Hugging Face が2026年9月30日、音声合成モデルを比べる「Open TTS Leaderboard」を公開した。聞き取りやすさ・速さ・話者の似具合を機械の指標で測る形にして、人の投票を集める方式では数週間かかる評価を数時間に縮めたとしている。
- Hugging Face が2026年9月30日、音声合成（TTS）のモデルを比べる「Open TTS Leaderboard」を公開した。重みが公開されたモデルと、英語以外の言語に重きを置いた順位表だとしている
- 背景として、Hugging Face Hub には2026年9月30日時点で8,000を超える TTS モデルがある一方、評価が追いついていないと説明している。人に2つの出力を聞かせて選ばせる既存の順位表では、同じ日の時点で Artificial Analysis の92モデルのうち重みが公開されているものは16だけで、Voice Arena も似た偏りがあるとした
- 測るのは3つ。聞き取りやすさ（Qwen3 ASR で書き起こした文と元の文の単語誤り率・文字誤り率）、速さ（H200 GPU での一括推論の RTFx と、最初の音が出るまでの時間 TTFA。TTFA は CPU でも測る）、話者の似具合（WavLM の話者埋め込みの余弦類似度）。投票を集めると2週間ほどかかる評価が数時間で終わるとしている
- 既定の並びは、Seed TTS Eval と CV3 Eval（ゼロショット）の英語での単語誤り率の平均。英語では hexgrad/Kokoro-82M、Supertone/supertonic-3、fishaudio/s2-pro が上位で、多言語では k2-fsa/OmniVoice、fishaudio/s2-pro、FunAudioLLM/Fun-CosyVoice3-0.5B-2512 が強いとしている。中国語・日本語・韓国語は文字誤り率で出す
- この指標は自然さ・表現力・聞き手の好みを直接は測らないとして、人の好みによる順位付けを置き換えるものではないと書いている。音を聞き比べて投票できる欄を用意し、評価用のプログラムも Open ASR Leaderboard と同じように近く公開する予定としている。順位表を使う料金は発表には無く、ライセンス（商用で使えるか）も発表には無い
確かめた一次資料
この記事は、上の一次資料の原文を読んで書いています。数字は原文のとおりで、計算した値はそう書いています。