Qwen3-TTS、Fish S2 Pro、MOSS-TTS、および VoxCPM2: 4 つの音声条件インターフェイス

音声合成 / 技術比較

テキストを読み上げることは、共通する外枠にすぎません。これらのオープンウェイト方式では、音声指示、参照音声、長いコンテキスト、ストリーミングの定義が異なり、話者類似度、自然さ、最初のパケットまでの遅延は相互に置き換えられる指標ではありません。

同じ尤度、異なる条件

離散音声モデルは一般に p(a₁…a_T | text, c) を学習します。ここで a_t は音響 token、c は参照話者、音声指示、または先行コンテキストです。

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

Qwen3-TTS は、短い参照音声によるクローニングに加えて自由形式の音声設計を提供します。Fish S2 Pro は、音色と韻律を確認するための高忠実度な離散音声経路を備えています。MOSS-TTS は 8B の容量プロファイルと約 100M の Nano 速度ベースラインを公開しています。VoxCPM2 は、別の zero-shot 参照方式と長い発話向けの経路を提供します。そのため、各方式の入力契約は分けて記録します。

WER、類似度、MOS、遅延が答える問いは異なる

WER は内容の誤りを測り、話者類似度は embedding を比較し、MOS は聴取者に依存します。また遅延では、最初の音声が届くまでの時間と全体の real-time factor を区別します。音色を保ちながら誤った単語を読むシステムもあれば、低い WER を達成しても別人のように聞こえるシステムもあります。

プロジェクトをまたぐ数値が単一のランキングにならない理由

四つのプロジェクトは、異なる corpus、言語分布、参照の長さ、評価者、計算条件を使用しています。直接比較するには、同じテキスト、prompt 音声、decode 設定が必要です。公開元の表は、人工的な合計点へ加算せず、元の出典ラベルを保ちます。

音響表現はどのように進化したか

Qwen3-TTS、Fish Speech、MOSS-TTS、VoxCPM はいずれも音声生成機能を公開していますが、条件付け interface は異なります。多言語指示と音色制御、codec token、長いコンテキスト、prompt 音声のどれを重視するかがそれぞれ異なります。この比較が扱うのは task の範囲であり、単一の万能な序列ではありません。

オープン TTS は、テキスト encoding、離散音響 token、連続生成、話者条件付け、ストリーミング decode の各領域で進歩してきました。公開された MOS、類似度、WER、real-time factor は、異なる corpus、評価者、計算条件を使っています。直接順位付けするには、共通条件での再実行が必要です。

**Qwen3-TTS の公式機能概要**クローニング、設計、制御、スマート生成の各機能は、Qwen3-TTS 公式 README の画像に基づいています。公式ソース：公式 Qwen OSS 画像 qwen3_tts_introduction.png

オープン TTS を評価する五つの軸

Q=(WER↓, SIM↑, MOS↑, T_first↓, RTF↓)

WER内容の誤り率。低いほど良い
SIM/MOS話者同一性の類似度と知覚される自然さ
T_first/RTF最初の音声までの時間と全実行速度

WER は単語の誤り、SIM は embedding の近さ、MOS は人間の選好を測ります。最初の音声までの遅延と RTF は、遅延を異なる観点から捉えます。一つで優れていても、ほかでも優れているとは限りません。

Qwen3-TTS、Fish、MOSS-TTS、VoxCPM2 は、異なる条件付け interface、corpus、公開評価を提供しています。直接比較するには、テキスト、prompt 音声、計算条件、decode を固定する必要があります。

論文、コード、weight は Qwen3-TTS / Fish Speech / MOSS-TTS から確認できます。

**Fish Speech の公式機能図**きめ細かな制御、速度、複数話者の出力、長い音声は、Fish Speech 独自の図で個別に示されています。公式ソース：docs/assets/totalability.png

各音声指標が答えること

各行では、出典の architecture、metric、または task 定義を維持しています。共通 protocol のない結果は別々に扱います。

モデル	Architecture または根拠	対象範囲
Qwen3-TTS	多言語指示と音色条件	言語の切り替え、内容、制御
Fish Speech / MOSS-TTS	codec または長いコンテキストの経路	反復、長文、参照音声の混入
VoxCPM	別のオープン生成 architecture	共通素材での自然さと遅延

**MOSS-TTS の公式モデルファミリーマップ**Delay、Local、SoundEffect、VoiceGen、Realtime の各分岐は、MOSS-TTS プロジェクト自体に基づいています。公式ソース：assets/moss_tts_family.jpeg

内容、音色、長文音声の聴取

類似度、感情、韻律を確認する前に、数字、日付、略語、言語の切り替え、長文での欠落を確認してください。似た声でも誤った単語を話すことがあり、低 WER のサンプルでも別人のように聞こえることがあります。

最初の音声までの遅延、全体の real-time factor、長文での安定性は分けて報告する必要があります。短文での速度から長文での挙動は予測できず、parameter 数だけで自然さや話者類似度は決まりません。

**VoxCPM2 の公式モデル architecture**残差音響言語モデル、テキスト意味言語モデル、統合 sequence 生成経路は、VoxCPM2 の図に基づいています。公式ソース：assets/voxcpm2_model.png

音声類似度が残すリスク

プロジェクトをまたいで公開された score は加算できません。共通 corpus、対応する metric、または出典内に限定された明示的な結果だけを直接比較できます。

音声クローニングには許可と明確な開示が必要です。技術的に可能であることは、なりすましを認めるものではありません。

Qwen3-TTS の論文と公開ファイル

モデル名、数値、制約の出典は、以下の論文、repository、model card です。