Qwen3-TTS, Fish S2 Pro, MOSS-TTS και VoxCPM2: τέσσερις διεπαφές κατάστασης φωνής

ΣΥΝΘΕΣΗ ΟΜΙΛΙΑΣ / ΤΕΧΝΙΚΗ ΣΥΓΚΡΙΣΗ

Η ανάγνωση κειμένου με φωνή είναι μόνο το κοινό περίβλημα. Αυτές οι διαδρομές ανοικτών βαρών ορίζουν διαφορετικά τις φωνητικές οδηγίες, τον ήχο αναφοράς, το εκτεταμένο context και τη ροή· η ομοιότητα ομιλητή, η φυσικότητα και η καθυστέρηση του πρώτου πακέτου δεν είναι εναλλάξιμες μετρικές.

Μία πιθανοφάνεια, διαφορετικές συνθήκες

Ένα μοντέλο διακριτού ήχου μαθαίνει συνήθως την p(a₁…a_T | text, c), όπου το a_t είναι ένα ακουστικό token και το c μπορεί να είναι ένας ομιλητής αναφοράς, μια φωνητική οδηγία ή προηγούμενο context:

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

Το Qwen3-TTS προσφέρει σχεδιασμό φωνής με ελεύθερη περιγραφή μαζί με κλωνοποίηση από σύντομη αναφορά. Το Fish S2 Pro παρέχει μια διαδρομή διακριτής ομιλίας υψηλής πιστότητας για ελέγχους χροιάς και προσωδίας. Το MOSS-TTS δημοσιεύει τόσο ένα προφίλ χωρητικότητας 8B όσο και μια γραμμή αναφοράς ταχύτητας Nano περίπου 100M. Το VoxCPM2 προσφέρει άλλη μία διαδρομή zero-shot αναφοράς και εκτεταμένων εκφωνήσεων. Επομένως, οι συμβάσεις εισόδου τους καταγράφονται χωριστά.

Τα WER, ομοιότητα, MOS και καθυστέρηση απαντούν σε διαφορετικά ερωτήματα

Το WER μετρά τα σφάλματα περιεχομένου, η ομοιότητα ομιλητή συγκρίνει embeddings, το MOS εξαρτάται από τους ακροατές, ενώ η καθυστέρηση διακρίνει τον πρώτο ήχο από τον συνολικό συντελεστή πραγματικού χρόνου. Ένα σύστημα μπορεί να διατηρεί τη χροιά αλλά να διαβάζει λάθος λέξεις ή να πετυχαίνει χαμηλό WER ενώ ακούγεται σαν λάθος ομιλητής.

Γιατί οι αριθμοί διαφορετικών έργων δεν σχηματίζουν μία κατάταξη

Τα τέσσερα έργα χρησιμοποιούν διαφορετικά σώματα δεδομένων, κατανομές γλωσσών, μήκη αναφοράς, αξιολογητές και υπολογιστικές συνθήκες. Η άμεση σύγκριση απαιτεί το ίδιο κείμενο, τον ίδιο ήχο προτροπής και την ίδια ρύθμιση αποκωδικοποίησης· οι πίνακες των εκδοτών διατηρούν τις ετικέτες των πηγών τους αντί να μετατρέπονται σε αθροιστικούς βαθμούς ενός συνθετικού συνόλου.