Modèle
Qwen3-TTS, Fish S2 Pro, MOSS-TTS et VoxCPM2 : quatre interfaces de condition vocale
Synthèse vocale / comparaison de modèles ouverts
Synthèse vocale / comparaison de modèles ouverts
SYNTHÈSE VOCALE / COMPARAISON TECHNIQUE
Lire un texte à voix haute n'est que leur enveloppe commune. Ces approches à poids ouverts définissent différemment les consignes vocales, l'audio de référence, le contexte long et la diffusion en continu ; la similarité du locuteur, le naturel et la latence du premier paquet ne sont pas des mesures interchangeables.
Un modèle audio discret apprend généralement p(a₁…a_T | text, c), où a_t est un token acoustique et où c peut correspondre à un locuteur de référence, à une consigne vocale ou à un contexte antérieur :
L_AR = -Σ_t log p(a_t | a_<t, text, c)
Qwen3-TTS propose la création libre de voix en plus du clonage à partir d'une courte référence. Fish S2 Pro offre une voie de parole discrète haute fidélité pour vérifier le timbre et la prosodie. MOSS-TTS publie à la fois un profil de capacité 8B et une référence de vitesse Nano d'environ 100M. VoxCPM2 apporte une autre voie zero-shot fondée sur une référence et adaptée aux énoncés longs. Leurs contrats d'entrée sont donc consignés séparément.
Le WER mesure les erreurs de contenu, la similarité du locuteur compare les plongements, le MOS dépend des auditeurs et la latence distingue le premier signal audio du facteur temps réel de l'exécution complète. Un système peut préserver le timbre tout en lisant les mauvais mots, ou obtenir un WER faible tout en ressemblant à la mauvaise personne.
Les quatre projets utilisent des corpus, des répartitions linguistiques, des durées de référence, des évaluateurs et des conditions de calcul différents. Une comparaison directe nécessite le même texte, le même audio d'invite et la même configuration de décodage ; les tableaux des éditeurs conservent les libellés de leurs sources au lieu de devenir des points additionnés dans un total artificiel.
Qwen3-TTS, Fish Speech, MOSS-TTS et VoxCPM publient tous des capacités de génération vocale, mais leurs interfaces de conditionnement diffèrent : les consignes multilingues et le contrôle du timbre, les tokens de codec, le contexte long et l'audio d'invite ne reçoivent pas la même importance. La comparaison porte sur le périmètre des tâches, pas sur une hiérarchie universelle.
Le TTS ouvert a progressé à travers l'encodage du texte, les tokens acoustiques discrets, la génération continue, le conditionnement du locuteur et le décodage en continu. Les MOS, similarités, WER et facteurs temps réel publiés reposent sur des corpus, des évaluateurs et des conditions de calcul différents ; un classement direct exige de relancer les systèmes selon un protocole commun.
Q=(WER↓, SIM↑, MOS↑, T_first↓, RTF↓)WERtaux d'erreurs de contenu, plus bas est préférableSIM/MOSsimilarité d'identité et naturel perçuT_first/RTFpremier signal audio et vitesse de l'exécution complèteLe WER mesure les erreurs de mots, SIM la proximité des plongements et MOS les préférences humaines ; la latence du premier signal audio et le RTF donnent deux perspectives sur la latence. Dominer un axe n'implique pas de dominer les autres.
Qwen3-TTS, Fish, MOSS-TTS et VoxCPM2 présentent des interfaces de conditionnement, des corpus et des évaluations publiées différents. Une comparaison directe doit fixer le texte, l'audio d'invite, les conditions de calcul et le décodage.
L'article, le code et les poids sont accessibles via Qwen3-TTS / Fish Speech / MOSS-TTS.
Chaque ligne conserve l'architecture, la mesure ou la définition de tâche de sa source ; les résultats dépourvus de protocole commun restent séparés.
| Modèle | Architecture ou preuve | Périmètre |
|---|---|---|
| Qwen3-TTS | consignes multilingues et conditions de timbre | changements de langue, contenu et contrôle |
| Fish Speech / MOSS-TTS | voies par codec ou à contexte long | répétition, format long et contamination par la référence |
| VoxCPM | une autre architecture de génération ouverte | naturel et latence sur un matériau commun |
Il faut vérifier les nombres, les dates, les abréviations, les changements de langue et les omissions dans les passages longs avant la similarité, l'émotion et la prosodie. Une voix similaire peut prononcer les mauvais mots ; un échantillon au WER faible peut ressembler à la mauvaise personne.
La latence du premier signal audio, le facteur temps réel complet et la stabilité sur les formats longs doivent être rapportés séparément. La vitesse sur des phrases courtes ne prédit pas le comportement sur des textes longs, et le nombre de paramètres ne détermine ni le naturel ni la similarité du locuteur.
Les scores publiés par différents projets ne peuvent pas être additionnés. Seuls des corpus communs, des mesures concordantes ou des résultats explicitement identifiés comme internes à une source peuvent être comparés directement.
Le clonage vocal nécessite une autorisation et une mention visible. La capacité technique n'autorise pas l'usurpation d'identité.
Les noms de modèles, les chiffres et les limites remontent aux articles, aux dépôts ou aux fiches de modèle ci-dessous.