Modell
Qwen3-TTS, Fish S2 Pro, MOSS-TTS og VoxCPM2: fire grensesnitt for taletilstand
Talesyntese / åpen modellsammenligning
Talesyntese / åpen modellsammenligning
TALESYNTESE / TEKNISK SAMMENLIGNING
Å lese tekst høyt er bare det felles ytre skallet. Disse løsningene med åpne vekter definerer stemmeinstruksjoner, referanselyd, lang kontekst og strømming forskjellig; talerlikhet, naturlighet og ventetid til første pakke er ikke utskiftbare måleverdier.
En modell for diskret lyd lærer vanligvis p(a₁…a_T | text, c), der a_t er et akustisk token, mens c kan være en referansetaler, en stemmeinstruksjon eller tidligere kontekst:
L_AR = -Σ_t log p(a_t | a_<t, text, c)
Qwen3-TTS tilbyr fritt utformet stemmedesign sammen med kloning fra en kort referanse. Fish S2 Pro gir en diskret talevei med høy gjengivelseskvalitet for kontroll av klang og prosodi. MOSS-TTS publiserer både en kapasitetsprofil på 8B og en Nano-baseline for hastighet på omtrent 100M. VoxCPM2 tilbyr enda en zero-shot-referanse og en vei for lange ytringer. Inndatakontraktene deres registreres derfor separat.
WER måler innholdsfeil, talerlikhet sammenligner embedding, MOS avhenger av lyttere, og ventetid skiller første lyd fra full real-time factor. Et system kan bevare klangen mens det leser feil ord, eller oppnå lav WER mens det høres ut som feil taler.
De fire prosjektene bruker forskjellige korpuser, språkfordelinger, referanselengder, vurderere og beregningsforhold. Direkte sammenligning krever samme tekst, prompt-lyd og dekodingsoppsett; utgivernes tabeller beholder kildeetikettene sine i stedet for å bli poeng som kan legges sammen til en kunstig totalsum.
Qwen3-TTS, Fish Speech, MOSS-TTS og VoxCPM publiserer alle funksjoner for talegenerering, men betingingsgrensesnittene er ulike: flerspråklige instruksjoner og klangkontroll, codec-token, lang kontekst og prompt-lyd vektlegges forskjellig. Sammenligningen gjelder oppgaveomfang, ikke én universell rangstige.
Åpen TTS har utviklet seg innen tekstkoding, diskrete akustiske token, kontinuerlig generering, talerbetinging og strømmende dekoding. Publisert MOS, likhet, WER og real-time factor bruker forskjellige korpuser, vurderere og beregningsforhold; direkte rangering krever en felles ny kjøring.
Q=(WER↓, SIM↑, MOS↑, T_first↓, RTF↓)WERfeilrate for innhold, lavere er bedreSIM/MOSidentitetslikhet og opplevd naturlighetT_first/RTFtid til første lyd og hastighet for hele kjøringenWER måler ordfeil, SIM nærhet mellom embedding, MOS menneskelige preferanser, mens ventetid til første lyd og RTF dekker to syn på ventetid. Å vinne på én innebærer ikke å vinne på de andre.
Qwen3-TTS, Fish, MOSS-TTS og VoxCPM2 tilbyr forskjellige betingingsgrensesnitt, korpuser og publiserte evalueringer. En direkte sammenligning må låse tekst, prompt-lyd, beregningsforhold og dekoding.
Artikler, kode og vekter kan følges gjennom Qwen3-TTS / Fish Speech / MOSS-TTS.
Hver rad beholder arkitekturen, måleverdien eller oppgavedefinisjonen fra kilden sin; resultater uten en felles protokoll forblir separate.
| Modell | Arkitektur eller dokumentasjon | Omfang |
|---|---|---|
| Qwen3-TTS | flerspråklige instruksjoner og klangbetingelser | språkbytter, innhold og kontroll |
| Fish Speech / MOSS-TTS | codec- eller langkontekstveier | gjentakelse, langform og forurensning fra referansen |
| VoxCPM | en annen åpen genereringsarkitektur | naturlighet og ventetid på felles materiale |
Kontroller tall, datoer, forkortelser, språkbytter og utelatelser i langform før likhet, følelser og prosodi. En lignende stemme kan si feil ord; et eksempel med lav WER kan høres ut som feil person.
Ventetid til første lyd, full real-time factor og stabilitet i langform må rapporteres separat. Hastighet på korte setninger forutsier ikke atferd i langform, og parameterantall avgjør ikke naturlighet eller talerlikhet.
Publiserte resultater fra forskjellige prosjekter kan ikke legges sammen. Bare felles korpuser, samsvarende måleverdier eller uttrykkelig kildelokale resultater kan sammenlignes direkte.
Stemmekloning krever tillatelse og tydelig opplysning. Teknisk kapasitet gir ikke tillatelse til å utgi seg for å være en annen.
Modellnavn, tall og begrensninger kan spores til artiklene, repositoriene eller modellkortene nedenfor.