Qwen3-TTS, Fish S2 Pro, MOSS-TTS и VoxCPM2: четыре интерфейса голосового управления

СИНТЕЗ РЕЧИ / ТЕХНИЧЕСКОЕ СРАВНЕНИЕ

Чтение текста вслух — лишь общая внешняя оболочка. Эти решения с открытыми весами по-разному определяют голосовые инструкции, эталонное аудио, длинный контекст и потоковую передачу; сходство голоса, естественность и задержка первого пакета — не взаимозаменяемые метрики.

Одна функция правдоподобия, разные условия

Модель дискретного аудио обычно обучается распределению p(a₁…a_T | text, c), где a_t — акустический token, а c может обозначать эталонного диктора, голосовую инструкцию или предшествующий контекст:

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

Qwen3-TTS предлагает свободное проектирование голоса наряду с клонированием по короткому эталону. Fish S2 Pro предоставляет высокоточную дискретную речевую схему для проверки тембра и просодии. MOSS-TTS публикует как профиль ёмкости 8B, так и скоростную базовую линию Nano размером примерно 100M. VoxCPM2 предлагает ещё один zero-shot путь с эталоном и поддержку длинных высказываний. Поэтому их входные контракты фиксируются раздельно.

WER, сходство, MOS и задержка отвечают на разные вопросы

WER измеряет ошибки содержания, сходство диктора сравнивает embedding, MOS зависит от слушателей, а при измерении задержки первый звук отделяется от полного коэффициента реального времени. Система может сохранить тембр, но произнести неверные слова, либо получить низкий WER, но звучать как другой человек.

Почему показатели разных проектов не образуют единый рейтинг

Четыре проекта используют разные корпуса, распределения языков, длительности эталонов, группы оценщиков и вычислительные условия. Для прямого сравнения нужны одинаковые текст, prompt-аудио и настройки декодирования; таблицы издателей сохраняют метки своих источников, а не превращаются в складываемые баллы искусственного общего результата.