Open TTS Leaderboard предлага мащабируема оценка на TTS модели
Новата Open TTS Leaderboard оценява системи за синтез на реч чрез обективни показатели, които могат да се прилагат по-бързо от класациите с човешко гласуване. Според създателите към 30 септември 2026 г. в Hugging Face Hub са били достъпни над 8K TTS модела, но оценяването е останало фрагментирано. Показателите обхващат разбираемост чрез WER и CER, скорост чрез RTFx и време до първия звук, както и сходство на говорителя чрез вграждания от WavLM.
Класацията позволява сравнения на много езици и тестове за клониране на глас. Основният изглед използва среден WER за английските части на Seed TTS Eval и CV3 Eval, а при други езици се използват наличните данни от CV3 Eval; за китайски, японски и корейски се отчита CER. hexgrad/Kokoro-82M, Supertone/supertonic-3 и fishaudio/s2-pro са начело по комбинирания английски WER. Сред силните многоезични модели са k2-fsa/OmniVoice, fishaudio/s2-pro и FunAudioLLM/Fun-CosyVoice3-0.5B-2512.
Разделът Listen позволява сравнение на генерираните записи и изпращане на обратна връзка. Разделът Streaming подрежда моделите според времето до първия звук при еднакви заявки и хардуер. Създателите уточняват, че автоматичните оценки не измерват естествеността и предпочитанията на слушателите и не заменят човешките класации. Скриптовете за оценяване предстои да бъдат публикувани с отворен код.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на Hugging Face. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.