Open TTS 排行榜：用客观指标评估多语言语音合成与声音克隆

Hugging Face 于 2026 年 9 月 30 日发布 Open TTS Leaderboard，定位为面向开源与多语言文本转语音（TTS）及声音克隆的开放式评测榜。文章指出，截至该日期 Hub 上已有超过 8K 个 TTS 模型，而评测仍碎片化、缺乏标准；以投票收集人类偏好的竞技场式榜单受限于模型托管成本与投票者标准随时间漂移，开源模型覆盖偏少。

榜单采用三项客观指标：

• 可懂度：用 Qwen3 ASR 转写生成音频，计算与原提示词之间的词错误率（WER）和字符错误率（CER）；
• 速度：在 H200 GPU 上批量离线推理的逆实时因子（RTFx），以及批大小为 1 的首音频时延（TTFA），在 GPU 与 CPU 上分别测量；
• 说话人相似度：生成音频与参考片段的 WavLM 说话人嵌入余弦相似度（SIM）。

默认视图按 Seed TTS Eval 与 CV3 Eval 英文切片的宏平均 WER 排序，Pareto 图展示 WER、批量推理效率与模型规模之间的权衡。多语言可切换：Seed TTS Eval 仅含英语和中文音频，其他语言直接取 CV3 Eval 零样本得分；中日韩按字符计算 CER，跨语言平均为宏平均。开启“Voice cloning”后，表格增加 SIM 列及对应 Pareto 图。

“Listen”标签页提供各模型生成音频的对比试听，并收集社区投票；“Streaming”页按 TTFA 排序，流式模型计首个音频块到达时间，非流式模型计整句生成完毕时间，统一使用 CV3-Eval 的 50 条英文提示、批大小 1、默认音色，丢弃前 3 次预热并取中位数。作者强调 WER 与 SIM 不能替代自然度、表现力与听众偏好的评估，也不取代人类偏好排名；评测脚本将开源。