Qwen3-TTS, Fish S2 Pro, MOSS-TTS og VoxCPM2: fire stemmetilstandsgrænseflader

TALESYNTESE / TEKNISK SAMMENLIGNING

Oplæsning af tekst er kun den fælles ydre ramme. Disse metoder med åbne vægte definerer stemmeinstruktioner, referenceaudio, lang kontekst og streaming forskelligt; talerlighed, naturlighed og latenstid til den første pakke er ikke indbyrdes udskiftelige mål.

Én likelihood, forskellige betingelser

En model for diskret audio lærer typisk p(a₁…a_T | text, c), hvor a_t er et akustisk token, og c kan være en referencetaler, en stemmeinstruktion eller tidligere kontekst:

L_AR = -Σ_t log p(a_t | a_<t, text, c)

Qwen3-TTS tilbyder frit stemmedesign sammen med kloning fra en kort reference. Fish S2 Pro leverer en diskret talemetode med høj nøjagtighed til kontrol af klang og prosodi. MOSS-TTS udgiver både en 8B-kapacitetsprofil og en Nano-hastighedsreference på cirka 100M. VoxCPM2 tilbyder endnu en zero-shot-metode med reference og lange ytringer. Derfor registreres deres inputkontrakter hver for sig.

WER, lighed, MOS og latenstid besvarer forskellige spørgsmål

WER måler indholdsfejl, talerlighed sammenligner indlejringer, MOS afhænger af lytterne, og latenstid skelner mellem den første audio og realtidsfaktoren for hele kørslen. Et system kan bevare klangen, men læse de forkerte ord, eller opnå lav WER og lyde som den forkerte taler.

Hvorfor tal fra forskellige projekter ikke danner én rangliste

De fire projekter bruger forskellige korpora, sprogfordelinger, referencelængder, bedømmere og beregningsforhold. En direkte sammenligning kræver samme tekst, promptaudio og afkodningsopsætning; udgivernes tabeller bevarer deres kildebetegnelser i stedet for at blive til point, der lægges sammen i et kunstigt samlet resultat.