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

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