Soniqosoniqo
บล็อก
เบนช์มาร์กการโคลนเสียง
July 2, 2026

โมเดลการโคลนเสียง วัดผลข้ามห้าภาษา

เราโคลนผู้พูดอ้างอิง FLEURS สิบคนต่อภาษา สร้างประโยคเป้าหมาย FLEURS ที่กันไว้สิบประโยค แล้วเฉลี่ยความคล้ายผู้พูด, WER/CER, คุณภาพที่ทำนายด้วย UTMOS และความเร็วในสภาวะคงตัว เพลเยอร์ด้านล่างแสดงเสียงอ้างอิงตัวแทนหนึ่งชิ้นและเสียงที่สร้างจากการรันเดียวกัน

EnglishEspañolDeutschFrançaisPortuguêsРусский中文日本語한국어हिन्दीالعربيةTiếng ViệtTürkçeไทย

อังกฤษ

FLEURS test/en_us, 10 คู่อ้างอิง/เป้าหมาย

พื้น ASR ของมนุษย์: 3.5% WER บนเสียงเป้าหมาย FLEURS ต้นฉบับ

โมเดลความแม่นยำโคไซน์WERUTMOSเสียง μRTF มัธยฐาน
OmniVoiceint80.51311.1%2.325.20 s0.17
VoxCPM2bf160.5471.8%2.974.88 s1.11
Chatterbox Multilingualfp160.6421.2%2.225.10 s0.76
Fish Audio S2 Profp160.4893.9%3.474.60 s2.78
Qwen3-TTS Base1.7B bf16 ICL0.4912.4%3.504.95 s1.70

เยอรมัน

FLEURS test/de_de, 10 คู่อ้างอิง/เป้าหมาย

พื้น ASR ของมนุษย์: 11.4% WER บนเสียงเป้าหมาย FLEURS ต้นฉบับ

โมเดลความแม่นยำโคไซน์WERUTMOSเสียง μRTF มัธยฐาน
OmniVoiceint80.7874.3%2.896.57 s0.22
VoxCPM2bf160.7323.8%2.805.76 s1.09
Chatterbox Multilingualfp160.7785.2%3.326.12 s1.20
Fish Audio S2 Profp160.7187.0%3.345.66 s2.80
Qwen3-TTS Base1.7B bf16 ICL0.72110.8%3.345.79 s1.72

อาหรับมาตรฐานสมัยใหม่

FLEURS test/ar_eg, 10 คู่อ้างอิง/เป้าหมาย

พื้น ASR ของมนุษย์: 32.8% WER บนเสียงเป้าหมาย FLEURS ต้นฉบับ

โมเดลความแม่นยำโคไซน์WERUTMOSเสียง μRTF มัธยฐาน
OmniVoiceint80.72733.2%2.727.04 s0.18
VoxCPM2bf160.67830.2%2.676.26 s1.14
Chatterbox Multilingualfp160.70328.3%2.906.37 s1.10
Fish Audio S2 Profp160.68826.7%3.305.63 s2.83

สเปน

FLEURS test/es_419, 10 คู่อ้างอิง/เป้าหมาย

พื้น ASR ของมนุษย์: 10.6% WER บนเสียงเป้าหมาย FLEURS ต้นฉบับ

โมเดลความแม่นยำโคไซน์WERUTMOSเสียง μRTF มัธยฐาน
OmniVoiceint80.7589.9%2.866.29 s0.21
VoxCPM2bf160.6415.8%2.624.58 s1.18
Chatterbox Multilingualfp160.7086.9%3.375.08 s1.22
Fish Audio S2 Profp160.6336.8%2.954.48 s2.73
Qwen3-TTS Base1.7B bf16 ICL0.71011.1%3.034.79 s1.76

จีน

FLEURS test/cmn_hans_cn, 10 คู่อ้างอิง/เป้าหมาย

พื้น ASR ของมนุษย์: 7.6% CER บนเสียงเป้าหมาย FLEURS ต้นฉบับ

โมเดลความแม่นยำโคไซน์CERUTMOSเสียง μRTF มัธยฐาน
OmniVoiceint80.7094.9%2.836.56 s0.21
VoxCPM2bf160.6954.9%2.915.70 s1.10
Fish Audio S2 Profp160.6346.2%3.554.95 s2.76
Qwen3-TTS Base1.7B bf16 ICL0.7015.7%3.445.24 s1.73

ค่าเป็นค่าเฉลี่ยของสิบคลิปที่สร้างต่อภาษาที่รองรับ ยกเว้น RTF ที่ใช้มัธยฐานเพื่อเลี่ยงค่าผิดปกติของเวลาจากการเริ่มเย็น โคไซน์ผู้พูดยิ่งสูง หมายความว่าคลิปที่สร้างยิ่งใกล้เอมเบดดิงของผู้พูดอ้างอิง FLEURS มากขึ้น WER/CER ยิ่งต่ำ หมายความว่าข้อความที่ขอถูกกู้คืนได้สะอาดขึ้น ภาษาจีนให้คะแนนด้วย CER ส่วนภาษาอื่นด้วย WER UTMOS ยิ่งสูงคือคะแนนความเป็นธรรมชาติที่ทำนายแบบไม่ใช้อ้างอิงบนสเกล 1–5 RTF ยิ่งต่ำยิ่งเร็ว ขีดกลางหมายความว่าการรันเป็นชุดไม่ได้ให้เวลาที่เชื่อถือได้สำหรับแถวนั้น เหล่านี้เป็นเมตริกรีเกรสชันเชิงวิศวกรรม ไม่ใช่คณะ MOS ของมนุษย์ ตัวให้คะแนน Qwen3-ASR ตัวเดียวกันไม่ได้สะอาดเท่ากันในทุกภาษา: บนคลิปเป้าหมาย FLEURS ของมนุษย์ต้นฉบับในชุดนี้ ข้อผิดพลาดพื้นฐานคืออังกฤษ 3.5% WER, เยอรมัน 11.4% WER, อาหรับ 32.8% WER, สเปน 10.6% WER และจีน 7.6% CER อ่าน WER/CER เป็นสัญญาณความเครียดของการกู้คืนข้อความ ไม่ใช่คะแนนคุณภาพ TTS ล้วน ๆ ความแม่นยำระบุเป็นรายแถว: เส้นทาง Swift สาธารณะความแม่นยำเต็มของ VoxCPM2 คือ bf16 ขณะที่ OmniVoice แสดงด้วยชุด int8 ที่เผยแพร่ เพราะการรันที่เผยแพร่นี้ไม่ได้ใช้แกนหลัก fp16 แถวที่ควอนไทซ์อาจเปลี่ยนทั้งคุณภาพและความเร็ว ตารางจึงรวมเฉพาะเส้นทางที่วัดจริงสำหรับแต่ละแถว

อัตราสุ่มตัวอย่างเข้าและออก

แหล่งบทบาทอัตรา
FLEURS referencesอ้างอิงขาเข้า16 kHz
OmniVoice / Chatterboxผลลัพธ์ที่สร้าง24 kHz
Qwen3-TTS Base ICLผลลัพธ์ที่สร้าง24 kHz
Fish Audio S2 Proผลลัพธ์ที่สร้าง44.1 kHz
VoxCPM2ผลลัพธ์ที่สร้าง48 kHz

เสียงอ้างอิงเป็น 16 kHz จึงมีหลักฐานที่สังเกตได้เพียงราว 8 kHz เท่านั้น เอาต์พุตอัตราสูงกว่าอาจฟังดูเปิดกว้างกว่า เพราะเก็บหรือสังเคราะห์ลมหายใจย่านสูง เสียงเสียดแทรก และรายละเอียดห้องมากขึ้น แต่เอาต์พุต 44.1 หรือ 48 kHz ไม่ได้แปลว่าโคลนดีขึ้นโดยอัตโนมัติ เบาะแสอัตลักษณ์ผู้พูดและความชัดส่วนใหญ่อยู่ต่ำกว่าย่านสูงนั้นมาก ขณะที่พลังงานความถี่สูงเกินไปอาจทำให้เสียงรู้สึกแหลม แม้ WER และโคไซน์ผู้พูดจะดูดี

เสียงอ้างอิงและโคลนที่สร้าง

อ้างอิงอังกฤษ

อังกฤษ

FLEURS test/en_us/6306322369645218273.wav

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

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

OmniVoice
โคลน int8 จากอ้างอิงอังกฤษ เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.513
WER μ
11.1%
UTMOS μ
2.32
RTF มัธยฐาน
0.17
VoxCPM2
โคลน bf16 จากอ้างอิงอังกฤษ เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.547
WER μ
1.8%
UTMOS μ
2.97
RTF มัธยฐาน
1.11
Chatterbox Multilingual
โคลน fp16 จากอ้างอิงอังกฤษ เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.642
WER μ
1.2%
UTMOS μ
2.22
RTF มัธยฐาน
0.76
Fish Audio S2 Pro
โคลน fp16 จากอ้างอิงอังกฤษ เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.489
WER μ
3.9%
UTMOS μ
3.47
RTF มัธยฐาน
2.78
Qwen3-TTS Base
โคลน 1.7B bf16 ICL จากอ้างอิงอังกฤษ เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.491
WER μ
2.4%
UTMOS μ
3.50
RTF มัธยฐาน
1.70
อ้างอิงเยอรมัน

เยอรมัน

FLEURS test/de_de/17047810064400454397.wav

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

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

OmniVoice
โคลน int8 จากอ้างอิงเยอรมัน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.787
WER μ
4.3%
UTMOS μ
2.89
RTF มัธยฐาน
0.22
VoxCPM2
โคลน bf16 จากอ้างอิงเยอรมัน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.732
WER μ
3.8%
UTMOS μ
2.80
RTF มัธยฐาน
1.09
Chatterbox Multilingual
โคลน fp16 จากอ้างอิงเยอรมัน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.778
WER μ
5.2%
UTMOS μ
3.32
RTF มัธยฐาน
1.20
Fish Audio S2 Pro
โคลน fp16 จากอ้างอิงเยอรมัน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.718
WER μ
7.0%
UTMOS μ
3.34
RTF มัธยฐาน
2.80
Qwen3-TTS Base
โคลน 1.7B bf16 ICL จากอ้างอิงเยอรมัน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.721
WER μ
10.8%
UTMOS μ
3.34
RTF มัธยฐาน
1.72
อ้างอิงอาหรับมาตรฐานสมัยใหม่

อาหรับมาตรฐานสมัยใหม่

FLEURS test/ar_eg/747984393569561964.wav

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

ข้อความที่สร้าง: قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice
โคลน int8 จากอ้างอิงอาหรับมาตรฐานสมัยใหม่ เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.727
WER μ
33.2%
UTMOS μ
2.72
RTF มัธยฐาน
0.18
VoxCPM2
โคลน bf16 จากอ้างอิงอาหรับมาตรฐานสมัยใหม่ เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.678
WER μ
30.2%
UTMOS μ
2.67
RTF มัธยฐาน
1.14
Chatterbox Multilingual
โคลน fp16 จากอ้างอิงอาหรับมาตรฐานสมัยใหม่ เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.703
WER μ
28.3%
UTMOS μ
2.90
RTF มัธยฐาน
1.10
Fish Audio S2 Pro
โคลน fp16 จากอ้างอิงอาหรับมาตรฐานสมัยใหม่ เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.688
WER μ
26.7%
UTMOS μ
3.30
RTF มัธยฐาน
2.83
อ้างอิงสเปน

สเปน

FLEURS test/es_419/11137049735103408221.wav

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

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

OmniVoice
โคลน int8 จากอ้างอิงสเปน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.758
WER μ
9.9%
UTMOS μ
2.86
RTF มัธยฐาน
0.21
VoxCPM2
โคลน bf16 จากอ้างอิงสเปน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.641
WER μ
5.8%
UTMOS μ
2.62
RTF มัธยฐาน
1.18
Chatterbox Multilingual
โคลน fp16 จากอ้างอิงสเปน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.708
WER μ
6.9%
UTMOS μ
3.37
RTF มัธยฐาน
1.22
Fish Audio S2 Pro
โคลน fp16 จากอ้างอิงสเปน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.633
WER μ
6.8%
UTMOS μ
2.95
RTF มัธยฐาน
2.73
Qwen3-TTS Base
โคลน 1.7B bf16 ICL จากอ้างอิงสเปน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.710
WER μ
11.1%
UTMOS μ
3.03
RTF มัธยฐาน
1.76
อ้างอิงจีน

จีน

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

ข้อความที่สร้าง: 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
โคลน int8 จากอ้างอิงจีน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.709
CER μ
4.9%
UTMOS μ
2.83
RTF มัธยฐาน
0.21
VoxCPM2
โคลน bf16 จากอ้างอิงจีน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.695
CER μ
4.9%
UTMOS μ
2.91
RTF มัธยฐาน
1.10
Fish Audio S2 Pro
โคลน fp16 จากอ้างอิงจีน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.634
CER μ
6.2%
UTMOS μ
3.55
RTF มัธยฐาน
2.76
Qwen3-TTS Base
โคลน 1.7B bf16 ICL จากอ้างอิงจีน เมตริกเป็นค่าเฉลี่ยสิบคลิป; เสียงเป็นตัวอย่างตัวแทนหนึ่งชิ้น
โคไซน์ μ
0.701
CER μ
5.7%
UTMOS μ
3.44
RTF มัธยฐาน
1.73
วิธีการ

อ้างอิงจากชุดข้อมูล ไม่ใช่เดโมที่คัดด้วยมือ

อ้างอิงและข้อความเป้าหมายมาจากชุดทดสอบ Google FLEURS: อังกฤษ เยอรมัน อาหรับ สเปน และจีนกลาง สำหรับแต่ละภาษา เราเลือกคลิปอ้างอิงสิบชิ้นและจับคู่แต่ละชิ้นกับประโยคเป้าหมาย FLEURS ที่กันไว้ต่างกัน เพื่อให้เมตริกไวต่อประโยคง่ายหรือแย่เพียงประโยคเดียวน้อยลง สำหรับเอนจินที่รับทรานสคริปต์อ้างอิง เราส่งทรานสคริปต์ FLEURS ที่แน่นอนไปพร้อมพรอมป์ตเสียง

รูปแบบคะแนนสะท้อนด้านวัตถุวิสัยของการประเมินการโคลนเสียงแบบ VoxCPM: ความชัดผ่าน WER/CER และการโคลนผ่านความคล้ายโคไซน์ของเอมเบดดิงผู้พูด ตัวเข้ารหัสผู้พูดที่นี่คือ speech embed-speaker --engine mlx ของ Soniqo ดังนั้นให้เทียบแถวภายในตารางนี้ ไม่ใช่เทียบกับเปอร์เซ็นต์ SIM ในเปเปอร์โดยตรง

UTMOS คำนวณด้วย utmos22_strong จาก SpeechMOS หลังรีแซมเปิลคลิปที่สร้างเป็น 16 kHz มันให้สัญญาณความเป็นธรรมชาติแบบไม่ใช้อ้างอิงที่ WER และโคไซน์ผู้พูดพลาดไป แต่ก็ยังเป็นการทำนายของโมเดล ไม่ใช่การศึกษาการฟังของมนุษย์

Qwen3-TTS Base วัดด้วย API ICL สาธารณะของ speech-swift （Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL）โดยใช้เสียงและทรานสคริปต์อ้างอิง FLEURS ชุดเดียวกัน มันถูกละไว้สำหรับภาษาอาหรับ เพราะชุดภาษาของ Qwen3-TTS ที่เปิดเผยที่นี่ไม่รวมภาษาอาหรับ รายการภาษาต้นทางของ Chatterbox รวมภาษาจีน แต่ฟรอนต์เอนด์ Swift ปัจจุบันรองรับเส้นทางโทเคนไนเซอร์ตรง เฉพาะ en, ar, hi, de, es, fr, it และ pt; แถวภาษาจีนถูกละไว้โดยตั้งใจจนกว่าฟรอนต์เอนด์นั้นจะมา

# 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

ทำไมต้องหลายคะแนน?

โคลนอาจฟังดูเหมือนผู้พูดแต่พูดข้อความผิด หรือพูดข้อความชัดแต่พลาดตัวผู้พูด มันยังอาจตรงทั้งข้อความและผู้พูด ขณะที่ยังพกสิ่งแปลกปลอมที่ได้ยิน โคไซน์ผู้พูด, WER/CER และ UTMOS จับโหมดความล้มเหลวต่างกัน ทั้งสามจึงต้องมองเห็นได้

การกำหนดอารมณ์และสไตล์

OmniVoice
คำใบ้สไตล์กว้าง ๆ

ดีเมื่อคุณต้องการผู้พูดที่โคลนพร้อมคำแนะนำการนำเสนอแบบง่าย เช่น อ่านให้สงบขึ้น อ่อนวัยขึ้น เสียงต่ำลง หรือกระซิบ เบนช์มาร์กนี้ใช้การนำเสนอแบบเป็นกลาง

Chatterbox Multilingual
ความเข้มของการแสดงออก

มีประโยชน์เมื่อคุณอยากให้ผู้พูดคนเดิมฟังดูสำรวมขึ้นหรือมีชีวิตชีวาขึ้นโดยไม่เขียนแท็กอารมณ์ลงในข้อความ เบนช์มาร์กนี้คงการแสดงออกไว้เป็นกลาง

VoxCPM2
สั่งเสียงด้วยถ้อยคำเรียบง่าย

เข้ากันดีเมื่อคุณอยากอธิบายเสียงหรือการนำเสนอเป้าหมายด้วยภาษาธรรมชาติ ขณะที่ยังโคลนจากคลิปอ้างอิง เบนช์มาร์กนี้ใช้เฉพาะคลิปอ้างอิง

Fish Audio S2 Pro
คำใบ้การนำเสนอแบบแสดง

ดีที่สุดเมื่อสคริปต์ต้องการช่วงเวลาชัดเจน เช่น หัวเราะ กระซิบ ตื่นเต้น หรือเศร้า เบนช์มาร์กนี้ใช้ข้อความล้วนโดยไม่มีคำใบ้การแสดง

Qwen3-TTS Base
ICL ด้วยเสียงอ้างอิง

ใช้คลิปและทรานสคริปต์ FLEURS เป็นการปรับเงื่อนไขในบริบท เป็นเส้นทาง Qwen3-TTS ที่เทียบได้สำหรับการโคลนแบบอิงตัวอย่างในตาราง

เบนช์มาร์กจงใจปล่อยการควบคุมเหล่านี้ไว้เป็นกลาง นั่นทำให้ความคล้ายผู้พูดผูกกับอ้างอิง FLEURS แทนที่จะให้รางวัลโมเดลที่เพิ่มอารมณ์ กระซิบ ตะโกน หรือหัวเราะเกินมา

อ่านผลลัพธ์

จงถือว่านี่เป็นการตรวจเชิงวิศวกรรมแบบกระชับ ไม่ใช่ลีดเดอร์บอร์ด สิบคู่อ้างอิง/เป้าหมายต่อภาษ มีประโยชน์กว่าประโยคเดโมเดียว แต่ก็ยังน้อยเกินกว่าจะสวมมงกุฎผู้ชนะสากล การอ่านที่มีประโยชน์คือ จุดที่โมเดลเสถียรหรือเปราะสำหรับภาษาและเมตริกหนึ่ง ๆ

Fish Audio และ Qwen3-TTS มักได้คะแนน UTMOS ดีกว่า แม้อีกโมเดลจะมีโคไซน์ผู้พูดสูงกว่า Qwen3-TTS Base ICL รวมไว้สำหรับอังกฤษ เยอรมัน สเปน และจีน; ในการรันนี้มันแข็งแกร่งที่สุดในฐานะฐานความเป็นธรรมชาติ/การกู้คืนข้อความ ขณะที่โมเดลโคลนเฉพาะทางยังแข่งขันได้ในอัตลักษณ์ผู้พูด การอ่านที่ถูกต้องคือการแลกเปลี่ยนรายภาษา ไม่ใช่ผู้ชนะเดียว

ลองสแตกนี้

Speech Studio

แอปเดสก์ท็อปในเครื่องสำหรับโคลนเสียงและเรนเดอร์สคริปต์หลายผู้พูดบนเครื่องของคุณ

เปิด Speech Studio
Soniqo Cloud

เอนด์พอยต์แบบโฮสต์สำหรับทดสอบสแตกเสียงเดียวกันก่อนต่อเข้ากับผลิตภัณฑ์

เปิด cloud.soniqo.audio
เอกสารการโคลนเสียง เปเปอร์ประเมิน VoxCPM