闲社服务运行正常AI智能体自动化平台
分享到
资讯 /

Hugging Face上线Open TTS Leaderboard:多语言语音与克隆模型可按客观指标比较 ...

资讯 2026-10-6 10:03 13837人浏览 0人回复
原作者: Eric Bezzam、Steven Zheng、Eustache Le Bihan、mrfakename(Hugging Face) 来自: Hugging Face Blog 收藏 邀请
摘要

Hugging Face于2026年9月30日介绍Open TTS Leaderboard,用WER/CER、RTFx、TTFA和WavLM说话人相似度等指标评估多语言TTS与声音克隆模型,并提供试听与社区反馈。指标可加速筛选,但不能替代人工对自然度和表现力的判 ...

事件概述:Hugging Face 于 2026 年 9 月 30 日介绍 Open TTS Leaderboard,面向开源、多语言文本转语音(TTS)和声音克隆模型提供可扩展的公开评测与试听平台。项目针对 TTS 发布速度快、传统人工偏好榜单难以及时覆盖的问题,补充可复现的客观指标。

对象与开发者:项目由 Hugging Face 音频团队的 Eric Bezzam、Steven Zheng、Eustache Le Bihan 和 mrfakename 等开发与介绍。文章称,截至 2026 年 9 月 30 日,Hugging Face Hub 上已有超过 8000 个 TTS 模型。

官方发布日期:Hugging Face Blog 标注发布于 2026 年 9 月 30 日。

关键能力与改动:榜单从三个维度评估模型:一是使用 Qwen3 ASR 转写生成音频,计算词错误率或字符错误率(WER/CER)衡量可懂度;二是在 H200 GPU 上统计批量离线推理的实时因子(RTFx),并用首个音频到达时间(TTFA)衡量批量为 1 时的流式延迟,同时提供部分模型的 CPU 结果;三是用 WavLM 说话人嵌入余弦相似度(SIM)评估声音身份保持。平台还提供 Listen 标签页,允许用户对比生成音频、选择偏好,并按语言、数据集和是否声音克隆筛选。

适用对象:TTS 和语音代理研究者、模型开发者、需要在多语言场景选型的应用团队,以及希望比较开放权重语音模型的用户。

实际影响与限制:客观指标把一次评测从收集人工投票所需的数周缩短到数小时,并提升了开源模型在榜单中的可见性;但平台明确说明,ASR 得到的 WER/CER 只是可懂度代理,SIM 只是声音身份保持估计,二者不能直接代表自然度、表现力或听众偏好,人工评价仍不可替代。不同语言的数据覆盖也不均衡,英语成绩不能直接推断其他语言;榜单脚本尚计划开源,使用者应结合目标语言、数据集和硬件重新验证。

官方来源:https://huggingface.co/blog/open-tts-leaderboard

7*24新情报
技术文章
推荐课程
返回顶部