Modelo
Qwen3-TTS, Fish S2 Pro, MOSS-TTS e VoxCPM2: quatro interfaces de condição de voz
Síntese de fala/comparação de modelo aberto
Síntese de fala/comparação de modelo aberto
SÍNTESE DE FALA / COMPARAÇÃO TÉCNICA
Ler um texto em voz alta é apenas a camada comum. Essas rotas de pesos abertos definem de maneiras diferentes as instruções de voz, o áudio de referência, o contexto longo e o streaming; semelhança de locutor, naturalidade e latência do primeiro pacote não são métricas intercambiáveis.
Um modelo de áudio discreto costuma aprender p(a₁…a_T | text, c), em que a_t é um token acústico e c pode ser um locutor de referência, uma instrução de voz ou um contexto anterior:
L_AR = -Σ_t log p(a_t | a_<t, text, c)
O Qwen3-TTS oferece design de voz em formato livre junto com a clonagem a partir de uma referência curta. O Fish S2 Pro fornece uma rota de fala discreta de alta fidelidade para verificar timbre e prosódia. O MOSS-TTS publica tanto um perfil de capacidade 8B quanto uma baseline de velocidade Nano de aproximadamente 100M. O VoxCPM2 disponibiliza outra rota de referência zero-shot e uma opção para enunciados longos. Por isso, os contratos de entrada são registrados separadamente.
A WER mede erros de conteúdo, a semelhança de locutor compara embeddings, a MOS depende dos ouvintes e a latência separa o primeiro áudio do fator de tempo real completo. Um sistema pode preservar o timbre enquanto lê palavras erradas ou alcançar WER baixa e soar como outra pessoa.
Os quatro projetos usam corpora, distribuições de idiomas, durações de referência, avaliadores e condições computacionais diferentes. Uma comparação direta exige o mesmo texto, áudio de prompt e configuração de decodificação; as tabelas dos autores mantêm os rótulos de suas fontes, em vez de se transformarem em pontos somáveis de um total artificial.
Qwen3-TTS, Fish Speech, MOSS-TTS e VoxCPM publicam recursos de geração de fala, mas suas interfaces de condicionamento são diferentes: instruções multilíngues e controle de timbre, tokens de codec, contexto longo e áudio de prompt recebem ênfases distintas. A comparação trata do escopo das tarefas, não de uma única escala universal.
O TTS aberto avançou em codificação de texto, tokens acústicos discretos, geração contínua, condicionamento de locutor e decodificação por streaming. Valores publicados de MOS, semelhança, WER e fatores de tempo real usam corpora, avaliadores e condições computacionais diferentes; um ranking direto exige uma nova execução compartilhada.
Q=(WER↓, SIM↑, MOS↑, T_first↓, RTF↓)WERtaxa de erro de conteúdo; quanto menor, melhorSIM/MOSsemelhança de identidade e naturalidade percebidaT_first/RTFtempo até o primeiro áudio e velocidade da execução completaA WER mede erros de palavras, a SIM mede a proximidade de embeddings, a MOS mede a preferência humana, enquanto a latência do primeiro áudio e o RTF cobrem duas perspectivas de latência. Vencer em uma delas não implica vencer nas outras.
Qwen3-TTS, Fish, MOSS-TTS e VoxCPM2 expõem interfaces de condicionamento, corpora e avaliações publicadas diferentes. Uma comparação direta precisa fixar texto, áudio de prompt, condições computacionais e decodificação.
Artigos, código e pesos podem ser consultados por meio de Qwen3-TTS / Fish Speech / MOSS-TTS.
Cada linha mantém a arquitetura, a métrica ou a definição de tarefa de sua fonte; resultados sem um protocolo compartilhado permanecem separados.
| Modelo | Arquitetura ou evidência | Escopo |
|---|---|---|
| Qwen3-TTS | instruções multilíngues e condições de timbre | trocas de idioma, conteúdo e controle |
| Fish Speech / MOSS-TTS | rotas de codec ou de contexto longo | repetição, conteúdo longo e contaminação da referência |
| VoxCPM | outra arquitetura aberta de geração | naturalidade e latência em material compartilhado |
Verifique números, datas, abreviações, trocas de idioma e omissões em trechos longos antes da semelhança, da emoção e da prosódia. Uma voz semelhante pode dizer palavras erradas; uma amostra com WER baixa pode soar como outra pessoa.
A latência do primeiro áudio, o fator de tempo real completo e a estabilidade em trechos longos precisam ser informados separadamente. A velocidade em frases curtas não prevê o comportamento em conteúdo longo, e a quantidade de parâmetros não determina naturalidade nem semelhança de locutor.
Resultados publicados por projetos diferentes não podem ser somados. Só é possível comparar diretamente corpora comuns, métricas correspondentes ou resultados explicitamente limitados à própria fonte.
A clonagem de voz exige autorização e divulgação clara. A capacidade técnica não autoriza a falsificação de identidade.
Os nomes dos modelos, números e limitações remetem aos artigos, repositórios ou cartões de modelo abaixo.