Luna-TTS: tecnologia, ranking e os diferenciais do modelo de voz da VUI Labs

O Luna-TTS é uma família multilíngue de modelos de conversão de texto em fala — tecnologia conhecida pela sigla TTS, de text-to-speech — desenvolvida pela startup chinesa VUI Labs. A linha inclui uma versão padrão, voltada à qualidade de áudio, e o Luna-TTS Realtime, projetado para interações com baixa latência.

A VUI Labs foi fundada no início de 2025 pelo professor da Universidade Jiao Tong de Xangai Qian Yanmin e pelo empreendedor serial Mei Jie, segundo relatos públicos.

O interesse em torno do Luna-TTS vai além de uma posição em ranking. O sistema tenta mudar a forma como a fala é gerada: em vez de prever os tokens de áudio estritamente um após o outro, ele comprime a voz em representações discretas e preenche partes da sequência em paralelo, usando uma arquitetura próxima à difusão. A proposta é equilibrar naturalidade, expressividade e velocidade em aplicações de voz.

Em que posição o Luna-TTS está?

A resposta depende do ranking consultado e da data da medição. Por isso, não é correto tratá-lo como um campeão mundial permanente.

• Hugging Face TTS Arena: relatos de agosto de 2026 colocaram o Luna-TTS em primeiro lugar, à frente de modelos da ElevenLabs, MiniMax e Cartesia.810
• Artificial Analysis: no mesmo período, reportagens apontaram o modelo na terceira posição da Speech Arena, à frente de uma oferta do Google.8
• Snapshot mais recente: na tabela de provedores da Artificial Analysis consultada em 1º de setembro de 2026, o Luna TTS aparecia em quinto lugar. O Cartesia Sonic 3.6 estava em primeiro, enquanto o ElevenLabs v3 Conversational aparecia em oitavo.
• Outros espelhos do ranking: uma cópia da classificação publicada no fim de agosto colocava o Qwen-Audio-3.0-TTS-Plus à frente do Luna TTS.

Esses resultados não são necessariamente contraditórios. Rankings baseados em audições às cegas podem variar conforme a versão do modelo, os idiomas testados, as vozes, os prompts, o tamanho da amostra e o período de votação.

A conclusão mais segura é que o Luna-TTS entrou no grupo de destaque dos principais rankings de TTS e chegou ao primeiro ou ao terceiro lugar em determinadas janelas. As fontes disponíveis, porém, não permitem confirmar uma posição precisa e diretamente comparável contra os modelos da ByteDance Seed ou da Zhipu, nem provar que o sistema derrota de forma consistente todos os modelos da Qwen, ElevenLabs, Cartesia ou de outros concorrentes.

A principal inovação: geração paralela por difusão

Um modelo baseado no Qwen3

O Luna-TTS foi construído a partir do modelo de linguagem Qwen3-0.6B, que continuou sendo treinado para trabalhar com tokens de voz em uma arquitetura de modelo de linguagem baseada em difusão.2

Em um sistema autorregressivo tradicional, o modelo prevê o próximo token de codec e repete o processo até completar o áudio. Esse encadeamento cria uma dependência longa: um erro no início pode afetar os passos seguintes e, quanto maior a fala, maior tende a ser o custo de geração.

O Luna-TTS segue outro caminho. Ele representa a fala como uma grade de tokens de quantização vetorial residual — ou RVQ — aplica máscaras aleatórias e realiza várias rodadas de refinamento. Em cada rodada, muitos tokens podem ser previstos simultaneamente.14

Na prática, a sequência deixa de depender exclusivamente do prefixo já produzido. O modelo consegue trabalhar em diferentes posições ao mesmo tempo, reduzindo a dependência sequencial e, potencialmente, a latência e o acúmulo de erros ao longo de frases extensas.13

Luna-Codec: oito codebooks, 24 kHz e 25 Hz

O sistema usa o Luna-Codec, codec desenvolvido pela própria VUI Labs para transformar o áudio em uma representação discreta. As especificações divulgadas descrevem amostragem de 24 kHz, taxa de 25 frames por segundo e oito codebooks.89

Um codec desse tipo não é apenas um componente de compressão. Ele define quanto de informação acústica o modelo precisa prever, quantos frames são processados por segundo e como o sistema equilibra fidelidade e velocidade. Por isso, o Luna-TTS foi concebido como uma combinação entre modelo de linguagem, representação discreta de áudio e amostragem por difusão.

Como funciona a versão Realtime?

A versão padrão pode gerar uma fala inteira de modo não autorregressivo. Em uma conversa, no entanto, o sistema precisa começar a reproduzir o áudio antes mesmo de o usuário terminar uma frase. Para isso, o Luna-TTS Realtime adota uma solução híbrida.

Ele gera a fala em blocos de 32 frames de codec, equivalentes a 1,28 segundo de áudio. Os blocos são produzidos em ordem, mas os tokens dentro de cada bloco são refinados em paralelo. O sistema também usa KV Cache para preservar o contexto e liberar os blocos seguintes de forma incremental.14

Por isso, dizer que o Realtime é “totalmente não autorregressivo” seria impreciso. A descrição mais correta é: há dependência autorregressiva entre os blocos, enquanto cada bloco é gerado por difusão paralela.

Reportagens também mencionam entre oito e 16 etapas de remoção de ruído na versão Realtime, com testes realizados em duas GPUs H20.7 Essa configuração ajuda a explicar os números de desempenho divulgados, mas não representa necessariamente o cenário de todos os usuários ou serviços em nuvem.

O que significam os números de velocidade?

O relatório técnico do Luna-TTS Realtime informa um fator de tempo real, ou RTF, de 0,024 e o envio do primeiro bloco de áudio de 1,28 segundo em 41,6 milissegundos, sob um protocolo de serviço local previamente aquecido.15

Em termos simples, um RTF de 0,024 significa que, dentro da fronteira de medição do mecanismo, o sistema levou cerca de 24 milissegundos para gerar um segundo de fala. O resultado indica alto rendimento de inferência nas condições avaliadas.

Mas 41,6 milissegundos não deve ser interpretado automaticamente como a latência percebida por qualquer usuário de uma API. O teste usou hardware específico, serviço aquecido, configuração paralela e implantação local. Em produção, fatores como rede, fila, pré-processamento do texto, decodificação do áudio e carga do servidor podem aumentar o tempo até o primeiro som.

Assim, o número é melhor entendido como o tempo de envio do primeiro bloco em um teste controlado, e não como uma promessa universal de latência ponta a ponta.

Dados, idiomas e controle expressivo

Os autores afirmam que o Luna-TTS foi pré-treinado com cerca de 1 milhão de horas de fala em chinês, inglês, japonês e coreano.12 Um corpus desse tamanho e com quatro idiomas pode ampliar a cobertura de pronúncia, prosódia e características acústicas multilíngues.

As informações públicas, contudo, não detalham o suficiente a origem dos dados, os critérios de filtragem, a proporção de cada idioma ou a situação de direitos autorais. Portanto, “1 milhão de horas” deve ser tratado como a escala de treinamento declarada, e não como prova de desempenho superior em todas as línguas, sotaques ou contextos.

O relatório também descreve uma etapa de pós-treinamento com GRPO, uma técnica de otimização por reforço adaptada ao processo de difusão mascarada. O objetivo é melhorar a naturalidade percebida, a expressividade e a adequação às preferências do usuário, além de manter a inteligibilidade.15

Controle de emoções e de vocalizações não verbais — como risos, suspiros e outras manifestações expressivas — aparece entre as capacidades divulgadas.1 A edição de fala e a clonagem de voz sem treinamento específico também podem ser formuladas como tarefas de preenchimento ou reescrita da grade de tokens de voz.14

Ainda assim, a qualidade da clonagem, a duração do áudio de referência necessária e a estabilidade entre idiomas precisam ser avaliadas em testes práticos. Não é possível deduzir todos esses resultados apenas da arquitetura.

Quem criou a VUI Labs?

As fontes descrevem a VUI Labs como uma empresa fundada em 2025 por Qian Yanmin, professor da Universidade Jiao Tong de Xangai, e Mei Jie, empreendedor serial.

A composição do time combina liderança acadêmica em fala e inteligência artificial com experiência em produto e comercialização. Esse arranjo pode facilitar a transformação de uma pesquisa em modelos de API, ferramentas para criadores e soluções de agentes de voz.

A vantagem organizacional, no entanto, não garante competitividade no longo prazo. Para sustentar a posição no mercado, a empresa ainda precisará demonstrar capacidade de formar um ciclo próprio de dados, manter clientes, reduzir o custo por inferência e entregar o produto em diferentes mercados.

Produtos e estratégia comercial

Pelos relatos públicos, a VUI Labs não parece posicionar o Luna-TTS apenas como um modelo isolado de síntese de voz. A estratégia inclui três frentes gerais: recursos de modelo e API, ferramentas de voz voltadas a criadores e aplicações de agentes de voz.

Essa abordagem desloca a competição para além da qualidade do áudio. Também entram na conta clonagem de voz, controle emocional, orquestração de diálogos, tempo de resposta, custo de implantação e integração com sistemas empresariais.

Reportagens afirmam que a tecnologia já foi usada em despacho logístico, seguros pela internet e software para os setores de turismo e hotelaria, com clientes que, somados, teriam realizado mais de 1 milhão de conversas de negócios.6 Esse número é uma alegação da empresa ou de fontes de implantação reproduzida pela imprensa, não uma métrica auditada de forma independente. Os dados públicos não informam detalhadamente a lista de clientes, a definição de “conversa”, o período de atividade ou a comparação com fornecedores concorrentes.

Onde está a vantagem competitiva do Luna-TTS?

Considerando o relatório técnico e os rankings disponíveis, os diferenciais mais bem sustentados são:

1. Mudança no paradigma de geração: uso de difusão mascarada discreta em vez de previsão autorregressiva de cada token.
2. Integração entre codec e modelo: o Luna-Codec usa oito codebooks, 24 kHz e 25 Hz, criando uma interface adequada à geração paralela.89
3. Qualidade com controle expressivo: o pré-treinamento multilíngue, o controle de emoção e o pós-treinamento com GRPO buscam melhorar naturalidade e expressividade.1
4. Adaptação para conversas em tempo real: blocos de 1,28 segundo, remoção de ruído paralela dentro de cada bloco e KV Cache aproximam a arquitetura de uma experiência de diálogo contínuo.14

Essas escolhas ajudam a explicar por que o modelo alcançou posições elevadas em algumas avaliações às cegas. Elas não comprovam, por si só, superioridade geral em preço, textos longos, consistência de timbre, segurança de direitos autorais, disponibilidade de API ou desempenho em todas as línguas.

Conclusão: um concorrente de alto nível, não um campeão permanente

A parte mais sólida da história do Luna-TTS é tecnicamente relevante. A VUI Labs combinou um modelo derivado do Qwen3, um codec discreto próprio, geração por difusão mascarada, pós-treinamento com reforço e inferência em blocos para streaming em um sistema completo de TTS.1

O modelo apareceu em primeiro lugar na Hugging Face TTS Arena em relatos de agosto de 2026 e em terceiro na Speech Arena da Artificial Analysis no mesmo período.8 Já a fotografia da Artificial Analysis de 1º de setembro o colocava em quinto lugar.

A leitura mais prudente, portanto, não é que o Luna-TTS tenha derrotado permanentemente todos os concorrentes. Ele se tornou um participante importante da disputa global por modelos de voz, e sua combinação de difusão paralela com geração em blocos para tempo real merece acompanhamento.

Para quem está escolhendo uma solução, o melhor caminho não é olhar apenas para uma posição geral. Vale testar diretamente o idioma desejado, clonagem de voz, controle emocional, tempo até o primeiro áudio, consistência em textos longos e custo real da API.