开放TTS排行榜：多语言语音合成与声音克隆的可扩展评估

开源语音合成领域正在经历一场爆发。截至2026年9月30日，Hugging Face Hub上已有超过8000个TTS（文本转语音）模型，但评估体系却远远跟不上模型发布的速度。目前社区公认的黄金标准仍然是MOS、MUSHRA这类人工偏好评分，几个竞技场式排行榜——TTS Arena v2、Artificial Analysis Voice Arena——通过让用户盲听两个模型的输出并选择更好的一个，再用Elo评分和Bradley-Terry模型进行排名。问题在于，这种模式根本无法规模化。截至同一时间点，Artificial Analysis收录的92个模型中只有16个是开放权重模型，Voice Arena的分布也类似。原因很实际：接入一个API模型只需要一个密钥，而托管一个开源模型需要竞技场运营方自己部署和运维；同时商业公司比开源作者更有动力去争取排名。此外，投票者的一致性也无法保证，同一个人对“更好”的判断标准会随时间变化。 Open TTS Leaderboard的推出正是为了解决这个矛盾。它不依赖人工投票，而是用客观指标从三个维度评估模型：可懂度，通过Qwen3 ASR（Open ASR Leaderboard上排名最高的开源模型）计算生成音频转录文本与原始提示词之间的词错误率和字符错误率；速度，用H200 GPU上的批处理离线推理RTFx（逆实时因子）和流式批大小1场景下的首音频延迟TTFA来衡量；说话人相似度，通过计算生成音频与参考片段之间WavLM说话人嵌入的余弦相似度来评估。这套方案将模型评估周期从收集投票所需的数周缩短到数小时。需要强调的是，这个排行榜并不打算取代人工偏好排名——基于ASR的词错误率只是可懂度的代理指标，说话人相似度也只是估计声音身份的保留程度，两者都无法直接衡量自然度、表现力或听感偏好。但它可以为投票制排行榜提供参考，帮助决定哪些模型值得纳入评估。 多语言和声音克隆评估是另一个重点。排行榜默认视图按Seed TTS Eval和CV3 Eval英文分片的宏平均词错误率排名，Kokoro-82M、supertonic-3和s2-pro在英文WER上领先，帕累托图则展示了哪些模型在WER、批处理推理速度和模型体积之间取得了较好平衡。但英文表现好不代表其他语言也好，这正是多语言评估需要独立进行的原因。对于中国跨境电商卖家和AI从业者来说，这个排行榜的价值在于：当你需要为多语言客服、产品视频配音或语音交互功能选型时，不再只能依赖英文社区的投票结果，而是有了一个可量化、可复现、覆盖多语言的参考基准。