Mô hình
Qwen3-TTS, Fish S2 Pro, MOSS-TTS và VoxCPM2: bốn giao diện điều kiện giọng nói
Tổng hợp giọng nói / so sánh mô hình mở
Tổng hợp giọng nói / so sánh mô hình mở
TỔNG HỢP TIẾNG NÓI / SO SÁNH KỸ THUẬT
Đọc thành tiếng văn bản mới chỉ là lớp vỏ chung. Những hướng đi trọng số mở này định nghĩa khác nhau về chỉ dẫn giọng nói, âm thanh tham chiếu, ngữ cảnh dài và truyền phát; độ tương đồng người nói, độ tự nhiên và độ trễ gói đầu tiên không phải là những thước đo có thể thay thế cho nhau.
Một mô hình âm thanh rời rạc thường học p(a₁…a_T | text, c), trong đó a_t là một token âm học còn c có thể là người nói tham chiếu, một chỉ dẫn giọng nói hoặc ngữ cảnh trước đó:
L_AR = -Σ_t log p(a_t | a_<t, text, c)
Qwen3-TTS cung cấp khả năng thiết kế giọng nói bằng mô tả tự do bên cạnh việc sao giọng từ đoạn tham chiếu ngắn. Fish S2 Pro đưa ra một hướng tạo tiếng nói rời rạc có độ trung thực cao để kiểm tra âm sắc và ngữ điệu. MOSS-TTS công bố cả cấu hình dung lượng 8B lẫn đường chuẩn tốc độ Nano khoảng 100M. VoxCPM2 cung cấp thêm một hướng tham chiếu zero-shot và phát ngôn dài. Vì thế, các giao ước đầu vào của chúng được ghi nhận riêng.
WER đo lỗi nội dung, độ tương đồng người nói so sánh embedding, MOS phụ thuộc vào người nghe, còn độ trễ tách thời điểm có âm thanh đầu tiên khỏi hệ số thời gian thực của toàn bộ quá trình. Một hệ thống có thể giữ được âm sắc nhưng đọc sai từ, hoặc đạt WER thấp nhưng lại nghe giống nhầm người nói.
Bốn dự án sử dụng các kho ngữ liệu, phân bố ngôn ngữ, độ dài tham chiếu, người đánh giá và điều kiện tính toán khác nhau. So sánh trực tiếp đòi hỏi cùng văn bản, âm thanh gợi ý và thiết lập giải mã; các bảng của bên công bố phải giữ nguyên nhãn nguồn thay vì biến thành các điểm cộng dồn trong một tổng điểm tổng hợp.
Qwen3-TTS, Fish Speech, MOSS-TTS và VoxCPM đều công bố khả năng tạo tiếng nói, nhưng giao diện điều kiện hóa của chúng khác nhau: chỉ dẫn đa ngôn ngữ và điều khiển âm sắc, token codec, ngữ cảnh dài cùng âm thanh gợi ý được nhấn mạnh ở những mức khác nhau. Phép so sánh này xét phạm vi tác vụ, không phải một thang bậc chung duy nhất.
TTS mở đã tiến triển qua mã hóa văn bản, token âm học rời rạc, sinh liên tục, điều kiện hóa người nói và giải mã truyền phát. MOS, độ tương đồng, WER và hệ số thời gian thực đã công bố sử dụng các kho ngữ liệu, người đánh giá và điều kiện tính toán khác nhau; xếp hạng trực tiếp đòi hỏi chạy lại trên một thiết lập chung.
Q=(WER↓, SIM↑, MOS↑, T_first↓, RTF↓)WERtỷ lệ lỗi nội dung, càng thấp càng tốtSIM/MOSđộ tương đồng danh tính và độ tự nhiên cảm nhận đượcT_first/RTFtốc độ có âm thanh đầu tiên và tốc độ toàn bộ quá trìnhWER đo lỗi từ, SIM đo mức độ gần nhau của embedding, MOS thể hiện đánh giá của con người, còn độ trễ âm thanh đầu tiên và RTF bao quát hai góc nhìn về độ trễ. Dẫn đầu ở một tiêu chí không đồng nghĩa với dẫn đầu ở các tiêu chí còn lại.
Qwen3-TTS, Fish, MOSS-TTS và VoxCPM2 có giao diện điều kiện hóa, kho ngữ liệu và đánh giá công bố khác nhau. Một phép so sánh trực tiếp phải cố định văn bản, âm thanh gợi ý, điều kiện tính toán và cách giải mã.
Có thể lần theo bài báo, mã nguồn và trọng số qua Qwen3-TTS / Fish Speech / MOSS-TTS.
Mỗi hàng giữ nguyên kiến trúc, thước đo hoặc định nghĩa tác vụ từ nguồn của mình; các kết quả không có giao thức chung vẫn được trình bày riêng.
| Mô hình | Kiến trúc hoặc bằng chứng | Phạm vi |
|---|---|---|
| Qwen3-TTS | chỉ dẫn đa ngôn ngữ và điều kiện âm sắc | chuyển đổi ngôn ngữ, nội dung và khả năng điều khiển |
| Fish Speech / MOSS-TTS | hướng codec hoặc ngữ cảnh dài | lặp lại, nội dung dài và tạp nhiễm từ tham chiếu |
| VoxCPM | một kiến trúc sinh mở khác | độ tự nhiên và độ trễ trên cùng vật liệu |
Hãy kiểm tra số, ngày tháng, chữ viết tắt, chuyển đổi ngôn ngữ và phần bị bỏ sót trong đoạn dài trước khi xét độ tương đồng, cảm xúc và ngữ điệu. Một giọng nghe giống có thể nói sai từ; một mẫu có WER thấp có thể nghe giống nhầm người.
Độ trễ âm thanh đầu tiên, hệ số thời gian thực của toàn bộ quá trình và độ ổn định ở đoạn dài cần được báo cáo riêng. Tốc độ câu ngắn không dự đoán được hành vi ở đoạn dài, còn số lượng tham số không quyết định độ tự nhiên hay độ tương đồng người nói.
Không thể cộng các điểm số công bố giữa những dự án khác nhau. Chỉ có kho ngữ liệu chung, thước đo tương ứng hoặc kết quả được ghi rõ là cục bộ theo nguồn mới có thể so sánh trực tiếp.
Sao giọng đòi hỏi sự cho phép và công bố rõ ràng. Năng lực kỹ thuật không phải là sự cho phép mạo danh.
Tên mô hình, số liệu và giới hạn được truy về các bài báo, kho mã nguồn hoặc model card dưới đây.