Modelo
Qwen3-TTS, Fish S2 Pro, MOSS-TTS y VoxCPM2: cuatro interfaces de condición de voz
Síntesis de voz/comparación de modelos abiertos
Síntesis de voz/comparación de modelos abiertos
SÍNTESIS DE VOZ / COMPARACIÓN TÉCNICA
Leer texto en voz alta es solo la envoltura común. Estas rutas con pesos abiertos definen de forma distinta las instrucciones de voz, el audio de referencia, el contexto largo y la transmisión; la similitud del hablante, la naturalidad y la latencia del primer paquete no son métricas intercambiables.
Un modelo de audio discreto suele aprender p(a₁…a_T | text, c), donde a_t es un token acústico y c puede ser un hablante de referencia, una instrucción de voz o un contexto anterior:
L_AR = -Σ_t log p(a_t | a_<t, text, c)
Qwen3-TTS ofrece diseño libre de voces junto con clonación a partir de una referencia breve. Fish S2 Pro proporciona una ruta de voz discreta de alta fidelidad para comprobar el timbre y la prosodia. MOSS-TTS publica tanto un perfil de capacidad 8B como una referencia de velocidad Nano de aproximadamente 100M. VoxCPM2 aporta otra ruta de referencia zero-shot y de locuciones largas. Por eso, sus contratos de entrada se registran por separado.
WER mide errores de contenido, la similitud del hablante compara representaciones vectoriales, MOS depende de los oyentes y la latencia distingue entre el primer audio y el factor de tiempo real de la ejecución completa. Un sistema puede conservar el timbre mientras lee palabras equivocadas, o alcanzar un WER bajo y sonar como la persona incorrecta.
Los cuatro proyectos utilizan corpus, distribuciones lingüísticas, longitudes de referencia, evaluadores y condiciones de cómputo diferentes. Una comparación directa exige el mismo texto, audio de indicación y configuración de decodificación; las tablas de cada editor conservan sus etiquetas de origen en lugar de convertirse en puntos sumables dentro de un total artificial.
Qwen3-TTS, Fish Speech, MOSS-TTS y VoxCPM publican capacidades de generación de voz, pero sus interfaces de condicionamiento difieren: las instrucciones multilingües y el control del timbre, los tokens de códec, el contexto largo y el audio de indicación reciben distinto énfasis. La comparación trata sobre el alcance de la tarea, no sobre una jerarquía universal.
El TTS abierto ha avanzado a través de la codificación de texto, los tokens acústicos discretos, la generación continua, el condicionamiento del hablante y la decodificación en flujo continuo. Los valores publicados de MOS, similitud, WER y factores de tiempo real usan distintos corpus, evaluadores y condiciones de cómputo; una clasificación directa requiere repetir las pruebas bajo un protocolo común.
Q=(WER↓, SIM↑, MOS↑, T_first↓, RTF↓)WERtasa de errores de contenido; cuanto menor, mejorSIM/MOSsimilitud de identidad y naturalidad percibidaT_first/RTFprimer audio y velocidad de la ejecución completaWER mide errores de palabras, SIM la proximidad entre representaciones vectoriales y MOS la preferencia humana; la latencia del primer audio y RTF cubren dos perspectivas de la latencia. Ganar en una no implica ganar en las demás.
Qwen3-TTS, Fish, MOSS-TTS y VoxCPM2 presentan distintas interfaces de condicionamiento, corpus y evaluaciones publicadas. Una comparación directa debe fijar el texto, el audio de indicación, las condiciones de cómputo y la decodificación.
El artículo, el código y los pesos pueden consultarse mediante Qwen3-TTS / Fish Speech / MOSS-TTS.
Cada fila conserva la arquitectura, la métrica o la definición de tarea de su fuente; los resultados sin un protocolo compartido permanecen separados.
| Modelo | Arquitectura o evidencia | Alcance |
|---|---|---|
| Qwen3-TTS | instrucciones multilingües y condiciones de timbre | cambios de idioma, contenido y control |
| Fish Speech / MOSS-TTS | rutas de códec o contexto largo | repetición, formato largo y contaminación de la referencia |
| VoxCPM | otra arquitectura de generación abierta | naturalidad y latencia con material compartido |
Antes de evaluar similitud, emoción y prosodia, hay que comprobar números, fechas, abreviaturas, cambios de idioma y omisiones en textos largos. Una voz similar puede pronunciar palabras equivocadas; una muestra con WER bajo puede sonar como otra persona.
La latencia del primer audio, el factor de tiempo real completo y la estabilidad en formato largo deben informarse por separado. La velocidad en frases cortas no predice el comportamiento con textos largos, y el número de parámetros no determina la naturalidad ni la similitud del hablante.
Las puntuaciones publicadas por distintos proyectos no pueden sumarse. Solo se pueden comparar directamente los corpus comunes, las métricas coincidentes o los resultados identificados explícitamente como internos de una fuente.
La clonación de voz exige permiso y una indicación visible. La capacidad técnica no autoriza la suplantación.
Los nombres de los modelos, las cifras y las limitaciones se remontan a los artículos, repositorios o tarjetas de modelo que aparecen a continuación.