Hugging Face 推出 Open TTS Leaderboard：用客观指标评测多语言语音合成与声音克隆

核心事实

Hugging Face 博客发布文章，介绍新上线的 Open TTS Leaderboard。该榜单聚焦开源与多语言文本转语音（TTS）模型，并覆盖声音克隆评测。据文章说明，榜单采用客观指标：可理解度使用词错误率（WER）与字符错误率（CER），由 Qwen3 ASR 转写生成音频后与提示文本比对；速度使用批处理离线推理的逆实时因子（RTFx）与流式场景下的首音频时间（TTFA）；说话人相似度则通过 WavLM 说话人嵌入的余弦相似度（SIM）计算。文章称，改用客观指标后，评测一个模型的时间从收集投票所需的数周缩短到数小时。

背景与影响

文章指出，开源 TTS 模型发布速度很快，截至 2026 年 9 月 30 日，Hugging Face Hub 上已有超过 8000 个 TTS 模型，但评测仍较为分散、缺乏统一标准。以人类偏好投票为基础的竞技场式榜单（如 TTS Arena v2、Artificial Analysis Voice Arena）被视为重要参考，但难以跟上模型发布节奏，且开源模型在其中的占比偏低。文章称，截至同一日期，Artificial Analysis 的 92 个模型中仅 16 个为开放权重。榜单默认视图按 Seed TTS Eval 英文切分与 CV3 Eval 零样本切分的宏平均 WER 排名，文章提到 hexgrad/Kokoro-82M、Supertone/supertonic-3、fishaudio/s2-pro 在英文 WER 上领先；多语言方面提到 k2-fsa/OmniVoice、fishaudio/s2-pro、FunAudioLLM/Fun-CosyVoice3-0.5B-2512；流式方面提到 kyutai/pocket-tts。榜单还设有 Listen 标签页供试听与投票，Streaming 标签页比较流式能力。

限制与来源

文章明确表示，该榜单并不取代人类偏好排名：基于 ASR 的 WER 只是可理解度的代理指标，说话人相似度估计的是声音身份保持程度，二者都不直接衡量自然度、表现力或听者偏好。文章还称，评测脚本将很快开源，并欢迎社区反馈数据集、模型与指标建议。上述模型排名、模型数量与时间点均来自 Hugging Face 博客原文，具体榜单内容与最新结果请以官网当前信息为准。