Referenční hodnoty pro hlasové klonování

July 2, 2026

Modely klonování hlasu, měřené v pěti jazycích.

Klonovali jsme deset. FLEURS referenční reproduktory za jazyk, generované deset held- out FLEURS cílové věty, poté průměrná podobnost řečníků, WER/CER, UTMOS předpovídaná kvalita a plynulá rychlost. Níže uvedené hráče ukazují jeden reprezentativní reference a generované výstupy ze stejného běhu.

English Filipino (Tagalog)Italiano Bahasa Indonesia Polski Nederlands Svenska עברית Norsk bokmål Dansk RomânăČeštinaSuomi Español Deutsch Français Português Русский 中文日本語 한국어 हिन्दी العربية Tiếng Việt Türkçe ไทย

English

FLEURS test/en_us, 10 referenčních / cílových párů

Lidská podlaha ASR: 3.5% WER na původní FLEURS cílový zvuk.

Vzor	Přesnost	Cosinus	WER	UTMOS	Audio µ@@	RTF med.	Vrchol RSS
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	1.5 GB
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	1.8 GB
F5-TTS	fp16	0.698	5.6%	1.82	9.09 s	0.57	0.7 GB
Higgs TTS 3	bf16	0.472	4.0%	2.88	7.60 s	0.78	8.0 GB
IndexTTS2	fp16	0.738	5.1%	2.98	7.34 s	1.0	2.9 GB

Němčina

FLEURS test/de_de, 10 referenčních / cílových párů

Lidská podlaha ASR: 11.4% WER na původní FLEURS cílový zvuk.

Vzor	Přesnost	Cosinus	WER	UTMOS	Audio µ@@	RTF med.	Vrchol RSS
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	1.5 GB
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	1.8 GB
Higgs TTS 3	bf16	0.678	5.7%	2.95	11.82 s	0.78	8.0 GB

Moderní standardní arabština

FLEURS test/ar_eg, 10 referenčních / cílových párů

Lidská podlaha ASR: 32.8% WER na původní FLEURS cílový zvuk.

Vzor	Přesnost	Cosinus	WER	UTMOS	Audio µ@@	RTF med.	Vrchol RSS
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	1.5 GB
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	—
Higgs TTS 3	bf16	0.700	20.2%	2.75	12.33 s	0.78	8.0 GB

Španělština

FLEURS test/es_419, 10 referenčních / cílových párů

Lidská podlaha ASR: 10.6% WER na původní FLEURS cílový zvuk.

Vzor	Přesnost	Cosinus	WER	UTMOS	Audio µ@@	RTF med.	Vrchol RSS
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	1.5 GB
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	1.8 GB
Higgs TTS 3	bf16	0.623	1.0%	2.84	5.08 s	0.78	8.0 GB

Čínština

FLEURS test/cmn_hans_cn, 10 referenčních / cílových párů

Lidská podlaha ASR: 7.6% CER na původní FLEURS cílový zvuk.

Vzor	Přesnost	Cosinus	CER	UTMOS	Audio µ@@	RTF med.	Vrchol RSS
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	1.5 GB
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	1.8 GB
F5-TTS	fp16	0.780	13.9%	1.66	6.91 s	0.57	0.7 GB
Higgs TTS 3	bf16	0.574	4.3%	3.13	5.01 s	0.78	8.0 GB

Hodnoty jsou prostředky nad deset generovaných klipů na podporovaný jazyk, s výjimkou RTF, který používá medián, aby se zabránilo chlad-start časové odlehlosti. Vyšší reproduktor cosinus znamená generovaný klip je blíže k FLEURS referenční reproduktor vložení. Nižší WER/CER znamená, že požadovaný text byl získán čistěji; čínština je bodování s CER, ostatní jazyky s WERVýš UTMOS je no- reference předpovídaná přirozenost skóre na 1-5 Stupnice. Nižší RTF je rychlejší. Pomlčka znamená, že dávkový běh neprodukoval spolehlivé načasování pro tento řádek. Jedná se o inženýrské regresní metriky, ne lidský MOS panel. Qwen3-ASR střelec není stejně čistý na každém jazyce: na původní člověk FLEURS cílové klipy v této sadě, její výchozí chyba je 3.5% English WER, 11.4% Němčina WER, 32.8% Arabština WER, 10.6% Španělština WER, a 7.6% Čínština CER. Čtěte WER/CER jako text- recovery stresový signál, ne jako čistý TTS Kvalita skóre. Přesnost je uvedena na řádku: VoxCPM2je veřejná plná přesnost Swift cesta je bf16, zatímco OmniVoice je zobrazeno s zveřejněným int8 svazek, protože fp16 Pro tento zveřejněný běh nebyl použit páteř. Kvantizované řádky mohou změnit kvalitu i rychlost, takže tabulka obsahuje pouze skutečnou cestu měřenou pro každou řadu.

F5-TTS, Higgs TTS 3, a IndexTTS2 Řádky byly měřeny červenec 12, 2026 na stejné FLEURS testovací sady a bodovací příkazy (n =10 za jazyk; UTMOS22-strong); jejich RTF je verze jednovětá referenční údaj, a Peak RSS pochází z CLI klon běh, kde motorové lodě v řeči CLI.

Vstupní a výstupní vzorkovací frekvence

Zdroj	Úloha	Sazba
FLEURS references	Vstupní odkaz	16 kHz
OmniVoice / Chatterbox	Generovaný výstup	24 kHz
Qwen3-TTS Base ICL	Generovaný výstup	24 kHz
Fish Audio S2 Pro	Generovaný výstup	44.1 kHz
VoxCPM2	Generovaný výstup	48 kHz
F5-TTS / Higgs TTS 3	Generovaný výstup	24 kHz
IndexTTS2	Generovaný výstup	22.05 kHz

Odkazy jsou 16 kHz, takže obsahují pouze pozorovatelné důkazy až do zhruba 8 KHz. Vysokorychlostní výstupy mohou znít otevřeněji, protože zachovávají nebo syntetizují více high-band dech, sibility a detail místnosti, ale 44.1 nebo 48 cHz výstup automaticky neznamená lepší klon. Většina reproduktorů identity a srozumitelnost podněty žijí dobře pod tímto vysokým pásmem, zatímco nadměrná vysokofrekvenční energie může způsobit, že hlas je ostrý, i když WER a reproduktor cosinus vypadají dobře.

Referenční audio a generované klony

Reference: English

English

FLEURS test/en_us/6306322369645218273.wav

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

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

OmniVoice

int8 klon z English referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med.

0.17

VoxCPM2

bf16 klon z English referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med.

1.11

Chatterbox Multilingual

fp16 klon z English referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med.

0.76

Fish Audio S2 Pro

fp16 klon z English referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med.

2.78

Qwen3-TTS Base

1.7B bf16 ICL klon z English referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med.

1.70

F5-TTS

fp16 klon z English referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med.

0.57

Higgs TTS 3

bf16 klon z English referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med.

0.78

IndexTTS2

fp16 klon z English referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med.

1.0

Reference: Němčina

Němčina

FLEURS test/de_de/17047810064400454397.wav

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

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

OmniVoice

int8 klon z Němčina referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med.

0.22

VoxCPM2

bf16 klon z Němčina referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med.

1.09

Chatterbox Multilingual

fp16 klon z Němčina referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med.

1.20

Fish Audio S2 Pro

fp16 klon z Němčina referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med.

2.80

Qwen3-TTS Base

1.7B bf16 ICL klon z Němčina referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med.

1.72

Higgs TTS 3

bf16 klon z Němčina referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med.

0.78

Reference: Moderní standardní arabština

Moderní standardní arabština

FLEURS test/ar_eg/747984393569561964.wav

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

Generovaný text: قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice

int8 klon z Moderní standardní arabština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med.

0.18

VoxCPM2

bf16 klon z Moderní standardní arabština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med.

1.14

Chatterbox Multilingual

fp16 klon z Moderní standardní arabština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med.

1.10

Fish Audio S2 Pro

fp16 klon z Moderní standardní arabština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med.

2.83

Higgs TTS 3

bf16 klon z Moderní standardní arabština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med.

0.78

Reference: Španělština

Španělština

FLEURS test/es_419/11137049735103408221.wav

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

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

OmniVoice

int8 klon z Španělština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med.

0.21

VoxCPM2

bf16 klon z Španělština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med.

1.18

Chatterbox Multilingual

fp16 klon z Španělština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med.

1.22

Fish Audio S2 Pro

fp16 klon z Španělština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med.

2.73

Qwen3-TTS Base

1.7B bf16 ICL klon z Španělština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med.

1.76

Higgs TTS 3

bf16 klon z Španělština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med.

0.78

Reference: Čínština

Čínština

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

Generovaný text: 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

int8 klon z Čínština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med.

0.21

VoxCPM2

bf16 klon z Čínština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med.

1.10

Fish Audio S2 Pro

fp16 klon z Čínština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med.

2.76

Qwen3-TTS Base

1.7B bf16 ICL klon z Čínština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med.

1.73

F5-TTS

fp16 klon z Čínština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med.

0.57

Higgs TTS 3

bf16 klon z Čínština referenční. Metrika jsou ten- clip prostředky; audio je jeden reprezentativní vzorek.

Cosinus μ

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med.

0.78

Metoda

Dataset reference, ne hand- selected demos

Reference a cílové texty pocházejí z Google FLEURS test split: anglicky, německy, arabsky, španělsky a mandarinsky čínsky. Pro každý jazyk jsme vybrali deset referenčních klipů a párování každý s jiným heldout FLEURS cílový trest, takže metrika jsou méně citlivé na jednu jednoduchou nebo špatnou větu. Pro motory, které přijímají referenční přepis, přesný FLEURS přepis byl schválen s zvukovým přízvukem.

Tvar skóre odráží objektivní stranu VoxCPM- styl hlasového klonování hodnocení: Srozumitelnost prostřednictvím WER/CERa klonování přes speaker- embedding cosinus podobnost. SoniqoJe to tak? speech embed-speaker --engine mlx, Takže porovnat řádky uvnitř této tabulky, ne proti papíru SIM procenta přímo.

UTMOS se počítá s utmos22_strong od SpeechMOS po přebudování generovaných klipů na 16 kHz. Dává no- reference naturality signál, že WER a reproduktor cosinus chybí, ale je to stále model predikce spíše než lidská studie poslechu.

Qwen3-TTS Base se měří s veřejností speech-swift ICL API (Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) s použitím stejného FLEURS referenční audio a přepis. Je vynechán pro arabštinu, protože aktuální Qwen3-TTS jazyková sada zde vystavená nezahrnuje arabštinu. Chatterboxje na vzestupném seznamu jazyků zahrnuje čínštinu, ale aktuální Swift frontend pouze podporuje přímou cestu tokenizer pro en, ar, hi, de, es, fr, it, a ptČínská řada je záměrně vynechána až do této hranice zemí.

# 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

Proč více bodů?

Klon může znít jako reproduktor, ale říct špatný text, nebo říct text jasně, když chybí reproduktor. To může také odpovídat textu a reproduktor při přenášení zvukových artefaktů. Řečnice cosinus, WER / CER, a UTMOS chytit různé režimy selhání, takže všechny tři musí být viditelné.

Přiřazení emocí a stylů

OmniVoice

Široký styl narážky

Dobré, když chcete klonovaný reproduktor s jednoduchým návodem k dodání, jako je klidnější, mladší, nižší-šikmé nebo šeptající čtení. Tato referenční hodnota používá neutrální dodání.

Chatterbox Multilingual

Síla expresivity

Užitečné, když chcete, aby stejný reproduktor zněl více zdrženlivěji nebo animovaněji, aniž byste do textu zapisovali emoční značky. Tato referenční hodnota udržovala expresivitu neutrální.

VoxCPM2

Voice direction in plain words

Silné uložení, pokud chcete popsat cílový hlas nebo dodání v přirozeném jazyce, zatímco ještě klonování z referenčního klipu. Tato referenční hodnota používá referenční klip pouze.

Fish Audio S2 Pro

Aktivní doručovací podněty

Nejlepší, když skript potřebuje explicitní okamžiky, jako je smích, šeptání, vzrušení, nebo smutek. Tato referenční hodnota používá prostý text bez hereckých podnětů.

Qwen3-TTS Base

Reference- audio ICL

Používá klip FLEURS a přepis jako in- contextový kontext. Jedná se o srovnatelnou cestu Qwen3-TTS pro sample- založené klonování v tabulce.

F5-TTS

Rychlost + semenné vlajky

Žádné inline tagy; --f5-speed stupnice pacing a --f5-seed pins průtok přesně - nejčistší z rychlých klonů.

Higgs TTS 3

Inline ovládací žetony

Emoce:... 124; & gt;, & lt; 124; Styl: šeptá 124;; & gt), & lt. 124; sfx: laugh124; a prosody tagy umístěné přímo v cílovém textu.

IndexTTS2

Emoční presety + vektory

--indextts2-emotion presety nebo Vektor hodnoty 8-, vážená, plus samostatný style-referenční klip a ovládání hlasitosti.

Referenční hodnota záměrně ponechává tyto ovládací prvky neutrální. To udržuje reproduktorovou podobnost vázanou na referenci FLEURS místo toho, aby odměňovala model pro přidávání dalších emocí, šeptání, křiku nebo smíchu.

Čtení výsledku

Zacházejte s tím jako s kompaktním strojírenským šekem, nikoli s žebříčkem. Deset referenčních / cílových párů na jazyk je užitečnější než jedna demo věta, ale stále je příliš malá na to, aby korunovala všeobecného vítěze. Užitečné čtení je, kde model je stabilní nebo křehký pro konkrétní jazyk a metrický.

Fish Audio a Qwen3-TTS často lépe skórují na UTMOS, i když má jiný model vyšší kosinus reproduktoru. Qwen3-TTS Base ICL je zahrnut pro angličtinu, němčinu, španělštinu a čínštinu; v tomto běhu je nejsilnější jako naturalita / text- recovery základní, zatímco specializované klonovací modely zůstávají konkurenceschopné na reproduktorové identitě. Správné čtení je per- jazyk tradeoff, ne jediný vítěz.

Zkus zásobník.

Speech Studio

Místní stolní aplikace pro klonování hlasů a vykreslování multireprodukčních skriptů na vašem počítači.

Otevřít Speech Studio

Soniqo Cloud

Hosted endpoint pro testování stejné řeči stack před zapojením do produktu.

Otevřít soniqo.audio / cloud

Dokumenty pro klonování hlasu Hodnotící dokument VoxCPM