Research note · 3 November 2026 · Dominik Lukeš

Open text-to-speech models for Czech: a listening and word-error test

Status: automatic measurements complete; native-speaker listening results in progress.

Summary

I generated the same seven Czech sentences with four open-weight text-to-speech models, each in its own default or bundled voice, and measured how accurately a speech recogniser could transcribe the result. The page lets you play every clip next to the sentence, the recogniser's transcript and the word-error rate (WER) for that clip.

Models tested

ModelVoice usedSizeWeights licence
OmniVoice (k2-fsa)Automatic voice, no reference audio0.8B parametersCC-BY-NC; code Apache-2.0
Higgs Audio v3 TTS 4B (Boson AI)Automatic voice, no reference audioabout 4B parametersBoson Higgs TTS 3 Research and Non-Commercial
Pocket TTS Czech (community model for Kyutai Pocket TTS)Bundled preset cs_f_vahalovasmall, 6 transformer layersCC-BY 4.0
Chatterbox (Resemble AI) with a community Czech fine-tuneBuilt-in default voice, no reference audio0.5B parametersMIT (base); CC0-1.0 (fine-tune, per Hub metadata)

The four were chosen from a wider survey of open-weight models that list Czech support (see “Background survey”): the two with the strongest published Czech evidence (OmniVoice, Higgs Audio v3) and two small models built for Czech (Pocket TTS Czech, the Chatterbox fine-tune).

Automatic results

WER is the number of word substitutions, insertions and deletions needed to turn the recogniser's transcript into the sentence that was given to the model, divided by the number of words in that sentence. Lower is better; 0% means an exact word match after lower-casing and removing punctuation.

ModelVoiceMean WERMean WER without sentence 3Clips with 0% WERClips flaggedGeneration time / audio timeRun on
OmniVoiceautomatic voice, no reference audio5.3%2.8%3 of 700.16Apple-silicon desktop, MLX
Higgs Audio v3 TTS 4Bautomatic voice, no reference audio7.0%6.5%2 of 700.37Apple-silicon desktop, MLX
Pocket TTS Czechbundled voice preset cs_f_vahalova18.9%9.5%2 of 710.09Apple-silicon desktop, CPU
Chatterbox with Czech fine-tunebuilt-in default voice, no reference audio12.7%9.8%1 of 702.57Apple-silicon laptop, CPU

How to read this. Sentence 3 contains a date, a time, an amount and an abbreviation (14. května 2027 v 9:30 … 1 250 Kč, tj. asi 45 eur). The recogniser writes numbers as digits or words inconsistently, so this sentence inflates WER for reasons that are partly about transcription. The column without sentence 3 shows the effect. “Flagged” means a clip had a WER above 50% or lasted more than 2.5 times the median length of all clips of that sentence, which usually indicates dropped text or a runaway generation. The time ratio is below 1 when generation is faster than playback; it comes from different hardware and software for each model, so it does not compare the models' intrinsic speed.

Method

The sentences and clips

Each box holds one sentence, then one player per model. Playback starts only when you press play.

Sentence 1

Včera jsme se po práci sešli v malé kavárně na náměstí a dlouho si povídali o plánech na léto.

OmniVoice WER 0.0%

Whisper transcript: Včera jsme se po práci sešli v malé kavárně na náměstí a dlouho si povídali o plánech na léto.

Higgs Audio v3 TTS 4B WER 0.0%

Whisper transcript: Včera jsme se po práci sešli v malé kavárně na náměstí a dlouho si povídali o plánech na léto.

Pocket TTS Czech WER 0.0%

Whisper transcript: Včera jsme se po práci sešli v malé kavárně na náměstí a dlouho si povídali o plánech na léto.

Chatterbox with Czech fine-tune WER 5.3%

Whisper transcript: Včera jsme se po práci sešli v malé kavávě na náměstí a dlouho si povídali o plánech na léto.

Sentence 2

Příští říjen se můj bratr z Říčan přestěhuje do nového domu u řeky, a protože tam žije málo lidí, půjdeme mu pomoct s nábytkem a věcmi.

OmniVoice WER 7.7%

Whisper transcript: Příští říjen se můj bratr Zříčan přestěhuje do nového domu u řeky a protože tam žije málo lidí, půjdeme mu pomoct s nábytkem a věcmi.

Higgs Audio v3 TTS 4B WER 15.4%

Whisper transcript: Když ti Říjen se můj bratr Zříčan přestěhuje do nového domu u řeky. A protože tam žije málo lidí, půjdeme mu pomoct s nábytkem a věcmi.

Pocket TTS Czech WER 7.7%

Whisper transcript: Příští říjen se můj bratr Zříčan přestěhuje do nového domu u řeky a protože tam žije málo lidí, půjdeme mu pomoct s nábytkem a věcmi.

Chatterbox with Czech fine-tune WER 19.2%

Whisper transcript: Příští říjen se můj vrát vzříčan přestěhuje do nového domu u řeky a protože tam žije málo lidí, půjdeme mu pomoct návětken a věcmi.

Sentence 3

Konference začíná v úterý 14. května 2027 v 9:30 a vstupenka stojí 1 250 Kč, tj. asi 45 eur.

OmniVoice WER 20.0%

Whisper transcript: Konference začíná v úterý 14. května 2027 v 9.30 a vstupenka stojí 1250 káč, těnos asi 45 eur.

Higgs Audio v3 TTS 4B WER 10.0%

Whisper transcript: Konference začíná v úterý 14. května 2027 v 9.30 a vstupenka stojí 1 250 korun, tátejů asi 45 eur.

Pocket TTS Czech WER 75.0% flagged: possible runaway or dropped text

Whisper transcript: Konference začíná v úterý května.

Chatterbox with Czech fine-tune WER 30.0%

Whisper transcript: Konference začíná v úterý 14. května 2007 v 9.30 a vstupenka stojí 21.50, to je asi 45 euro.

Sentence 4

Víte, kolik lidí z naší kanceláře se příští týden zúčastní školení o umělé inteligenci?

OmniVoice WER 0.0%

Whisper transcript: Víte, kolik lidí z naší kanceláře se příští týden zúčastní školení o umělé inteligenci?

Higgs Audio v3 TTS 4B WER 14.3%

Whisper transcript: U takové lidí z naší kanceláře se příští týden zúčastní školení o umělé inteligenci.

Pocket TTS Czech WER 0.0%

Whisper transcript: Víte, kolik lidí z naší kanceláře se příští týden zúčastní školení o umělé inteligenci?

Chatterbox with Czech fine-tune WER 0.0%

Whisper transcript: Víte, kolik lidí z naší kanceláře se příští týden zúčastní školení o umělé inteligenci?

Sentence 5

Když jsme minulý podzim jeli vlakem z Prahy do Brna, zastavili jsme se v Pardubicích na kávu, potom jsme pokračovali podél řeky a cestou jsme si povídali o tom, jak se naše město za posledních dvacet let proměnilo a co všechno bychom ještě chtěli stihnout.

OmniVoice WER 2.2%

Whisper transcript: Když jsme minulý podzim jeli vlakem z Prahy do Brna, zastavili jsme se v Pardubicích na kávu, potom jsme pokračovali podél řeky a cestou jsme si povídali o tom, jak se naše město za posledních 20 let proměnilo a co všechno bychom ještě chtěli stihnout.

Higgs Audio v3 TTS 4B WER 2.2%

Whisper transcript: Když jsme minulý podzim jeli vlakem z Prahy do Brna, zastavili jsme se v Pardubicích na kávu, potom jsme pokračovali podél řeky a cestou jsme si povídali o tom, jak se naše město za posledních 20 let proměnilo a co všechno bychom ještě chtěli stihnout.

Pocket TTS Czech WER 2.2%

Whisper transcript: Když jsme minulý podzim jeli vlakem z Prahy do Brna, zastavili jsme se v Pardubicích na kávu. Potom jsme pokračovali podél řeky a cestou jsme si povídali o tom, jak se naše město za posledních 20 let proměnilo a co všechno bychom ještě chtěli stihnout.

Chatterbox with Czech fine-tune WER 8.9%

Whisper transcript: Když jsme minulý podzim jeli vlakem z prahy do Brna, zastavili jsme se v padrbicích na kávu, potom jsme pokračovali podál řeky a cestou jsme si povídali o tom, jak se naše město za poslední 20 let proměnilo a co všechno bychom ještě chtěli stihnout.

Sentence 6

Můj kolega Michael dnes odpoledne aktualizuje software na notebooku a pošle nám e-mail přes Microsoft Teams.

OmniVoice WER 0.0%

Whisper transcript: Můj kolega Michael dnes odpoledne aktualizuje software na notebooku a pošle nám e-mail přes Microsoft Teams.

Higgs Audio v3 TTS 4B WER 0.0%

Whisper transcript: Můj kolega Michael dnes odpoledne aktualizuje software na notebooku a pošle nám e-mail přes Microsoft Teams.

Pocket TTS Czech WER 5.9%

Whisper transcript: Můj kolega Michal dnes odpoledne aktualizuje software na notebooku a pošle nám e-mail přes Microsoft Teams.

Chatterbox with Czech fine-tune WER 11.8%

Whisper transcript: Můj kolega Michal dnes odpoledne aktualizuje software na Notebooku a pošle nám e-mail křes Microsoft Teams.

Sentence 7

Na horách napadl první sníh. Ráno bylo ticho a v údolí se vznášela mlha. Děti se už těšily, že po obědě vytáhnou sáňky a půjdou na kopec za školou.

OmniVoice WER 6.9%

Whisper transcript: Na horách napadl první sníh. Ráno bylo ticho a v údolí se vznášela mlha. Děti se už těšili, že po obědě vytáhnou sánky a půjdou na kopec za školou.

Higgs Audio v3 TTS 4B WER 6.9%

Whisper transcript: Na horách napadl první sníh. Ráno bylo ticho a v údolí se vznášela mlha. Děti se už těšili, že po obědě vytáhnou sánky a půjdou na kopec za školou.

Pocket TTS Czech WER 41.4%

Whisper transcript: Na horách napadl první sníh. Děti se už těšili, že po obědi vytáhnou sánky a půjdou na kopec za školou.

Chatterbox with Czech fine-tune WER 13.8%

Whisper transcript: Na horách napadl první sníh. Ráno bylo ticho a v údolí se vznášela mlha. Děti se už těšili, že po obědědy táhnou sánky a půjdou na kopec za školou.

Native-speaker listening verdict

In progress. A native Czech speaker is doing a blind listening test on these models. The results will be added here when it finishes: which voices sounded natural, where stress, intonation or pronunciation went wrong, and how the listener's order compares with the WER order above. Until then, treat the WER figures as an intelligibility check only.

Licences and attribution

This page is a non-commercial research comparison. The clips are machine output; no recording of a human speaker is included. Terms below were taken from each model's card or licence file on 3 November 2026 and are summarised, not legal advice. Check the original licence before any other use.

OmniVoice (k2-fsa)
Weights: CC-BY-NC (non-commercial, because of the Emilia training data); code: Apache-2.0. The card places no output clause on generated audio beyond a misuse disclaimer. Non-commercial terms apply to the weights, so these clips are used here only for research and comparison.
Higgs Audio v3 TTS 4B (Boson AI)
Weights: “Boson Higgs TTS 3 Research and Non-Commercial” licence. A Creator Use Grant allows monetised content creation with credit; hosting, embedding and resale need a separate licence. Outputs may not be used to train other speech models. These clips are published for non-commercial research only and must not be used to train speech models.
Pocket TTS Czech (community model)
Weights: CC-BY 4.0, derived from the ParCzech4Speech corpus (CC-BY 4.0, Czech parliamentary recordings). Attribution: model by the Hub user vvolhejn; training data ParCzech4Speech. The bundled voice preset cs_f_vahalova is distributed in the model repository. No output restriction is stated.
Chatterbox (Resemble AI) with Thomcles/Chatterbox-TTS-Czech
Base model: MIT. Czech fine-tune: CC0-1.0 according to the Hub API metadata; its model card is gated and was not read. No output restriction is stated for either.

What was left out

I also generated clips with the same models cloning the voice of a reference recording, which is a CC BY-SA 4.0 recording by a named Wikipedia reader. His licence covers the recording, not a synthetic copy of his voice, so those clips and the recording are not published here. The numbers above are for default voices only.

Background survey

Before the listening test I surveyed model cards, repositories and licences for open-weight text-to-speech models with Czech support. Findings at that stage, from primary sources only (no audio had been heard):