开放 TTS 排行榜：面向多语言文本转语音与语音克隆的可扩展评估

英文原标题：Open TTS Leaderboard: Scalable Evaluation for Multilingual Text-to-Speech and Voice Cloning

本文为英文原文的机器翻译摘要，原文见：Hugging Face Blog ↗

• Hugging Face Hub 上开源 TTS 模型已超 8K，但评估仍碎片化、缺乏标准，现有 arena 式榜单（TTS Arena v2、Artificial Analysis、Voice Arena）依赖人工投票，难以跟上模型发布速度。
• Open TTS Leaderboard 采用客观指标：用 Qwen3 ASR 计算 WER/CER 衡量可懂度，用 RTFx 和 TTFA 衡量速度，用 WavLM 说话人嵌入余弦相似度衡量音色相似度，评估时间从数周缩短到数小时。
• 榜单支持多语言和语音克隆评估，默认按 Seed TTS Eval 英文集与 CV3 Eval 零样本集的宏平均 WER 排名；Kokoro-82M、supertonic-3、s2-pro 在英文 WER 领先，OmniVoice、s2-pro、Fun-CosyVoice3 多语言表现强。
• 提供 Listen 标签页供用户试听并投票，Streaming 标签页按 TTFA 比较流式性能，pocket-tts 在 GPU 和 CPU 上流式表现突出。
• 作者强调客观指标不能替代人类偏好，不直接衡量自然度、表现力或听众喜好，但可辅助投票式榜单选择模型；评估脚本将开源，社区可通过 GitHub 反馈。

关键数据

• 截至 2026 年 9 月 30 日，Hugging Face Hub 上有超过 8K 个 TTS 模型。
• Artificial Analysis 的 92 个模型中仅 16 个是开放权重。
• 评估时间从收集投票的数周缩短到数小时。
• 流式评估使用 CV3-Eval 的 50 条英文提示，丢弃前 3 次预热运行，报告其余运行的中位 TTFA。

引语

• A man cannot step into the same river twice

为什么值得看：该榜单用可扩展的客观指标补充人工投票式评估，聚焦开源和多语言 TTS，有助于跟上模型发布速度并推动社区共建评估标准。