Open TTS Leaderboard масштабує оцінювання багатомовних моделей
Нова Open TTS Leaderboard оцінює системи синтезу мовлення за об’єктивними показниками, які дають змогу швидше перевіряти нові моделі, ніж рейтинги на основі людського голосування. За даними розробників, станом на 30 вересня 2026 року в Hugging Face Hub було доступно понад 8K TTS-моделей, однак оцінювання залишалося фрагментованим. Метрики охоплюють зрозумілість через WER і CER, швидкість через RTFx та час до першого звуку, а також схожість мовця за ембедингами WavLM.
Рейтинг підтримує порівняння різних мов і перевірку клонування голосу. Основний режим використовує макросередній WER для англійських частин Seed TTS Eval і CV3 Eval; для інших мов доступні дані CV3 Eval, а для китайської, японської та корейської подається CER. За сукупним англійським WER лідирують hexgrad/Kokoro-82M, Supertone/supertonic-3 і fishaudio/s2-pro. Серед сильних багатомовних моделей названо k2-fsa/OmniVoice, fishaudio/s2-pro та FunAudioLLM/Fun-CosyVoice3-0.5B-2512.
Вкладка Listen дає змогу порівнювати згенеровані результати й надсилати відгуки. У вкладці Streaming моделі ранжуються за часом до першого звуку на однакових запитах і обладнанні. Розробники наголошують, що автоматичні показники не вимірюють природність мовлення чи уподобання слухачів, тому не замінюють людські рейтинги. Скрипти оцінювання планують оприлюднити з відкритим кодом.
Текст підготовлено ШІ Sakhanda Wire за матеріалом Hugging Face. Факти, цитати та повний контекст — в оригінальній статті нижче.