O Tacotron 2, do Google, atingiu uma nota média de opinião (MOS) de 4,53 contra 4,58 da fala gravada profissionalmente em dezembro de 2017 (Google, artigo do Tacotron 2, 2017), e desde então a distância entre fala sintética e fala humana se fechou em quase todos os benchmarks padrão. Em 2024, sistemas zero-shot como VALL-E 2 e MaskGCT já pontuavam ligeiramente acima das gravações de referência com as quais eram comparados (Microsoft, VALL-E 2, 2024; MaskGCT, 2024), e, em um estudo de escuta de 2025, 58% dos clones de voz foram confundidos com vozes humanas reais (Queen Mary University of London, PLOS ONE 2025). A pergunta mais difícil em 2026 já não é se as máquinas conseguem soar humanas, e sim se o teste de MOS ainda consegue medir a diferença. Agregamos dados de Google DeepMind, Microsoft Research, ByteDance, Blizzard Challenge, VoiceMOS Challenge, ITU-T, PLOS ONE, Artificial Analysis e Hugging Face; para o panorama mais amplo do mercado, veja nosso levantamento de estatísticas de conversão de texto em fala.
TL;DR
- O Tacotron 2 obteve MOS de 4,53 contra 4,58 das gravações profissionais (Google, artigo do Tacotron 2, 2017).
- O WaveNet reduziu em mais de 50% a distância até a fala humana, com 4,21 contra 4,55 em inglês dos EUA (DeepMind, WaveNet 2016).
- O NaturalSpeech obteve -0,01 de CMOS contra as gravações do LJ Speech, sem diferença significativa (Microsoft Research, NaturalSpeech 2022).
- O VALL-E 2 obteve +0,033 de CMOS e 4,61 de SMOS contra 4,13 da gravação de referência no LibriSpeech (Microsoft, VALL-E 2, 2024).
- O NaturalSpeech 3 foi treinado com 200.000 horas e 1 bilhão de parâmetros (Microsoft, NaturalSpeech 3, 2024).
- O CosyVoice 3 ampliou os dados de treinamento de 10.000 para 1 milhão de horas em 9 idiomas (Alibaba, CosyVoice 3, 2025).
- As gravações humanas pontuaram de 4,30 a 4,58 de MOS em quatro artigos de referência (artigos de Google, DeepMind, Kakao e Microsoft, 2016-2021).
- Dois sistemas do Blizzard Challenge 2023 não foram estatisticamente diferentes da fala natural em MOS, uma estreia no desafio (resumo do Blizzard Challenge 2023, Computer Speech and Language 2024).
- 58% dos clones de voz e 41% das vozes genéricas de IA foram julgados humanos (Lavan et al., PLOS ONE 2025).
- Os ouvintes identificaram corretamente deepfakes de fala em 73% das vezes (Mai et al., PLOS ONE 2023).
- O VoiceMOS Challenge 2022 cobriu 187 sistemas de TTS e de conversão de voz de 22 equipes (VoiceMOS Challenge 2022).
- O melhor modelo da Speech Arena obteve 1321 de Elo, com intervalo de mais ou menos 189 (Artificial Analysis, outubro de 2026).
1. O Teto Humano Não É um Número Fixo
Toda alegação de paridade depende de uma nota de referência para a fala real, e essa referência se move. A fala humana gravada já pontuou até 4,58 e até 4,30 de MOS em artigos de TTS de referência, uma dispersão de 0,28 ponto, maior que a distância entre muitos sistemas concorrentes nas mesmas tabelas. Só o conjunto LJ Speech produziu 4,46 no artigo do VITS e 4,30 no artigo do FastSpeech 2, porque os grupos de ouvintes, as instruções e o desenho do teste variam de laboratório para laboratório.
A leitura prática: um MOS de 4,4 não significa nada isoladamente. Só ganha sentido ao lado da nota da gravação de referência no mesmo teste de escuta, e por isso os artigos modernos reportam cada vez mais o CMOS (MOS comparativo, uma nota lado a lado relativa a uma referência) em vez do MOS bruto. O artigo do VITS ilustra bem: ele informa 4,46 para a gravação de referência e 4,43 para o próprio sistema, uma diferença de 0,03 dentro dos intervalos de confiança.
| Métrica | Valor | Fonte |
|---|---|---|
| MOS da fala gravada profissionalmente, teste do Tacotron 2 | 4,58 | Google, artigo do Tacotron 2, 2017 |
| MOS da fala humana, inglês dos EUA, teste do WaveNet | 4,55 | DeepMind, WaveNet 2016 |
| MOS da fala humana, mandarim, teste do WaveNet | 4,21 | DeepMind, WaveNet 2016 |
| MOS da gravação de referência do LJ Speech, teste do VITS | 4,46 (± 0,06) | Kim et al. (Kakao Enterprise), VITS 2021 |
| MOS da gravação de referência do VCTK, teste do VITS | 4,38 (± 0,07) | Kim et al., VITS 2021 |
| MOS da gravação de referência do LJ Speech, teste do FastSpeech 2 | 4,30 (± 0,07) | Microsoft e Universidade de Zhejiang, FastSpeech 2 2020 |
| Gravação de referência passada por um vocoder, teste do FastSpeech 2 | 3,92 | FastSpeech 2 2020 |
Nota de contexto: a linha do vocoder importa. Simplesmente converter gravações reais em espectrogramas mel e de volta custou 0,38 ponto de MOS no teste do FastSpeech 2, o que mostra quanto da distância histórica vinha da geração da forma de onda e não da modelagem do texto. A maioria desses artigos tem mais de três anos e é exibida como o dado mais recente disponível para seus benchmarks.
2. Do WaveNet à Paridade: TTS de Locutor Único, 2016 a 2022
A história do locutor único levou cerca de seis anos. O WaveNet reduziu em mais de 50% a distância entre os melhores sistemas existentes e a fala humana em 2016, com 4,21 em inglês dos EUA contra 3,86 da síntese concatenativa e 3,67 da paramétrica (anúncio do WaveNet pela DeepMind). O Tacotron 2 levou então a diferença a 0,05 ponto e, em 2021, o VITS igualou a gravação de referência no conjunto multilocutor VCTK, com 4,38.
A linha de chegada veio com o NaturalSpeech, da Microsoft, que obteve -0,01 de CMOS contra as gravações do LJ Speech no nível da frase, com um teste de postos sinalizados de Wilcoxon sem diferença significativa. O mais interessante foi o que veio depois: quando a paridade foi alcançada em fala lida e limpa, o campo deixou de competir em naturalidade de locutor único e passou a clonar vozes inéditas a partir de poucos segundos de áudio.
| Métrica | Valor | Fonte |
|---|---|---|
| MOS do WaveNet contra o humano, inglês dos EUA | 4,21 contra 4,55 | DeepMind, WaveNet 2016 |
| MOS do WaveNet contra o humano, mandarim | 4,08 contra 4,21 | DeepMind, WaveNet 2016 |
| MOS concatenativo contra paramétrico, inglês dos EUA (pré-WaveNet) | 3,86 contra 3,67 | DeepMind, WaveNet 2016 |
| MOS do Tacotron 2 contra as gravações | 4,53 contra 4,58 | Google, artigo do Tacotron 2, 2017 |
| MOS do VITS contra a gravação de referência, LJ Speech | 4,43 contra 4,46 | Kim et al., VITS 2021 |
| MOS do VITS contra a gravação de referência, VCTK multilocutor | 4,38 contra 4,38 | Kim et al., VITS 2021 |
| Tacotron 2 + HiFi-GAN no VCTK, mesmo teste | 3,14 | Kim et al., VITS 2021 |
| CMOS do NaturalSpeech contra as gravações do LJ Speech | -0,01 (p >> 0,05) | Microsoft Research, NaturalSpeech 2022 |
A velocidade melhorou junto com a qualidade. O VITS sintetizava a 67,12 vezes o tempo real, contra 27,48 vezes de um pipeline Glow-TTS com HiFi-GAN, e o FastSpeech 2 treinou em 17,02 horas contra 53,12 do FastSpeech, um ganho de 3,12x (artigo do FastSpeech 2).
| Métrica | Valor | Fonte |
|---|---|---|
| Fator de tempo real do VITS | 67,12x | Kim et al., VITS 2021 |
| Fator de tempo real do Glow-TTS + HiFi-GAN | 27,48x | Kim et al., VITS 2021 |
| MOS do FastSpeech 2 contra o MOS do Tacotron 2 (20 avaliadores nativos) | 3,83 contra 3,70 | FastSpeech 2 2020 |
| Tempo de treinamento do FastSpeech 2 contra o do FastSpeech | 17,02 h contra 53,12 h (3,12x mais rápido) | FastSpeech 2 2020 |
3. A Clonagem de Voz Zero-Shot Alcança e Supera a Referência
O TTS zero-shot, que clona um locutor inédito a partir de uma amostra curta, comprimiu a mesma jornada em cerca de dois anos. O VALL-E 2, da Microsoft, obteve +0,033 de CMOS contra a gravação de referência no LibriSpeech, e sua pontuação de similaridade de locutor (4,61) superou as gravações reais (4,13) (artigo do VALL-E 2, 20 avaliadores nativos de inglês americano). O VALL-E original, lançado em janeiro de 2023 e treinado com 60.000 horas de inglês, ainda ficava 0,17 de CMOS abaixo da gravação de referência no LibriSpeech.
A escala é o fio condutor. O NaturalSpeech 3 usou 200.000 horas e 1 bilhão de parâmetros, o MaskGCT 100.000 horas de fala em condições reais e o CosyVoice 3, da Alibaba, um milhão de horas em 9 idiomas e 18 dialetos chineses. A pergunta para quem compra software de clonagem de voz em 2026 já não é se um clone consegue igualar uma gravação de referência em um teste de laboratório, e sim com que consistência isso acontece com amostras ruidosas, sotaques e fala expressiva. Nossas estatísticas de clonagem de voz cobrem adoção e uso indevido.
| Métrica | Valor | Fonte |
|---|---|---|
| Dados de treinamento do VALL-E | 60.000 horas de inglês | Microsoft, VALL-E 2023 |
| CMOS do VALL-E contra a gravação de referência, LibriSpeech (referência +0,17) | -0,17 | Microsoft, VALL-E 2023 |
| CMOS do VALL-E 2 contra a gravação de referência, LibriSpeech | +0,033 | Microsoft, VALL-E 2, 2024 |
| SMOS do VALL-E 2 contra a gravação de referência, LibriSpeech | 4,61 contra 4,13 | Microsoft, VALL-E 2, 2024 |
| CMOS do NaturalSpeech 3 (referência em +0,08) | 0,00 | Microsoft, NaturalSpeech 3, 2024 |
| SMOS do NaturalSpeech 3 contra a gravação de referência | 4,01 contra 3,85 | Microsoft, NaturalSpeech 3, 2024 |
| CMOS do MaskGCT contra a gravação de referência, LibriSpeech | +0,10 | MaskGCT 2024 |
| CMOS do Seed-TTS contra o humano, inglês / mandarim | -0,07 / -0,08 | ByteDance, Seed-TTS 2024 |
As métricas objetivas contam a mesma história. O CosyVoice 3 registrou uma taxa de erro de palavras de 1,45% no conjunto de teste em inglês do Seed-TTS contra 2,14% das gravações humanas (artigo do CosyVoice 3), o que significa que o reconhecimento automático de fala transcreve o áudio sintético com mais precisão que a fala real. Isso indica articulação muito limpa, não necessariamente maior naturalidade, já que falantes reais murmuram, hesitam e variam.
| Métrica | Valor | Fonte |
|---|---|---|
| Dados de treinamento e tamanho do NaturalSpeech 3 | 200.000 horas, 1 bi de parâmetros | Microsoft, NaturalSpeech 3, 2024 |
| Dados de treinamento do MaskGCT | 100.000 horas (50 mil em inglês, 50 mil em chinês) | MaskGCT 2024 |
| Dados de treinamento do CosyVoice 3 | 1 milhão de horas, 9 idiomas, 18 dialetos chineses | Alibaba, CosyVoice 3, 2025 |
| WER do CosyVoice 3 contra o humano, Seed-TTS test-en | 1,45% contra 2,14% | Alibaba, CosyVoice 3, 2025 |
| WER do Seed-TTS DiT contra o humano, inglês | 1,733 contra 2,143 | ByteDance, Seed-TTS 2024 |
| CMOS do F5-TTS contra a gravação de referência, Seed-TTS test-en / test-zh | +0,31 / +0,21 | F5-TTS 2024 |
| WER do F5-TTS contra a gravação de referência, LibriSpeech-PC | 2,42 contra 2,23 | F5-TTS 2024 |
Nota de contexto: os próprios resultados do VALL-E 2 no VCTK mostram como a paridade é frágil. Com amostras de referência de 3 segundos, seu SMOS igualou a gravação de referência (4,47 contra 4,47), mas com amostras de 10 segundos a gravação de referência obteve 4,74 e o VALL-E 2 ficou entre 3,95 e 4,26. O CosyVoice 3 também informa que, em chinês, todos os seus modelos ainda ficam atrás da fala humana, enquanto em inglês o modelo de 1,5B a supera.
4. O Blizzard Challenge: Paridade em Teste Independente
Os testes conduzidos pelos próprios autores têm um evidente conflito de interesses, e é por isso que o Blizzard Challenge importa: os organizadores aplicam um único teste de escuta compartilhado a todas as inscrições. A edição de 2023, a décima oitava, atraiu 18 equipes para a tarefa Hub (51 horas de áudio em francês) e 14 para a tarefa Spoke (2 horas), todas com abordagens neurais (The Blizzard Challenge 2023, ISCA). O MuLanTTS, da Microsoft, identificado como sistema F, obteve MOS de 4,3 contra 4,4 da gravação natural na tarefa Hub e 4,5 contra 4,5 na tarefa Spoke (artigo do MuLanTTS).
O resumo posterior dos organizadores chegou a uma conclusão mais incisiva: dois sistemas foram avaliados como estatisticamente indistinguíveis da fala natural em MOS, uma estreia na história do desafio, mas em um teste MUSHRA mais fino todos os sistemas foram julgados significativamente diferentes da fala natural (Refining the evaluation of speech synthesis, Computer Speech and Language 2024). Em outras palavras, a escala de 5 pontos do MOS saturou antes que as vozes de fato se tornassem idênticas. O mesmo resumo constatou que ouvintes não nativos e não especialistas deram notas mais altas que ouvintes nativos e especialistas em fala.
| Métrica | Valor | Fonte |
|---|---|---|
| Equipes Hub / Spoke no Blizzard 2023 | 18 / 14 | Perrotin et al., Blizzard Challenge 2023 |
| Dados de treinamento Hub / Spoke (francês) | 51 horas / 2 horas | Perrotin et al., Blizzard Challenge 2023 |
| MOS do MuLanTTS contra a gravação natural, Hub | 4,3 contra 4,4 | Microsoft, MuLanTTS 2023 |
| MOS do MuLanTTS contra a gravação natural, Spoke | 4,5 contra 4,5 | Microsoft, MuLanTTS 2023 |
| Sistemas estatisticamente indistinguíveis da fala natural em MOS | 2 (primeira vez no Blizzard) | Resumo do Blizzard Challenge 2023, CSL 2024 |
| Sistemas julgados diferentes da fala natural no MUSHRA | Todos | Resumo do Blizzard Challenge 2023, CSL 2024 |
| MOS / SMOS do DelightfulTTS, tarefa SH1 do Blizzard 2021 | 4,17 / 4,35 | Microsoft, DelightfulTTS 2021 |
A edição de 2025 deslocou o problema difícil para idiomas de poucos recursos. Pediu às equipes que construíssem vozes para o Bildts, uma variedade do holandês com cerca de 6.000 falantes nativos, a partir de um conjunto de 7 horas, além de uma tarefa zero-shot com 10 segundos de fala de referência (The Blizzard Challenge 2025, Universidade de Groningen). Sete equipes participaram da tarefa principal e cinco da tarefa zero-shot.
| Métrica | Valor | Fonte |
|---|---|---|
| Falantes nativos do idioma-alvo do Blizzard 2025 | Cerca de 6.000 (Bildts) | Do et al., Blizzard Challenge 2025 |
| Dados de treinamento da tarefa principal | 7 horas, um único locutor | Do et al., Blizzard Challenge 2025 |
| Áudio de referência da tarefa zero-shot | 10 segundos por locutor | Do et al., Blizzard Challenge 2025 |
| Equipes na tarefa principal / zero-shot | 7 / 5 | Do et al., Blizzard Challenge 2025 |
5. Por Que os Números de MOS Divergem: Métodos, Padrões e Previsão Automática
O método de MOS foi criado para linhas telefônicas, não para vozes neurais. A ITU-T P.800, aprovada em agosto de 1996, ainda rege os testes subjetivos de qualidade de transmissão; a P.800.1 (julho de 2016) padroniza a terminologia de MOS; e a P.808 (junho de 2018, revisada em junho de 2021) cobre testes de qualidade de fala por crowdsourcing (ITU-T P.808). Uma revisão de artigos do Interspeech e do SSW de 2021-2022 constatou que a maioria dos autores não informa os rótulos da escala, os incrementos nem as instruções dadas aos ouvintes (Kirkland et al., Stuck in the MOS pit, SSW 2023), e que o MOS de qualidade tem média mais alta que o MOS de naturalidade para a mesma fala natural.
A mesma equipe realizou testes de escuta controlados com estímulos idênticos e constatou que mudar apenas o incremento da escala ou a instrução de avaliação alterou o MOS de alguns sistemas. As escolhas de benchmark também divergem: um artigo de posicionamento de 2025 observou que o VALL-E avalia 1.234 enunciados do LibriSpeech, o NaturalSpeech 3 e o MaskGCT avaliam 40 e o F5-TTS avalia 1.127, e que o WER do MaskGCT é de 2,63% no conjunto de 40 enunciados, mas de 4,22% no de 1.234 (Towards Responsible Evaluation for Text-to-Speech, 2025).
| Métrica | Valor | Fonte |
|---|---|---|
| Aprovação da ITU-T P.800 | Agosto de 1996 (em vigor) | ITU-T |
| Terminologia de MOS da ITU-T P.800.1, versão mais recente | Julho de 2016 | ITU-T |
| Testes por crowdsourcing da ITU-T P.808 | Junho de 2018, revisada em junho de 2021 | ITU-T |
| Artigos que informam rótulos da escala, incrementos ou instruções | Minoria (Interspeech e SSW, 2021-2022) | Kirkland et al., SSW 2023 |
| Enunciados do LibriSpeech test-clean usados: VALL-E / NaturalSpeech 3 / F5-TTS | 1.234 / 40 / 1.127 | Yang et al., 2025 |
| WER do MaskGCT em 40 contra 1.234 enunciados | 2,63% contra 4,22% | Yang et al., 2025 |
| Similaridade de locutor com contra sem a amostra de referência incluída | 0,905 contra 0,754 | Yang et al., 2025 |
| Painel de MOS do CosyVoice 3 | 200 frases, 10 avaliadores nativos, passos de 0,5 ponto | Alibaba, CosyVoice 3, 2025 |
Como os testes com humanos são lentos e inconsistentes, o campo criou preditores automáticos de MOS. O primeiro VoiceMOS Challenge, em 2022, atraiu 22 equipes para prever as notas humanas de 187 sistemas de TTS e de conversão de voz que cobriam mais de uma década de pesquisa (VoiceMOS Challenge 2022), e os modelos de fala autossupervisionados com ajuste fino se mostraram os mais eficazes. A participação diminuiu desde então, para 10 equipes em 2023 e 8 em 2024, cuja primeira trilha focou em síntese de alta qualidade analisada de perto, onde os preditores mais sofrem.
| Métrica | Valor | Fonte |
|---|---|---|
| Equipes / sistemas na trilha principal do VoiceMOS 2022 | 22 / 187 | Huang et al., VoiceMOS Challenge 2022 |
| Equipes do VoiceMOS 2023 | 10 de 7 países | VoiceMOS Challenge 2023 (ASRU 2023) |
| Equipes do VoiceMOS 2024 | 8 | Huang et al., VoiceMOS Challenge 2024 |
| Conjuntos de treino / teste do MOS-Bench | 8 / 17 | MOS-Bench 2024 (revisado em 2026) |
| UTMOS do NaturalSpeech 3 contra a gravação de referência | 4,30 contra 4,14 | Microsoft, NaturalSpeech 3, 2024 |
Nota de contexto: notas automáticas como o UTMOS hoje costumam avaliar a fala sintética acima das gravações reais, como mostra a tabela do NaturalSpeech 3, o que é um motivo para tratá-las como ferramentas de triagem e não como prova de naturalidade.
6. Os Ouvintes Ainda Conseguem Distinguir? Estudos de Percepção
Alcançar a paridade em uma escala de notas é uma coisa; enganar um ouvinte a quem se pergunta diretamente é outra. Em um estudo de 2025 da Queen Mary University of London, 58% dos clones de voz e 41% das vozes genéricas de IA foram julgados humanos, enquanto as vozes humanas reais foram reconhecidas como humanas em 62% a 81% das vezes, dependendo do experimento (Lavan et al., PLOS ONE 2025). Os clones foram criados a partir de cerca de 4 minutos de gravações por locutor, com ferramentas disponíveis comercialmente. Os autores intitularam o artigo ‘realistas, mas (ainda) não hiper-realistas’: os clones não superaram as vozes reais no geral, mas ficaram perto o bastante para que o julgamento de qualquer ouvinte isolado seja pouco confiável.
As impressões sociais são o achado menos comentado. As vozes genéricas de IA foram avaliadas como mais dominantes que as humanas (58,1 contra 40,4 em uma escala de 0 a 100) e um pouco mais confiáveis (57,9 contra 53,8). Para quem produz narração sintética ou usa um gerador de voz com IA, isso significa que os ouvintes reagem a essas vozes como a pessoas, o que eleva a importância de avisar que a voz é sintética.
| Métrica | Valor | Fonte |
|---|---|---|
| Clones de voz julgados humanos | 58% | Lavan et al., PLOS ONE 2025 |
| Vozes genéricas de IA julgadas humanas | 41% | Lavan et al., PLOS ONE 2025 |
| Vozes humanas reais julgadas humanas | 62% a 81% (por experimento) | Lavan et al., PLOS ONE 2025 |
| Tempo de gravação usado por clone de voz | Cerca de 4 minutos | Lavan et al., PLOS ONE 2025 |
| Participantes por experimento / vozes por experimento | 50 / 80 | Lavan et al., PLOS ONE 2025 |
| Nota de dominância, vozes genéricas de IA contra humanas | 58,1 contra 40,4 | Lavan et al., PLOS ONE 2025 |
| Nota de confiabilidade, vozes genéricas de IA contra humanas | 57,9 contra 53,8 | Lavan et al., PLOS ONE 2025 |
Dados anteriores sobre detecção apontam na mesma direção. Um estudo de 2023 com 529 participantes constatou que os ouvintes identificaram corretamente deepfakes de fala em apenas 73% das vezes, com falantes de inglês e de mandarim tendo desempenho semelhante, e mostrar cinco exemplos de deepfake de antemão elevou a precisão em apenas 3,84% (Mai et al., PLOS ONE 2023). Nossas estatísticas de precisão na detecção de deepfakes de áudio acompanham como os detectores automáticos se comparam.
| Métrica | Valor | Fonte |
|---|---|---|
| Participantes | 529 | Mai et al., PLOS ONE 2023 |
| Deepfakes identificados corretamente, trechos isolados | 73% | Mai et al., PLOS ONE 2023 |
| Trechos genuínos identificados corretamente, trechos isolados | 67,78% | Mai et al., PLOS ONE 2023 |
| Deepfakes reconhecidos quando pareados com um trecho real | 85,59% | Mai et al., PLOS ONE 2023 |
| Ganho de precisão com 5 exemplos de treinamento | 3,84% | Mai et al., PLOS ONE 2023 |
7. Arenas de Preferência e o Mercado por Trás das Notas
Com o MOS de laboratório saturando, os rankings migraram para a preferência pareada às cegas. A Hugging Face lançou o TTS Arena em 27 de fevereiro de 2024 com seis modelos, pedindo aos usuários que escolhessem a mais natural entre duas amostras anônimas e classificando os resultados com um sistema do tipo Elo (Hugging Face, lançamento do TTS Arena). No ranking Speech Arena da Artificial Analysis consultado em 3 de outubro de 2026, o Eleven v4, da ElevenLabs, liderava com 1321 de Elo, mas com um intervalo de mais ou menos 189 que se sobrepõe a todos os outros modelos do top 10 (ranking de texto para fala da Artificial Analysis). Lido com honestidade, o grupo de cima é um empate estatístico entre pelo menos seis provedores.
A resposta da própria Hugging Face à lentidão na coleta de votos, o Open TTS Leaderboard, lançado em 30 de setembro de 2026, troca votos humanos por métricas objetivas (WER, similaridade de locutor, velocidade) e afirma que avaliar um modelo passa de algumas semanas para algumas horas, em um Hub que hoje abriga mais de 8.000 modelos de TTS (Hugging Face, Open TTS Leaderboard).
| Métrica | Valor | Fonte |
|---|---|---|
| Modelos do TTS Arena no lançamento (fev. 2024) | 6 | Hugging Face, fev. 2024 |
| Nº 1 da Speech Arena: Eleven v4 (ElevenLabs) | 1321 de Elo (± 189), 1.930 amostras | Artificial Analysis, out. 2026 |
| Nº 2: Qwen-Audio-3.1-TTS-Plus (Alibaba) | 1292 de Elo (± 189) | Artificial Analysis, out. 2026 |
| Nº 3 / Nº 4: Sonic 3.6 (Cartesia) / Gemini 3.8 Flash TTS (Google) | 1278 / 1275 de Elo | Artificial Analysis, out. 2026 |
| Nº 10: Breeze TTS 2 (BreezeBlue) | 1216 de Elo | Artificial Analysis, out. 2026 |
| Modelos de TTS hospedados no Hugging Face Hub | Mais de 8.000 | Hugging Face, set. 2026 |
O que está em jogo comercialmente explica a corrida. As vozes neurais e de IA já detêm 67,18% da receita do mercado de texto para fala, que a Mordor Intelligence dimensiona em USD 4,36 bilhões em 2026, chegando a USD 7,92 bilhões em 2031 (Mordor Intelligence, Text to Speech Market). A Research and Markets coloca a base de 2023 em USD 3,8 bilhões, com projeção de USD 9,3 bilhões em 2030 (comunicado da GlobeNewswire, dez. 2024).
| Métrica | Valor | Fonte |
|---|---|---|
| Tamanho do mercado de TTS, 2025 / 2026 | USD 3,87 bi / USD 4,36 bi | Mordor Intelligence, 2026 |
| Projeção do mercado de TTS, 2031 | USD 7,92 bi (CAGR de 12,66%) | Mordor Intelligence, 2026 |
| Participação das vozes neurais / de IA na receita | 67,18% (CAGR de 15,08%) | Mordor Intelligence, 2026 |
| Participação da América do Norte, 2025 | 36,78% | Mordor Intelligence, 2026 |
| Mercado de TTS, 2023 a 2030 | USD 3,8 bi a USD 9,3 bi (CAGR de 13,4%) | Research and Markets, dez. 2024 |
| Projeção do mercado de TTS na China, 2030 | USD 2,3 bi (CAGR de 17,5%) | Research and Markets, dez. 2024 |
Resumo: MOS da Fala Sintética em Números
| Métrica | Valor | Fonte |
|---|---|---|
| MOS do Tacotron 2 contra as gravações profissionais | 4,53 contra 4,58 | Google, 2017 |
| Redução da distância do WaveNet até a fala humana | Mais de 50% | DeepMind, 2016 |
| Faixa de MOS da fala humana nos artigos de referência | 4,30 a 4,58 | Google, DeepMind, Kakao, Microsoft, 2016-2021 |
| MOS do VITS contra a gravação de referência, VCTK | 4,38 contra 4,38 | Kakao Enterprise, 2021 |
| CMOS do NaturalSpeech contra as gravações | -0,01 (não significativo) | Microsoft Research, 2022 |
| CMOS do VALL-E 2 contra a gravação de referência, LibriSpeech | +0,033 | Microsoft, 2024 |
| SMOS do VALL-E 2 contra a gravação de referência | 4,61 contra 4,13 | Microsoft, 2024 |
| CMOS do MaskGCT contra a gravação de referência | +0,10 | MaskGCT, 2024 |
| CMOS do Seed-TTS contra o humano, inglês | -0,07 | ByteDance, 2024 |
| WER do CosyVoice 3 contra o humano, inglês | 1,45% contra 2,14% | Alibaba, 2025 |
| Dados de treinamento do CosyVoice 3 | 1 milhão de horas | Alibaba, 2025 |
| Sistemas do Blizzard 2023 equivalentes à fala natural em MOS | 2 (primeira vez) | Resumo do Blizzard Challenge 2023, 2024 |
| MuLanTTS contra a gravação natural, Hub do Blizzard 2023 | 4,3 contra 4,4 | Microsoft, 2023 |
| Artigos com relato completo do método de MOS | Minoria | Kirkland et al., SSW 2023 |
| Sistemas / equipes do VoiceMOS 2022 | 187 / 22 | VoiceMOS Challenge 2022 |
| Clones de voz julgados humanos | 58% | Lavan et al., PLOS ONE 2025 |
| Deepfakes identificados corretamente pelos ouvintes | 73% | Mai et al., PLOS ONE 2023 |
| Elo mais alto da Speech Arena | 1321 (± 189) | Artificial Analysis, out. 2026 |
| Participação das vozes neurais / de IA na receita de TTS | 67,18% | Mordor Intelligence, 2026 |
| Mercado de TTS, 2026 | USD 4,36 bi | Mordor Intelligence, 2026 |
Metodologia e Fontes
Todo número de MOS, CMOS e SMOS acima vem do artigo ou do relatório do desafio que conduziu o teste de escuta, lido a partir do resumo no arXiv ou das tabelas do texto completo. Quando um artigo mostrava os resultados apenas em gráfico (por exemplo, as barras de MOS do CosyVoice 3), usamos a conclusão em texto e descartamos os valores aproximados. As alegações de paridade informadas pelos próprios desenvolvedores dos modelos são identificadas com o nome do desenvolvedor, para que os leitores possam pesá-las frente a testes independentes como o Blizzard Challenge.
- DeepMind: anúncio do WaveNet (set. 2016) e artigo do WaveNet
- Google: artigo do Tacotron 2 (dez. 2017)
- Microsoft e Universidade de Zhejiang: FastSpeech 2 (2020)
- Kakao Enterprise: VITS (jun. 2021)
- Microsoft Research: NaturalSpeech (mai. 2022), NaturalSpeech 3 (mar. 2024), VALL-E (jan. 2023), VALL-E 2 (jun. 2024), MuLanTTS (set. 2023), DelightfulTTS (out. 2021)
- ByteDance: Seed-TTS (jun. 2024)
- MaskGCT (set. 2024) e F5-TTS (out. 2024)
- Alibaba: CosyVoice 3 (mai. 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 (out. 2025)
- VoiceMOS Challenge: 2022, 2023, 2024; MOS-Bench
- Lavan et al.: Voice clones sound realistic but not (yet) hyperrealistic, PLOS ONE (set. 2025)
- Mai et al.: Warning: Humans cannot reliably detect speech deepfakes, PLOS ONE (ago. 2023)
- Hugging Face: lançamento do TTS Arena (fev. 2024), Open TTS Leaderboard (set. 2026)
- Artificial Analysis: ranking de texto para fala (consultado em 3 de out. de 2026)
- Mordor Intelligence: Text to Speech Market; Research and Markets via GlobeNewswire (dez. 2024)
- Nota sobre os dados: os valores de MOS, CMOS e SMOS não são comparáveis entre artigos porque os grupos de ouvintes, as escalas e as instruções diferem; as escalas de CMOS também variam (o F5-TTS usa de -3 a +3). A maioria das alegações de paridade das seções 2 e 3 vem de testes dos próprios desenvolvedores com painéis pequenos (por exemplo, 12 avaliadores para o CMOS do VALL-E e 20 para o do VALL-E 2), e os resultados de WaveNet, Tacotron 2, FastSpeech 2 e VITS têm mais de três anos, exibidos como o dado mais recente disponível para esses benchmarks. Os achados do Blizzard 2023 sobre paridade estatística e MUSHRA vêm do resumo publicado pelos organizadores. Os Elo da Artificial Analysis mudam todos os dias conforme chegam votos, e seus intervalos de confiança se sobrepõem nos 10 primeiros. As estimativas de mercado divergem: a Mordor Intelligence coloca 2025 em USD 3,87 bilhões com CAGR de 12,66% até 2031, enquanto a Research and Markets projeta USD 9,3 bilhões até 2030, com CAGR de 13,4% a partir de uma base de USD 3,8 bilhões em 2023; a diferença reflete definições de escopo distintas. Os resultados completos do teste de escuta do Blizzard 2025 e o próximo VoiceMOS Challenge são os principais dados novos esperados.
Última atualização: 3 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando forem publicados os resultados do próximo VoiceMOS Challenge e a análise completa do teste de escuta do Blizzard Challenge 2025.