Qwen3-TTS, Fish S2 Pro, MOSS-TTS และ VoxCPM2: อินเทอร์เฟซเงื่อนไขเสียงสี่แบบ

การสังเคราะห์เสียงพูด / การเปรียบเทียบเชิงเทคนิค

การอ่านข้อความออกเสียงเป็นเพียงเปลือกนอกที่มีร่วมกัน แนวทางแบบเปิดน้ำหนักเหล่านี้กำหนดคำสั่งเสียง เสียงอ้างอิง บริบทยาว และการสตรีมแตกต่างกัน ความคล้ายคลึงของผู้พูด ความเป็นธรรมชาติ และเวลาแฝงก่อนแพ็กเก็ตแรกจึงไม่ใช่ตัวชี้วัดที่ใช้แทนกันได้

ค่าความน่าจะเป็นหนึ่งแบบ เงื่อนไขต่างกัน

โดยทั่วไป โมเดลเสียงแบบไม่ต่อเนื่องจะเรียนรู้ p(a₁…a_T | text, c) โดย a_t คือโทเคนเสียง และ c อาจเป็นผู้พูดอ้างอิง คำสั่งเสียง หรือบริบทก่อนหน้า:

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

Qwen3-TTS เปิดให้กำหนดลักษณะเสียงอย่างอิสระควบคู่กับการโคลนจากเสียงอ้างอิงสั้น Fish S2 Pro มีแนวทางเสียงพูดแบบไม่ต่อเนื่องที่มีความเที่ยงตรงสูงสำหรับตรวจสอบน้ำเสียงและสัทสัมพันธ์ MOSS-TTS เผยแพร่ทั้งโปรไฟล์ความจุ 8B และเกณฑ์อ้างอิงความเร็ว Nano ขนาดประมาณ 100M ส่วน VoxCPM2 เป็นอีกแนวทางหนึ่งสำหรับเสียงอ้างอิงแบบ zero-shot และถ้อยคำยาว ด้วยเหตุนี้จึงต้องบันทึกข้อตกลงอินพุตของแต่ละระบบแยกกัน

WER ความคล้ายคลึง MOS และเวลาแฝงตอบคำถามต่างกัน

WER วัดข้อผิดพลาดของเนื้อหา ความคล้ายคลึงของผู้พูดเปรียบเทียบเวกเตอร์ฝังตัว MOS ขึ้นอยู่กับผู้ฟัง ส่วนเวลาแฝงต้องแยกระหว่างเสียงช่วงแรกกับค่าตัวประกอบเวลาจริงตลอดการทำงาน ระบบอาจรักษาน้ำเสียงไว้ได้แต่อ่านคำผิด หรือทำ WER ต่ำแต่ฟังดูเหมือนผู้พูดผิดคน

เหตุใดตัวเลขข้ามโครงการจึงรวมเป็นอันดับเดียวไม่ได้

ทั้งสี่โครงการใช้คลังข้อมูล การกระจายภาษา ความยาวเสียงอ้างอิง ผู้ประเมิน และเงื่อนไขการประมวลผลต่างกัน การเปรียบเทียบโดยตรงต้องใช้ข้อความ เสียงพรอมป์ และการตั้งค่าถอดรหัสเดียวกัน ตารางของผู้เผยแพร่ต้องคงป้ายกำกับแหล่งที่มาไว้ แทนที่จะนำคะแนนมาบวกรวมเป็นยอดสังเคราะห์