Modelo	Tiempo del primer fragmento	Total completo	RTF	Chunks
cosyvoice3	54.71s	209.65s	24.26	4
kokoro-80m	1.80s	3.52s	0.43	3
phonon-40m-es	0.65s	0.65s	0.08	13
pocket-tts	0.60s	0.66s	0.09	94
qwen3-tts-6b (streaming)	24.60s	179.70s	19.53	29
xtts-v2	2.98s	42.26s	4.49	12

RTF: Tiempo total/duracion audio. Menor que 1 es lo ideal.

Setup

Para poder usar los modelos, primero se debe crear un .env con un token de Huggingface. Sin esta, modelos que lo necesiten no funcionaran. Ademas, hay modelos que estan restringidos, por lo que para usarlos tendras que acceder a ellos por Huggingface primero.

Gated models:

Phonon-40m-es
Pocket-TTS

Copia el ejemplo a la raiz, y luego remplaza hf_... por el token de tu cuenta de HuggingFace.

cp env.example .env

Luego, para poder probar el ejemplo dentro de las carpetas, dirigete a la carpeta del modelo que quieres probar:

cd src/kokoro-80m
cd src/phonon-40m-es
cd src/pocket-tts
cd src/qwen3-tts-6b
cd src/xtts-v2

Ahora dentro de la carpeta del modelo, ejecuta los comandos dentros de sus respectivos README.md.

La mayoria se ven asi:

uv sync
.venv\Scripts\activate
# Algunos necesitan descargar un modelo de 2gb, asi que ten eso en cuenta antes de correrlo.
uv run python main.py