Qwen3-TTS, Fish S2 Pro, MOSS-TTS ve VoxCPM2: dört ses koşulu arayüzü

KONUŞMA SENTEZİ / TEKNİK KARŞILAŞTIRMA

Metni sesli okumak yalnızca ortak kabuktur. Bu açık ağırlıklı yollar ses talimatlarını, referans sesi, uzun bağlamı ve akışı farklı biçimlerde tanımlar; konuşmacı benzerliği, doğallık ve ilk paket gecikmesi birbiri yerine kullanılabilecek ölçütler değildir.

Tek olabilirlik işlevi, farklı koşullar

Ayrık ses modeli genellikle p(a₁…a_T | text, c) ifadesini öğrenir; burada a_t bir akustik token, c ise referans konuşmacı, ses talimatı veya önceki bağlam olabilir:

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

Qwen3-TTS, kısa referansla klonlamanın yanında serbest biçimli ses tasarımı sunar. Fish S2 Pro, tını ve prozodi kontrolleri için yüksek doğruluklu bir ayrık konuşma yolu sağlar. MOSS-TTS hem 8B kapasiteli bir profil hem de yaklaşık 100M boyutunda bir Nano hız referansı yayımlar. VoxCPM2 başka bir zero-shot referans ve uzun konuşma yolu sunar. Bu nedenle giriş sözleşmeleri ayrı ayrı kaydedilir.

WER, benzerlik, MOS ve gecikme farklı soruları yanıtlar

WER içerik hatalarını ölçer, konuşmacı benzerliği gömmeleri karşılaştırır, MOS dinleyicilere bağlıdır; gecikme ise ilk ses ile tam çalışma gerçek zaman faktörünü birbirinden ayırır. Bir sistem yanlış sözcükleri okurken tınıyı koruyabilir ya da düşük WER elde ettiği hâlde yanlış konuşmacı gibi duyulabilir.

Projeler arası sayıların neden tek bir sıralama oluşturmadığı

Dört proje farklı derlemler, dil dağılımları, referans uzunlukları, değerlendiriciler ve hesaplama koşulları kullanır. Doğrudan karşılaştırma aynı metni, istem sesini ve kod çözme düzenini gerektirir; yayıncı tabloları, yapay bir toplamdaki eklenebilir puanlara dönüşmek yerine kaynak etiketlerini korur.