuente |
|---|---|---|
| Equipos / sistemas en la pista principal de VoiceMOS 2022 | 22 / 187 | Huang et al., VoiceMOS Challenge 2022 |
| Equipos de VoiceMOS 2023 | 10 de 7 países | VoiceMOS Challenge 2023 (ASRU 2023) |
| Equipos de VoiceMOS 2024 | 8 | Huang et al., VoiceMOS Challenge 2024 |
| Conjuntos de entrenamiento / prueba de MOS-Bench | 8 / 17 | MOS-Bench 2024 (revisado en 2026) |
| UTMOS de NaturalSpeech 3 frente a la grabación de referencia | 4,30 frente a 4,14 | Microsoft, NaturalSpeech 3, 2024 |
Nota de contexto: las puntuaciones automáticas como UTMOS ahora suelen calificar la voz sintética por encima de las grabaciones reales, como muestra la tabla de NaturalSpeech 3, lo cual es una razón para tratarlas como herramientas de cribado y no como prueba de naturalidad.
6. ¿Los Oyentes Aún Pueden Distinguirlo? Estudios de Percepción
Alcanzar la paridad en una escala de calificación es una cosa; engañar a un oyente al que se le pregunta directamente es otra. En un estudio de 2025 de la Queen Mary University of London, el 58% de los clones de voz y el 41% de las voces genéricas de IA fueron juzgados como humanos, mientras que las voces humanas reales fueron reconocidas como humanas entre el 62% y el 81% de las veces según el experimento (Lavan et al., PLOS ONE 2025). Los clones se crearon a partir de unos 4 minutos de grabaciones por locutor con herramientas disponibles comercialmente. Los autores titularon el artículo ‘realistas pero (todavía) no hiperrealistas’: los clones no superaron a las voces reales en conjunto, pero estuvieron lo bastante cerca como para que el juicio de cualquier oyente individual no sea fiable.
Las impresiones sociales son el hallazgo menos comentado. Las voces genéricas de IA fueron calificadas como más dominantes que las humanas (58,1 frente a 40,4 en una escala de 0 a 100) y algo más confiables (57,9 frente a 53,8). Para quien produce narración sintética o usa un generador de voz con IA, eso significa que los oyentes responden a estas voces como a personas, lo que eleva la importancia de avisar de que la voz es sintética.
| Métrica | Valor | Fuente |
|---|---|---|
| Clones de voz juzgados como humanos | 58% | Lavan et al., PLOS ONE 2025 |
| Voces genéricas de IA juzgadas como humanas | 41% | Lavan et al., PLOS ONE 2025 |
| Voces humanas reales juzgadas como humanas | 62% a 81% (según el experimento) | Lavan et al., PLOS ONE 2025 |
| Tiempo de grabación usado por clon de voz | Unos 4 minutos | Lavan et al., PLOS ONE 2025 |
| Participantes por experimento / voces por experimento | 50 / 80 | Lavan et al., PLOS ONE 2025 |
| Calificación de dominancia, voces genéricas de IA frente a humanas | 58,1 frente a 40,4 | Lavan et al., PLOS ONE 2025 |
| Calificación de confiabilidad, voces genéricas de IA frente a humanas | 57,9 frente a 53,8 | Lavan et al., PLOS ONE 2025 |
Datos anteriores sobre detección apuntan en la misma dirección. Un estudio de 2023 con 529 participantes halló que los oyentes identificaron correctamente los deepfakes de voz solo el 73% de las veces, con hablantes de inglés y de mandarín rindiendo más o menos igual, y mostrarles cinco ejemplos de deepfake de antemano aumentó la precisión apenas un 3,84% (Mai et al., PLOS ONE 2023). Nuestras estadísticas de precisión en la detección de deepfakes de audio siguen cómo se comparan los detectores automáticos.
| Métrica | Valor | Fuente |
|---|---|---|
| Participantes | 529 | Mai et al., PLOS ONE 2023 |
| Deepfakes identificados correctamente, clips individuales | 73% | Mai et al., PLOS ONE 2023 |
| Clips genuinos identificados correctamente, clips individuales | 67,78% | Mai et al., PLOS ONE 2023 |
| Deepfakes reconocidos al emparejarse con un clip real | 85,59% | Mai et al., PLOS ONE 2023 |
| Mejora de precisión con 5 ejemplos de entrenamiento | 3,84% | Mai et al., PLOS ONE 2023 |
7. Arenas de Preferencia y el Mercado Detrás de las Puntuaciones
Con el MOS de laboratorio saturándose, los rankings han pasado a la preferencia por pares a ciegas. Hugging Face lanzó TTS Arena el 27 de febrero de 2024 con seis modelos, pidiendo a los usuarios que eligieran la más natural de dos muestras anónimas y clasificando los resultados con un sistema tipo Elo (Hugging Face, lanzamiento de TTS Arena). En la clasificación Speech Arena de Artificial Analysis consultada el 3 de octubre de 2026, Eleven v4 de ElevenLabs lideraba con 1321 de Elo, pero con un intervalo de más o menos 189 que se superpone con todos los demás modelos del top 10 (clasificación de texto a voz de Artificial Analysis). Leído con honestidad, el grupo de cabeza es un empate estadístico entre al menos seis proveedores.
La propia respuesta de Hugging Face a la lentitud en la recolección de votos, el Open TTS Leaderboard, lanzado el 30 de septiembre de 2026, sustituye los votos humanos por métricas objetivas (WER, similitud de locutor, velocidad) y afirma que evaluar un modelo pasa de un par de semanas a un par de horas, en un Hub que ya aloja más de 8.000 modelos de TTS (Hugging Face, Open TTS Leaderboard).
| Métrica | Valor | Fuente |
|---|---|---|
| Modelos de TTS Arena en el lanzamiento (feb. 2024) | 6 | Hugging Face, feb. 2024 |
| N.º 1 de Speech Arena: Eleven v4 (ElevenLabs) | 1321 de Elo (± 189), 1.930 muestras | Artificial Analysis, oct. 2026 |
| N.º 2: Qwen-Audio-3.1-TTS-Plus (Alibaba) | 1292 de Elo (± 189) | Artificial Analysis, oct. 2026 |
| N.º 3 / N.º 4: Sonic 3.6 (Cartesia) / Gemini 3.8 Flash TTS (Google) | 1278 / 1275 de Elo | Artificial Analysis, oct. 2026 |
| N.º 10: Breeze TTS 2 (BreezeBlue) | 1216 de Elo | Artificial Analysis, oct. 2026 |
| Modelos de TTS alojados en Hugging Face Hub | Más de 8.000 | Hugging Face, sept. 2026 |
Lo que está en juego comercialmente explica la carrera. Las voces neuronales y de IA ya concentran el 67,18% de los ingresos del mercado de texto a voz, que Mordor Intelligence dimensiona en USD 4,36 mil millones en 2026 y proyecta en USD 7,92 mil millones para 2031 (Mordor Intelligence, Text to Speech Market). Research and Markets sitúa la base de 2023 en USD 3,8 mil millones, con una proyección de USD 9,3 mil millones para 2030 (comunicado de GlobeNewswire, dic. 2024).
| Métrica | Valor | Fuente |
|---|---|---|
| Tamaño del mercado de TTS, 2025 / 2026 | USD 3,87 mil M / USD 4,36 mil M | Mordor Intelligence, 2026 |
| Proyección del mercado de TTS, 2031 | USD 7,92 mil M (CAGR del 12,66%) | Mordor Intelligence, 2026 |
| Participación de las voces neuronales / de IA en los ingresos | 67,18% (CAGR del 15,08%) | Mordor Intelligence, 2026 |
| Participación de Norteamérica, 2025 | 36,78% | Mordor Intelligence, 2026 |
| Mercado de TTS, 2023 a 2030 | USD 3,8 mil M a USD 9,3 mil M (CAGR del 13,4%) | Research and Markets, dic. 2024 |
| Proyección del mercado de TTS en China, 2030 | USD 2,3 mil M (CAGR del 17,5%) | Research and Markets, dic. 2024 |
Resumen: MOS de la Voz Sintética en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| MOS de Tacotron 2 frente a las grabaciones profesionales | 4,53 frente a 4,58 | Google, 2017 |
| Reducción de la brecha de WaveNet con la voz humana | Más del 50% | DeepMind, 2016 |
| Rango de MOS de la voz humana en los artículos de referencia | 4,30 a 4,58 | Google, DeepMind, Kakao, Microsoft, 2016-2021 |
| MOS de VITS frente a la grabación de referencia, VCTK | 4,38 frente a 4,38 | Kakao Enterprise, 2021 |
| CMOS de NaturalSpeech frente a las grabaciones | -0,01 (no significativo) | Microsoft Research, 2022 |
| CMOS de VALL-E 2 frente a la grabación de referencia, LibriSpeech | +0,033 | Microsoft, 2024 |
| SMOS de VALL-E 2 frente a la grabación de referencia | 4,61 frente a 4,13 | Microsoft, 2024 |
| CMOS de MaskGCT frente a la grabación de referencia | +0,10 | MaskGCT, 2024 |
| CMOS de Seed-TTS frente al humano, inglés | -0,07 | ByteDance, 2024 |
| WER de CosyVoice 3 frente al humano, inglés | 1,45% frente a 2,14% | Alibaba, 2025 |
| Datos de entrenamiento de CosyVoice 3 | 1 millón de horas | Alibaba, 2025 |
| Sistemas de Blizzard 2023 equivalentes a la voz natural en MOS | 2 (primera vez) | Resumen del Blizzard Challenge 2023, 2024 |
| MuLanTTS frente a la grabación natural, Hub de Blizzard 2023 | 4,3 frente a 4,4 | Microsoft, 2023 |
| Artículos con informe completo del método de MOS | Minoría | Kirkland et al., SSW 2023 |
| Sistemas / equipos de VoiceMOS 2022 | 187 / 22 | VoiceMOS Challenge 2022 |
| Clones de voz juzgados como humanos | 58% | Lavan et al., PLOS ONE 2025 |
| Deepfakes identificados correctamente por los oyentes | 73% | Mai et al., PLOS ONE 2023 |
| Elo más alto de Speech Arena | 1321 (± 189) | Artificial Analysis, oct. 2026 |
| Participación de las voces neuronales / de IA en los ingresos de TTS | 67,18% | Mordor Intelligence, 2026 |
| Mercado de TTS, 2026 | USD 4,36 mil M | Mordor Intelligence, 2026 |
Metodología y Fuentes
Toda cifra de MOS, CMOS y SMOS de arriba proviene del artículo o del informe del desafío que realizó la prueba de escucha, leída del resumen de arXiv o de las tablas del texto completo. Cuando un artículo mostraba los resultados solo en un gráfico (por ejemplo, las barras de MOS de CosyVoice 3), usamos la conclusión en texto y descartamos los valores aproximados. Las afirmaciones de paridad autoinformadas por los desarrolladores de los modelos se etiquetan con el nombre del desarrollador para que los lectores puedan sopesarlas frente a pruebas independientes como el Blizzard Challenge.
- DeepMind: anuncio de WaveNet (sept. 2016) y artículo de WaveNet
- Google: artículo de Tacotron 2 (dic. 2017)
- Microsoft y Universidad de Zhejiang: FastSpeech 2 (2020)
- Kakao Enterprise: VITS (jun. 2021)
- Microsoft Research: NaturalSpeech (may. 2022), NaturalSpeech 3 (mar. 2024), VALL-E (ene. 2023), VALL-E 2 (jun. 2024), MuLanTTS (sept. 2023), DelightfulTTS (oct. 2021)
- ByteDance: Seed-TTS (jun. 2024)
- MaskGCT (sept. 2024) y F5-TTS (oct. 2024)
- Alibaba: CosyVoice 3 (may. 2025)
- Blizzard Challenge: The Blizzard Challenge 2023 (ISCA), Refining the evaluation of speech synthesis, Computer Speech and Language (2024), The Blizzard Challenge 2025
- ITU-T: P.800, P.800.1, P.808
- Kirkland et al.: Stuck in the MOS pit, SSW 2023
- Yang et al.: Towards Responsible Evaluation for Text-to-Speech (oct. 2025)
- VoiceMOS Challenge: 2022, 2023, 2024; MOS-Bench
- Lavan et al.: Voice clones sound realistic but not (yet) hyperrealistic, PLOS ONE (sept. 2025)
- Mai et al.: Warning: Humans cannot reliably detect speech deepfakes, PLOS ONE (ago. 2023)
- Hugging Face: lanzamiento de TTS Arena (feb. 2024), Open TTS Leaderboard (sept. 2026)
- Artificial Analysis: clasificación de texto a voz (consultada el 3 de oct. de 2026)
- Mordor Intelligence: Text to Speech Market; Research and Markets vía GlobeNewswire (dic. 2024)
- Nota sobre los datos: los valores de MOS, CMOS y SMOS no son comparables entre artículos porque los grupos de oyentes, las escalas y las instrucciones difieren; las escalas de CMOS también varían (F5-TTS usa de -3 a +3). La mayoría de las afirmaciones de paridad de las secciones 2 y 3 provienen de pruebas de los propios desarrolladores con paneles pequeños (por ejemplo, 12 evaluadores para el CMOS de VALL-E y 20 para el de VALL-E 2), y los resultados de WaveNet, Tacotron 2, FastSpeech 2 y VITS tienen más de tres años y se muestran como el dato más reciente disponible para esos benchmarks. Los hallazgos de Blizzard 2023 sobre paridad estadística y MUSHRA provienen del resumen publicado por los organizadores. Las puntuaciones Elo de Artificial Analysis cambian a diario conforme llegan votos y sus intervalos de confianza se superponen en los 10 primeros. Las estimaciones de mercado discrepan: Mordor Intelligence sitúa 2025 en USD 3,87 mil millones con un CAGR del 12,66% hasta 2031, mientras que Research and Markets proyecta USD 9,3 mil millones para 2030 con un CAGR del 13,4% desde una base de USD 3,8 mil millones en 2023; la diferencia refleja definiciones de alcance distintas. Los resultados completos de la prueba de escucha de Blizzard 2025 y el próximo VoiceMOS Challenge son los principales datos nuevos que se esperan.
Última actualización: 3 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se publiquen los resultados del próximo VoiceMOS Challenge y el análisis completo de la prueba de escucha del Blizzard Challenge 2025.