اختبارات استنساخ الصوت

July 2, 2026

نماذج استنساخ الصوت، مقيسة عبر خمس لغات.

استنسخنا عشرة متحدثين مرجعيين من FLEURS لكل لغة، وولّدنا عشر جمل هدف محجوزة من FLEURS، ثم حسبنا متوسط تشابه المتحدث وWER/CER وجودة UTMOS المتوقعة والسرعة في الحالة المستقرة. تعرض المشغّلات أدناه مرجعًا تمثيليًا وخرجًا مولَّدًا من التشغيل نفسه.

English Español Deutsch Français Português Русский 中文日本語 한국어 हिन्दीالعربيةTiếng Việt Türkçe ไทย

الإنجليزية

FLEURS test/en_us، 10 أزواج مرجع/هدف

الحد الأدنى للتعرف البشري ASR: 3.5% WER على صوت هدف FLEURS الأصلي.

النموذج	الدقة	جيب التمام	WER	UTMOS	الصوت μ	RTF وسيط
OmniVoice	int8	0.513	11.1%	2.32	5.20 s	0.17
VoxCPM2	bf16	0.547	1.8%	2.97	4.88 s	1.11
Chatterbox Multilingual	fp16	0.642	1.2%	2.22	5.10 s	0.76
Fish Audio S2 Pro	fp16	0.489	3.9%	3.47	4.60 s	2.78
Qwen3-TTS Base	1.7B bf16 ICL	0.491	2.4%	3.50	4.95 s	1.70

الألمانية

FLEURS test/de_de، 10 أزواج مرجع/هدف

الحد الأدنى للتعرف البشري ASR: 11.4% WER على صوت هدف FLEURS الأصلي.

النموذج	الدقة	جيب التمام	WER	UTMOS	الصوت μ	RTF وسيط
OmniVoice	int8	0.787	4.3%	2.89	6.57 s	0.22
VoxCPM2	bf16	0.732	3.8%	2.80	5.76 s	1.09
Chatterbox Multilingual	fp16	0.778	5.2%	3.32	6.12 s	1.20
Fish Audio S2 Pro	fp16	0.718	7.0%	3.34	5.66 s	2.80
Qwen3-TTS Base	1.7B bf16 ICL	0.721	10.8%	3.34	5.79 s	1.72

العربية الفصحى الحديثة

FLEURS test/ar_eg، 10 أزواج مرجع/هدف

الحد الأدنى للتعرف البشري ASR: 32.8% WER على صوت هدف FLEURS الأصلي.

النموذج	الدقة	جيب التمام	WER	UTMOS	الصوت μ	RTF وسيط
OmniVoice	int8	0.727	33.2%	2.72	7.04 s	0.18
VoxCPM2	bf16	0.678	30.2%	2.67	6.26 s	1.14
Chatterbox Multilingual	fp16	0.703	28.3%	2.90	6.37 s	1.10
Fish Audio S2 Pro	fp16	0.688	26.7%	3.30	5.63 s	2.83

الإسبانية

FLEURS test/es_419، 10 أزواج مرجع/هدف

الحد الأدنى للتعرف البشري ASR: 10.6% WER على صوت هدف FLEURS الأصلي.

النموذج	الدقة	جيب التمام	WER	UTMOS	الصوت μ	RTF وسيط
OmniVoice	int8	0.758	9.9%	2.86	6.29 s	0.21
VoxCPM2	bf16	0.641	5.8%	2.62	4.58 s	1.18
Chatterbox Multilingual	fp16	0.708	6.9%	3.37	5.08 s	1.22
Fish Audio S2 Pro	fp16	0.633	6.8%	2.95	4.48 s	2.73
Qwen3-TTS Base	1.7B bf16 ICL	0.710	11.1%	3.03	4.79 s	1.76

الصينية

FLEURS test/cmn_hans_cn، 10 أزواج مرجع/هدف

الحد الأدنى للتعرف البشري ASR: 7.6% CER على صوت هدف FLEURS الأصلي.

النموذج	الدقة	جيب التمام	CER	UTMOS	الصوت μ	RTF وسيط
OmniVoice	int8	0.709	4.9%	2.83	6.56 s	0.21
VoxCPM2	bf16	0.695	4.9%	2.91	5.70 s	1.10
Fish Audio S2 Pro	fp16	0.634	6.2%	3.55	4.95 s	2.76
Qwen3-TTS Base	1.7B bf16 ICL	0.701	5.7%	3.44	5.24 s	1.73

القيم متوسطات على عشرة مقاطع مولَّدة لكل لغة مدعومة، ما عدا RTF الذي يستخدم الوسيط لتفادي شواذ التوقيت عند البدء البارد. كلما ارتفع جيب تمام المتحدث، كان المقطع المولَّد أقرب إلى تضمين متحدث مرجع FLEURS. كلما انخفض WER/CER، كان النص المطلوب مُستردًّا بنقاء أكبر؛ تُقيَّم الصينية بـ CER وبقية اللغات بـ WER. كلما ارتفع UTMOS، كان درجة طبيعية متوقعة بلا مرجع على مقياس من 1 إلى 5. كلما انخفض RTF كان أسرع. تعني الشرطة أن التشغيل الدُّفعي لم ينتج توقيتًا موثوقًا لذلك الصف. هذه مقاييس انحدار هندسية، لا لجنة MOS بشرية. المُقيِّم نفسه Qwen3-ASR ليس بالنقاء ذاته في كل لغة: على مقاطع هدف FLEURS البشرية الأصلية في هذه المجموعة، خطؤه الأساسي 3.5% WER للإنجليزية، و11.4% WER للألمانية، و32.8% WER للعربية، و10.6% WER للإسبانية، و7.6% CER للصينية. اقرأ WER/CER كإشارة إجهاد لاسترداد النص، لا كدرجة جودة TTS خالصة. الدقة مُدرَجة لكل صف: مسار Swift العام كامل الدقة لـ VoxCPM2 هو bf16، بينما يُعرض OmniVoice بحزمة int8 المنشورة لأن العمود الفقري fp16 لم يُستخدَم في هذا التشغيل المنشور. قد تغيّر الصفوف المكمّمة الجودة والسرعة معًا، لذا لا تتضمن الجدول إلا المسار المقيس فعليًا لكل صف.

معدلات أخذ العينات للدخل والخرج

المصدر	الدور	المعدل
FLEURS references	مرجع الدخل	16 kHz
OmniVoice / Chatterbox	الخرج المولَّد	24 kHz
Qwen3-TTS Base ICL	الخرج المولَّد	24 kHz
Fish Audio S2 Pro	الخرج المولَّد	44.1 kHz
VoxCPM2	الخرج المولَّد	48 kHz

المراجع بمعدل 16 كيلوهرتز، لذا لا تحتوي إلا على دليل قابل للرصد حتى نحو 8 كيلوهرتز. قد تبدو المخرجات الأعلى معدلًا أكثر انفتاحًا لأنها تحفظ أو تُخلّق مزيدًا من الشهيق عالي النطاق والصفير وتفاصيل الغرفة، لكن خرج 44.1 أو 48 كيلوهرتز لا يعني تلقائيًا استنساخًا أفضل. تعيش معظم دلائل هوية المتحدث والوضوح تحت ذلك النطاق العالي بكثير، بينما قد تجعل الطاقة عالية التردد المفرطة الصوت حادًا حتى عندما يبدو WER وجيب تمام المتحدث جيدين.

الصوت المرجعي والنسخ المولَّدة

مرجع الإنجليزية

الإنجليزية

FLEURS test/en_us/6306322369645218273.wav

نص المرجع: One can only wonder what the keyboard will become when something newer comes along.

النص المولَّد: While he was working at the hospital Liggins began to investigate premature labor during his spare time.

OmniVoice

نسخة int8 من مرجع الإنجليزية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF وسيط

0.17

VoxCPM2

نسخة bf16 من مرجع الإنجليزية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF وسيط

1.11

Chatterbox Multilingual

نسخة fp16 من مرجع الإنجليزية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF وسيط

0.76

Fish Audio S2 Pro

نسخة fp16 من مرجع الإنجليزية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF وسيط

2.78

Qwen3-TTS Base

نسخة 1.7B bf16 ICL من مرجع الإنجليزية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF وسيط

1.70

مرجع الألمانية

الألمانية

FLEURS test/de_de/17047810064400454397.wav

نص المرجع: Wenn man eine romanische Sprache spricht, ist es natürlich leichter, Portugiesisch zu erlernen.

النص المولَّد: Die Oberfläche des Mondes besteht aus Gestein und Staub. Die äußere Schicht des Mondes wird als Kruste bezeichnet.

OmniVoice

نسخة int8 من مرجع الألمانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF وسيط

0.22

VoxCPM2

نسخة bf16 من مرجع الألمانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF وسيط

1.09

Chatterbox Multilingual

نسخة fp16 من مرجع الألمانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF وسيط

1.20

Fish Audio S2 Pro

نسخة fp16 من مرجع الألمانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF وسيط

2.80

Qwen3-TTS Base

نسخة 1.7B bf16 ICL من مرجع الألمانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF وسيط

1.72

مرجع العربية الفصحى الحديثة

العربية الفصحى الحديثة

FLEURS test/ar_eg/747984393569561964.wav

نص المرجع: المناطق الكبيرة في الشمال هي مناطق قليلة السكان نوعا ما والبعض غير مأهول تقريبا.

النص المولَّد: قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice

نسخة int8 من مرجع العربية الفصحى الحديثة. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF وسيط

0.18

VoxCPM2

نسخة bf16 من مرجع العربية الفصحى الحديثة. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF وسيط

1.14

Chatterbox Multilingual

نسخة fp16 من مرجع العربية الفصحى الحديثة. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF وسيط

1.10

Fish Audio S2 Pro

نسخة fp16 من مرجع العربية الفصحى الحديثة. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF وسيط

2.83

مرجع الإسبانية

الإسبانية

FLEURS test/es_419/11137049735103408221.wav

نص المرجع: Las escenas se proyectan en las pirámides y todas ellas son iluminadas.

النص المولَّد: La segregación y la recombinación barajan la variación entre uno y otro generación tras generación.

OmniVoice

نسخة int8 من مرجع الإسبانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF وسيط

0.21

VoxCPM2

نسخة bf16 من مرجع الإسبانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF وسيط

1.18

Chatterbox Multilingual

نسخة fp16 من مرجع الإسبانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF وسيط

1.22

Fish Audio S2 Pro

نسخة fp16 من مرجع الإسبانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF وسيط

2.73

Qwen3-TTS Base

نسخة 1.7B bf16 ICL من مرجع الإسبانية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF وسيط

1.76

مرجع الصينية

الصينية

FLEURS test/cmn_hans_cn/6735471425702786619.wav

نص المرجع: 当天，格林尼治时间 (GMT) 约 12 时许，该车辆被拖离事故现场。

النص المولَّد: 植物通过光合作用从阳光中获取养分。它们还能提供荫凉。

OmniVoice

نسخة int8 من مرجع الصينية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF وسيط

0.21

VoxCPM2

نسخة bf16 من مرجع الصينية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF وسيط

1.10

Fish Audio S2 Pro

نسخة fp16 من مرجع الصينية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF وسيط

2.76

Qwen3-TTS Base

نسخة 1.7B bf16 ICL من مرجع الصينية. المقاييس متوسطات لعشرة مقاطع؛ والصوت عينة تمثيلية واحدة.

جيب التمام μ

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF وسيط

1.73

المنهجية

مراجع من مجموعة البيانات، لا عروض منتقاة يدويًا

تأتي المراجع ونصوص الهدف من تقسيم اختبار Google FLEURS: الإنجليزية والألمانية والعربية والإسبانية والصينية الماندرين. لكل لغة اخترنا عشرة مقاطع مرجعية وأقرنّا كلًّا منها بجملة هدف FLEURS محجوزة مختلفة، كي تكون المقاييس أقل حساسية لجملة سهلة أو سيئة واحدة. للمحركات التي تقبل نصًّا مرجعيًّا، مُرِّر نص FLEURS الدقيق مع مُوجِّه الصوت.

يعكس شكل التقييم الجانب الموضوعي لتقييم استنساخ الصوت على طراز VoxCPM: الوضوح عبر WER/CER، والاستنساخ عبر تشابه جيب تمام تضمين المتحدث. مُرمِّز المتحدث هنا هو speech embed-speaker --engine mlx من Soniqo، لذا قارن الصفوف داخل هذا الجدول، لا مباشرةً مقابل نسب SIM في الأوراق.

يُحسَب UTMOS بـ utmos22_strong من SpeechMOS بعد إعادة أخذ عينة المقاطع المولَّدة إلى 16 كيلوهرتز. يعطي إشارة طبيعية بلا مرجع يفوّتها WER وجيب تمام المتحدث، لكنه يظل تنبؤ نموذج لا دراسة استماع بشرية.

يُقاس Qwen3-TTS Base بواجهة ICL العامة في speech-swift （Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL）باستخدام صوت ونص مرجع FLEURS نفسهما. يُحذَف للعربية لأن مجموعة لغات Qwen3-TTS المكشوفة هنا لا تشمل العربية. تتضمن قائمة لغات Chatterbox الأصلية الصينية، لكن واجهة Swift الحالية لا تدعم مسار المُجزِّئ المباشر إلا لـ en وar وhi وde وes وfr وit وpt؛ ويُحذَف صف الصينية عمدًا حتى تصل تلك الواجهة.

# Public speech-swift CLI example for one generated row.
speech speak "$TEXT" \
  --engine voxcpm2 \
  --voxcpm2-variant bf16 \
  --voxcpm2-ref-audio reference.wav \
  --language arabic \
  --output generated.wav

speech embed-speaker reference.wav --engine mlx --json
speech embed-speaker generated.wav --engine mlx --json
speech transcribe generated.wav --engine qwen3 --model 0.6B --language arabic

لماذا درجات متعددة؟

قد تبدو النسخة كالمتحدث لكنها تقول النص الخطأ، أو تقول النص بوضوح لكنها تفوّت المتحدث. وقد تطابق النص والمتحدث معًا مع حملها لعيوب مسموعة. يلتقط جيب تمام المتحدث وWER/CER وUTMOS أنماط فشل مختلفة، لذا يلزم أن تكون الثلاثة مرئية.

إسناد العاطفة والأسلوب

OmniVoice

تلميحات أسلوب عامة

جيد عندما تريد متحدثًا مستنسخًا مع توجيه أداء بسيط، مثل قراءة أهدأ أو أصغر سنًّا أو أخفض نبرة أو همسية. استخدم هذا الاختبار أداءً محايدًا.

Chatterbox Multilingual

قوة التعبير

مفيد عندما تريد أن يبدو المتحدث نفسه أكثر تحفظًا أو أكثر حيوية دون كتابة وسوم عاطفة في النص. أبقى هذا الاختبار التعبير محايدًا.

VoxCPM2

توجيه الصوت بكلمات بسيطة

ملاءمة قوية عندما تريد وصف الصوت أو الأداء الهدف بلغة طبيعية مع الاستنساخ من مقطع مرجعي. استخدم هذا الاختبار المقطع المرجعي فقط.

Fish Audio S2 Pro

إيماءات أداء تمثيلي

الأفضل عندما يحتاج النص إلى لحظات صريحة مثل الضحك أو الهمس أو الحماس أو الحزن. استخدم هذا الاختبار نصًّا عاديًّا بلا إيماءات تمثيل.

Qwen3-TTS Base

ICL بصوت مرجعي

يستخدم مقطع FLEURS ونصه كتكييف سياقي. هذا هو مسار Qwen3-TTS المقارن للاستنساخ المعتمد على العينة في الجدول.

يترك الاختبار هذه الضوابط محايدة عمدًا. هذا يبقي تشابه المتحدث مربوطًا بمرجع FLEURS بدلًا من مكافأة نموذج على إضافة عاطفة زائدة أو همس أو صراخ أو ضحك.

قراءة النتيجة

عامِل هذا كفحص هندسي مُدمَج، لا كلوحة صدارة. عشرة أزواج مرجع/هدف لكل لغة أنفع من جملة عرض واحدة، لكنها ما تزال أصغر من أن تتوّج فائزًا شاملًا. القراءة المفيدة هي أين يكون نموذج مستقرًّا أو هشًّا للغة ومقياس محددين.

كثيرًا ما يسجّل Fish Audio وQwen3-TTS أفضل في UTMOS حتى عندما يملك نموذج آخر جيب تمام متحدث أعلى. يُدرَج Qwen3-TTS Base ICL للإنجليزية والألمانية والإسبانية والصينية؛ وفي هذا التشغيل هو الأقوى كأساس للطبيعية/استرداد النص، بينما تبقى نماذج الاستنساخ المخصصة تنافسية في هوية المتحدث. القراءة الصحيحة هي مقايضات لكل لغة، لا فائز واحد.

جرّب الحزمة

Speech Studio

تطبيق مكتبي محلي لاستنساخ الأصوات وعرض نصوص متعددة المتحدثين على جهازك.

افتح Speech Studio

Soniqo Cloud

نقطة نهاية مستضافة لاختبار حزمة الكلام نفسها قبل ربطها بمنتج.

افتح cloud.soniqo.audio

وثائق استنساخ الصوت ورقة تقييم VoxCPM