نموذج
Qwen3-TTS، وFish S2 Pro، وMOSS-TTS، وVoxCPM2: أربع واجهات لحالة الصوت
تركيب الكلام / مقارنة النماذج المفتوحة
تركيب الكلام / مقارنة النماذج المفتوحة
© 2026 تيلك نت. جميع الحقوق محفوظة.
توليد الكلام / مقارنة تقنية
قراءة النص بصوت مسموع ليست سوى الغلاف المشترك. فهذه المسارات ذات الأوزان المفتوحة تعرّف تعليمات الصوت، والصوت المرجعي، والسياق الطويل، والبث بطرق مختلفة؛ كما أن تشابه المتحدث، والطبيعية، وكمون الحزمة الأولى ليست مقاييس قابلة للتبادل.
يتعلم نموذج الصوت المتقطع عادةً p(a₁…a_T | text, c)، حيث يمثّل a_t token صوتيًا، وقد يمثّل c متحدثًا مرجعيًا أو تعليمة صوتية أو سياقًا سابقًا:
L_AR = -Σ_t log p(a_t | a_<t, text, c)
يتيح Qwen3-TTS تصميم الصوت بصيغة حرة إلى جانب الاستنساخ من مرجع قصير. ويوفر Fish S2 Pro مسارًا متقطعًا عالي الدقة للكلام من أجل فحص الجرس والتنغيم. وينشر MOSS-TTS ملف قدرة بحجم 8B وخط أساس Nano للسرعة بحجم يقارب 100M. أما VoxCPM2 فيقدم مسارًا مرجعيًا آخر بأسلوب zero-shot ومسارًا للنطق الطويل. لذلك تُسجَّل عقود الإدخال الخاصة بها كل على حدة.
تقيس WER أخطاء المحتوى، ويقارن تشابه المتحدث embedding، وتعتمد MOS على المستمعين، بينما يفصل قياس الكمون بين أول صوت وعامل الزمن الحقيقي الكامل. قد يحافظ نظام على الجرس مع قراءة كلمات خاطئة، أو يحقق WER منخفضة بينما يبدو كمتحدث آخر.
تستخدم المشاريع الأربعة corpora وتوزيعات لغوية وأطوالًا مرجعية ومقيّمين وظروف حوسبة مختلفة. تتطلب المقارنة المباشرة النص نفسه وصوت prompt نفسه وإعدادات فك الترميز نفسها؛ وتحافظ جداول الناشرين على تسميات مصادرها بدل تحويلها إلى نقاط قابلة للجمع ضمن مجموع مصطنع.
تنشر Qwen3-TTS وFish Speech وMOSS-TTS وVoxCPM قدرات لتوليد الكلام، لكن واجهات التكييف لديها تختلف: فلكل منها تركيز مختلف على التعليمات متعددة اللغات والتحكم في الجرس، وcodec token، والسياق الطويل، وصوت prompt. تتناول المقارنة نطاق المهام، لا سلّمًا عالميًا واحدًا.
تقدم TTS المفتوح عبر ترميز النص، وtoken الصوتي المتقطع، والتوليد المستمر، وتكييف المتحدث، وفك الترميز المتدفق. تستخدم قيم MOS والتشابه وWER وعوامل الزمن الحقيقي المنشورة corpora ومقيّمين وظروف حوسبة مختلفة؛ ويتطلب الترتيب المباشر إعادة تشغيل مشتركة.
Q=(WER↓, SIM↑, MOS↑, T_first↓, RTF↓)WERمعدل خطأ المحتوى، والأقل أفضلSIM/MOSتشابه الهوية والطبيعية المدركةT_first/RTFزمن أول صوت وسرعة التشغيل الكاملتقيس WER أخطاء الكلمات، وتقيس SIM قرب embedding، وتقيس MOS تفضيل البشر، بينما يعرض كمون أول صوت وRTF منظورين للكمون. التفوق في أحدها لا يعني التفوق في البقية.
تعرض Qwen3-TTS وFish وMOSS-TTS وVoxCPM2 واجهات تكييف وcorpora وتقييمات منشورة مختلفة. يجب أن تثبّت المقارنة المباشرة النص وصوت prompt وظروف الحوسبة وفك الترميز.
يمكن تتبع الأوراق والكود والأوزان عبر Qwen3-TTS / Fish Speech / MOSS-TTS.
يحتفظ كل صف بمعمارية مصدره أو مقياسه أو تعريف مهمته؛ وتبقى النتائج التي لا تشترك في بروتوكول واحد منفصلة.
| النموذج | المعمارية أو الدليل | النطاق |
|---|---|---|
| Qwen3-TTS | تعليمات متعددة اللغات وشروط للجرس | تبديل اللغات والمحتوى والتحكم |
| Fish Speech / MOSS-TTS | مسارات codec أو السياق الطويل | التكرار والصيغة الطويلة وتلوث المرجع |
| VoxCPM | معمارية توليد مفتوحة أخرى | الطبيعية والكمون على مواد مشتركة |
تحقق من الأرقام والتواريخ والاختصارات وتبديل اللغات والحذف في الصيغة الطويلة قبل التشابه والعاطفة والتنغيم. قد يقول صوت مشابه كلمات خاطئة، وقد تبدو عينة ذات WER منخفضة كأنها لشخص آخر.
يجب الإبلاغ بصورة منفصلة عن كمون أول صوت وعامل الزمن الحقيقي الكامل واستقرار الصيغة الطويلة. سرعة الجملة القصيرة لا تتنبأ بسلوك الصيغة الطويلة، وعدد المعلمات لا يحدد الطبيعية أو تشابه المتحدث.
لا يمكن جمع الدرجات المنشورة عبر مشاريع مختلفة. لا تجوز المقارنة المباشرة إلا بين corpora مشتركة أو مقاييس متطابقة أو نتائج مقيّدة صراحةً بمصدرها.
يتطلب استنساخ الصوت إذنًا وإفصاحًا واضحًا. القدرة التقنية لا تمنح حق انتحال الشخصية.
تعود أسماء النماذج والأرقام والقيود إلى الأوراق أو المستودعات أو بطاقات النماذج أدناه.