Hugging Face 推出 Open TTS Leaderboard：以客觀指標評測多語言語音合成與語音複製

發生了什麼事

Hugging Face 於 2026 年 9 月 30 日在官方部落格宣布推出 Open TTS Leaderboard。TTS（text-to-speech）是把文字轉成語音的技術，常見於語音助理與朗讀工具。據該公司表示，截至當天 Hugging Face Hub 上已有超過 8K 個 TTS 模型，但評測方式仍分散、缺乏標準化。

Hugging Face 指出，現有的 TTS Arena v2、Artificial Analysis、Voice Arena 等「競技場式」排行榜，是讓使用者聽兩個模型的輸出後二選一，累積足夠投票後計算 Elo 分數（一種源自棋賽、依勝負推算實力的評分法）排名。該公司認為這種方式無法跟上模型發布速度，並舉例截至 2026 年 9 月 30 日，Artificial Analysis 上 92 個模型只有 16 個為開放權重（公開模型參數、可自行下載架設的模型）。

閱讀完整文字說明

消息會先蒐集來源、獨立查核，再交由 Jev 判斷。

排行榜怎麼評分

• 可懂度：用 Qwen3 ASR（自動語音辨識模型）把生成的語音轉回文字，再和原文比對，計算字詞錯誤率（WER）或字元錯誤率（CER），數值越低代表唸得越準。
• 速度：在 H200 GPU（資料中心用的高階運算晶片）上量測批次離線生成的 RTFx，數值越高代表生成越快；並在 H200 GPU 與 CPU 上量測首段音訊時間（TTFA），也就是要等多久才能聽到第一段聲音。
• 說話者相似度：以 WavLM 模型擷取聲音特徵，計算生成語音與參考錄音的餘弦相似度（SIM），用來估計模仿出來的聲音有多像原本的人。

根據 Hugging Face，預設檢視以 Seed TTS Eval 與 CV3 Eval（zero shot，即模型未事先針對該聲音訓練）兩個英文測試資料的平均 WER 排名，hexgrad/Kokoro-82M、Supertone/supertonic-3 與 fishaudio/s2-pro 領先。多語言方面，該公司點名 k2-fsa/OmniVoice、fishaudio/s2-pro 與 FunAudioLLM/Fun-CosyVoice3-0.5B-2512 表現強；中文、日文、韓文因以字元為單位，改以 CER 計算。

試聽、語音複製與串流延遲

開啟「Voice cloning」（語音複製）選項後，可比較支援模仿參考聲音的模型，表格也會多出 SIM 欄位。Hugging Face 表示，bosonai/higgs-tts-3-4b 與 openbmb/VoxCPM2 等模型在提供參考音訊時平均 WER 有所改善。

「Listen」分頁讓使用者試聽並比較各模型的實際輸出、提供回饋；Hugging Face 請投票者以 HF 帳號登入以過濾垃圾訊息與機器人，並表示日後可能把投票資料納入排行榜。

「Streaming」（串流，即邊生成邊播放）分頁以 TTFA 排名。據 Hugging Face，每個模型一次只處理一段音訊，使用相同 50 個 CV3-Eval 英文提示與預設聲音執行，捨棄前 3 次暖機後取中位數；不支援串流的模型則計算整句生成完的時間。該公司稱 kyutai/pocket-tts 在 GPU 與 CPU 上串流表現都很好。

對一般讀者的意義

對使用語音助理、有聲書或朗讀工具的一般人來說，這類排行榜讓外界較容易比較開源語音模型「唸得準不準、回應快不快、像不像原聲」。不過 Hugging Face 自己也強調，這些數字不等於聽起來自然或好聽，實際感受仍應以試聽判斷。

常見問題

查看同分類最新消息

• AI 新聞與趨勢