Hugging Face 推出 Open TTS Leaderboard：用客观指标给开源语音合成与语音克隆模型排名

发生了什么

Hugging Face 于 2026 年 9 月 30 日在官方博客宣布推出 Open TTS Leaderboard。据该公司表示，截至当天 Hugging Face Hub 上已有超过 8000 个 TTS 模型，但评测方式仍分散、缺乏标准化。

Hugging Face 指出，现有的 TTS Arena v2、Artificial Analysis、Voice Arena 等竞技场式排行榜，是让用户在两个模型的输出中二选一，累积足够投票后计算 Elo 分数（一种根据两两对比胜负算出的评分）来排名。该公司认为这种方式无法跟上模型发布速度，并举例截至 2026 年 9 月 30 日，Artificial Analysis 上 92 个模型只有 16 个为开放权重（即模型文件公开、可自行下载运行）。

阅读完整文字说明

消息会先收集来源、独立核查，再交由 Jev 判断。

排行榜如何评分

• 可懂度：用 Qwen3 ASR（自动语音识别模型）把生成的语音转写成文字，再计算与原文的词错误率（WER）或字符错误率（CER），错误率越低代表念得越准。
• 速度：在 H200 GPU 上测量批量离线生成的 RTFx（逆实时因子，衡量生成速度相对音频时长快多少），并在 H200 GPU 与 CPU 上测量首段音频时间（TTFA）。
• 说话人相似度：用 WavLM 说话人嵌入计算生成语音与参考片段的余弦相似度（SIM），衡量声音像不像原声。

根据 Hugging Face，默认视图以 Seed TTS Eval 与 CV3 Eval（zero shot）两个测试集英文部分的宏平均 WER（先分别计算再取平均）排名，hexgrad/Kokoro-82M、Supertone/supertonic-3 与 fishaudio/s2-pro 领先。多语言方面，该公司点名 k2-fsa/OmniVoice、fishaudio/s2-pro 与 FunAudioLLM/Fun-CosyVoice3-0.5B-2512 表现强劲；中文、日文、韩文属于以字符为单位的语言，因此以 CER 计算。

试听、语音克隆与流式延迟

语音克隆是指提供一段参考音频，让模型模仿其中的声音说话。开启「Voice cloning」选项后，可比较支持这项功能的模型，并显示 SIM 列。Hugging Face 表示，bosonai/higgs-tts-3-4b 与 openbmb/VoxCPM2 等模型在提供参考音频时平均 WER 有所改善。

「Listen」标签页让用户试听并比较各模型的实际输出、提供反馈；Hugging Face 请投票者以 HF 账号登录以过滤垃圾信息和机器人，并表示日后可能把投票数据纳入排行榜。

「Streaming」标签页以 TTFA 排名。据 Hugging Face，每个模型一次只生成一段音频（批大小 1），使用相同的 50 个 CV3-Eval 英文提示与默认音色运行，舍弃前 3 次预热后取中位数；非流式模型则计算整句生成完毕的时间，因为它要等全部生成完才能开始播放。该公司称 kyutai/pocket-tts 在 GPU 与 CPU 上的流式表现都很好。

对普通读者的意义

对使用语音助手、有声书或朗读工具的普通人来说，这类排行榜让外界更容易比较开源语音模型「读得准不准、响应快不快、像不像原声」。不过 Hugging Face 自己也强调，这些数字不等于听起来自然或好听，实际感受仍应以试听判断。

常见问题

查看同分类最新消息

• AI 新闻与趋势