Modell
Qwen3-TTS, Fish S2 Pro, MOSS-TTS und VoxCPM2: vier Sprachzustandsschnittstellen
Sprachsynthese / offener Modellvergleich
Sprachsynthese / offener Modellvergleich
SPRACHSYNTHESE / TECHNISCHER VERGLEICH
Das Vorlesen von Text ist nur die gemeinsame Hülle. Diese Ansätze mit offenen Gewichten definieren Stimmanweisungen, Referenzaudio, langen Kontext und Streaming unterschiedlich; Sprecherähnlichkeit, Natürlichkeit und Latenz bis zum ersten Paket sind keine austauschbaren Messgrößen.
Ein Modell für diskretes Audio lernt üblicherweise p(a₁…a_T | text, c), wobei a_t ein akustisches Token ist und c einen Referenzsprecher, eine Stimmanweisung oder vorausgehenden Kontext bezeichnen kann:
L_AR = -Σ_t log p(a_t | a_<t, text, c)
Qwen3-TTS bietet freie Stimmgestaltung neben dem Klonen mit einer kurzen Referenz. Fish S2 Pro stellt einen hochgetreuen diskreten Sprachpfad für Prüfungen von Klangfarbe und Prosodie bereit. MOSS-TTS veröffentlicht sowohl ein 8B-Kapazitätsprofil als auch eine Nano-Geschwindigkeitsreferenz mit ungefähr 100M. VoxCPM2 bietet einen weiteren Zero-Shot-Referenzpfad für lange Äußerungen. Ihre Eingabeverträge werden deshalb getrennt erfasst.
WER misst inhaltliche Fehler, die Sprecherähnlichkeit vergleicht Einbettungen, MOS hängt von den Zuhörenden ab, und bei der Latenz sind das erste Audiosignal und der vollständige Echtzeitfaktor zu unterscheiden. Ein System kann die Klangfarbe bewahren und dennoch falsche Wörter lesen oder eine niedrige WER erreichen und dabei wie der falsche Sprecher klingen.
Die vier Projekte verwenden unterschiedliche Korpora, Sprachverteilungen, Referenzlängen, Bewertungsgruppen und Rechenbedingungen. Ein direkter Vergleich erfordert denselben Text, dasselbe Prompt-Audio und dieselbe Decodierungskonfiguration; Tabellen der Herausgeber behalten ihre Quellenbezeichnungen, statt als Punkte zu einer künstlichen Gesamtsumme addiert zu werden.
Qwen3-TTS, Fish Speech, MOSS-TTS und VoxCPM veröffentlichen allesamt Funktionen zur Spracherzeugung, doch ihre Konditionierungsschnittstellen unterscheiden sich: Mehrsprachige Anweisungen und Klangfarbensteuerung, Codec-Tokens, langer Kontext und Prompt-Audio werden verschieden gewichtet. Der Vergleich betrifft den Aufgabenumfang, nicht eine universelle Rangordnung.
Offenes TTS hat sich über Textcodierung, diskrete akustische Tokens, kontinuierliche Erzeugung, Sprecherkonditionierung und Streaming-Decodierung hinweg entwickelt. Veröffentlichte Werte für MOS, Ähnlichkeit, WER und Echtzeitfaktoren beruhen auf unterschiedlichen Korpora, Bewertungsgruppen und Rechenbedingungen; eine direkte Rangfolge erfordert eine gemeinsame Neuausführung.
Q=(WER↓, SIM↑, MOS↑, T_first↓, RTF↓)WERinhaltliche Fehlerrate, niedriger ist besserSIM/MOSIdentitätsähnlichkeit und wahrgenommene NatürlichkeitT_first/RTFerstes Audiosignal und Geschwindigkeit des gesamten DurchlaufsWER misst Wortfehler, SIM die Nähe von Einbettungen und MOS menschliche Präferenzen; die Latenz bis zum ersten Audiosignal und RTF bilden zwei Sichtweisen auf die Latenz ab. Ein Sieg auf einer Achse bedeutet keinen Sieg auf den anderen.
Qwen3-TTS, Fish, MOSS-TTS und VoxCPM2 verwenden unterschiedliche Konditionierungsschnittstellen, Korpora und veröffentlichte Bewertungen. Für einen direkten Vergleich müssen Text, Prompt-Audio, Rechenbedingungen und Decodierung festgelegt werden.
Publikation, Code und Gewichte sind über Qwen3-TTS / Fish Speech / MOSS-TTS zugänglich.
Jede Zeile behält die Architektur, Metrik oder Aufgabendefinition ihrer Quelle bei; Ergebnisse ohne gemeinsames Protokoll bleiben getrennt.
| Modell | Architektur oder Nachweis | Umfang |
|---|---|---|
| Qwen3-TTS | mehrsprachige Anweisungen und Klangfarbenbedingungen | Sprachwechsel, Inhalt und Steuerung |
| Fish Speech / MOSS-TTS | Codec- oder Langkontextpfade | Wiederholungen, lange Form und Verunreinigung durch die Referenz |
| VoxCPM | eine weitere offene Generierungsarchitektur | Natürlichkeit und Latenz auf gemeinsamem Material |
Zahlen, Daten, Abkürzungen, Sprachwechsel und Auslassungen in langen Passagen sollten vor Ähnlichkeit, Emotion und Prosodie geprüft werden. Eine ähnliche Stimme kann die falschen Wörter sagen; eine Stichprobe mit niedriger WER kann wie die falsche Person klingen.
Die Latenz bis zum ersten Audiosignal, der vollständige Echtzeitfaktor und die Stabilität bei langen Passagen müssen getrennt berichtet werden. Die Geschwindigkeit kurzer Sätze sagt nichts über das Verhalten bei langen Texten aus, und die Parameterzahl bestimmt weder Natürlichkeit noch Sprecherähnlichkeit.
Projektübergreifend veröffentlichte Bewertungen lassen sich nicht addieren. Nur gemeinsame Korpora, übereinstimmende Metriken oder ausdrücklich als quellenintern gekennzeichnete Ergebnisse können direkt verglichen werden.
Das Klonen von Stimmen erfordert eine Erlaubnis und eine deutliche Kennzeichnung. Technische Möglichkeiten erlauben keine Identitätsvortäuschung.
Modellnamen, Zahlen und Einschränkungen lassen sich zu den nachstehenden Publikationen, Repositorys oder Modellkarten zurückverfolgen.