Voice kloning benchmarks

July 2, 2026

Stemmekloning modeller, målt på tværs af fem sprog.

Vi klonede ti. FLEURS referencehøjttalere pr. sprog, genereret ti held- out FLEURS målsætninger, derefter gennemsnittet af højttalerens lighed WER/CER, UTMOS forudsagt kvalitet, og standbytilstand hastighed. De spillere nedenfor viser en repræsentativ reference og genereret output fra samme køre.

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

Engelsk

FLEURS test/en_us, 10 referencepar / målpar

Human ASR gulv: 3.5% WER på den oprindelige FLEURS mållyd.

Model	Præcision	Cosin	WER	UTMOS	Lydμ	RTF med	Peak 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

Tysk

FLEURS test/de_de, 10 referencepar / målpar

Human ASR gulv: 11.4% WER på den oprindelige FLEURS mållyd.

Model	Præcision	Cosin	WER	UTMOS	Lydμ	RTF med	Peak 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

Moderne standard arabisk

FLEURS test/ar_eg, 10 referencepar / målpar

Human ASR gulv: 32.8% WER på den oprindelige FLEURS mållyd.

Model	Præcision	Cosin	WER	UTMOS	Lydμ	RTF med	Peak 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

Spansk

FLEURS test/es_419, 10 referencepar / målpar

Human ASR gulv: 10.6% WER på den oprindelige FLEURS mållyd.

Model	Præcision	Cosin	WER	UTMOS	Lydμ	RTF med	Peak 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

Kinesisk

FLEURS test/cmn_hans_cn, 10 referencepar / målpar

Human ASR gulv: 7.6% CER på den oprindelige FLEURS mållyd.

Model	Præcision	Cosin	CER	UTMOS	Lydμ	RTF med	Peak 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

Værdier er midler over ti genererede klip pr. understøttet sprog, undtagen RTF, som bruger medianen til at undgå koldstart timing outliers. Højere højttaler cosin betyder, at den genererede klip er tættere på FLEURS reference højttaler indlejring. Lavere WER/CER betyder, at den ønskede tekst blev genvundet mere rent; kinesisk scores med CER, de øvrige sprog med WER. Højere UTMOS er en no- reference forudsagt naturlighed score på en 1-5 skala. Lavere RTF er hurtigere. En streg betyder, at batch køre ikke producere pålidelig timing for denne række. Disse er engineering regression målinger, ikke en menneskelig MOS panel. Qwen3-ASR scorer er ikke lige ren på alle sprog: på den oprindelige menneskelige FLEURS target klip i dette sæt, dens baseline fejl er 3.5% Engelsk WER, 11.4% Tysk WER, 32.8% Arabisk WER, 10.6% Spansk WER, og 7.6% Kinesisk CER. Læs WER/CER som et tekst- recovery stress signal, ikke som en ren TTS kvalitet score. Præcision er angivet pr. række: VoxCPM2's public full- precision Swift sti er bf16, mens OmniVoice er vist med den offentliggjorte int8 bundt fordi fp16 rygrad ikke blev brugt til denne publicerede kørsel. Kvantiserede rækker kan ændre både kvalitet og hastighed, så tabellen kun omfatter den faktiske sti målt for hver række.

F5-TTS, Higgs TTS 3, og IndexTTS2 Rækkerne blev målt juli 12, 2026 på samme FLEURS testsæt og scoringkommandoer (n =10 pr. sprog UTMOS22-strong); deres RTF er udgivelsen enkelt-sætning benchmark tal, og Peak RSS kommer fra en CLI klon køre, hvor motoren skibe i talen CLI.

Indgangs- og udgangsprøverater

Kilde	Rolle	Rate
FLEURS references	Inputreference	16 kHz
OmniVoice / Chatterbox	Genereret output	24 kHz
Qwen3-TTS Base ICL	Genereret output	24 kHz
Fish Audio S2 Pro	Genereret output	44.1 kHz
VoxCPM2	Genereret output	48 kHz
F5-TTS / Higgs TTS 3	Genereret output	24 kHz
IndexTTS2	Genereret output	22.05 kHz

Henvisningerne er 16 kHz, så de kun indeholder observerbare beviser op til omtrent 8 KHz. Højhastighedsudgange kan lyde mere åbne, fordi de bevarer eller synthesize mere højfrekvensånde, sibilance, og room detalje, men 44.1 eller 48 cHz uddata betyder ikke automatisk en bedre klon. De fleste højttalere identitet og intelligens lever godt under det høje bånd, mens overdreven højfrekvensenergi kan gøre en stemme føler sig skarp, selv når WER og højttaleren cosin ser godt ud.

Reference lyd og genererede kloner

Reference: Engelsk

Engelsk

FLEURS test/en_us/6306322369645218273.wav

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

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

OmniVoice

int8 klon fra Engelsk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med

0.17

VoxCPM2

bf16 klon fra Engelsk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med

1.11

Chatterbox Multilingual

fp16 klon fra Engelsk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med

0.76

Fish Audio S2 Pro

fp16 klon fra Engelsk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med

2.78

Qwen3-TTS Base

1.7B bf16 ICL klon fra Engelsk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med

1.70

F5-TTS

fp16 klon fra Engelsk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med

0.57

Higgs TTS 3

bf16 klon fra Engelsk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med

0.78

IndexTTS2

fp16 klon fra Engelsk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med

1.0

Reference: Tysk

Tysk

FLEURS test/de_de/17047810064400454397.wav

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

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

OmniVoice

int8 klon fra Tysk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med

0.22

VoxCPM2

bf16 klon fra Tysk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med

1.09

Chatterbox Multilingual

fp16 klon fra Tysk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med

1.20

Fish Audio S2 Pro

fp16 klon fra Tysk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med

2.80

Qwen3-TTS Base

1.7B bf16 ICL klon fra Tysk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med

1.72

Higgs TTS 3

bf16 klon fra Tysk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med

0.78

Reference: Moderne standard arabisk

Moderne standard arabisk

FLEURS test/ar_eg/747984393569561964.wav

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

Genereret tekst: قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice

int8 klon fra Moderne standard arabisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med

0.18

VoxCPM2

bf16 klon fra Moderne standard arabisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med

1.14

Chatterbox Multilingual

fp16 klon fra Moderne standard arabisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med

1.10

Fish Audio S2 Pro

fp16 klon fra Moderne standard arabisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med

2.83

Higgs TTS 3

bf16 klon fra Moderne standard arabisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med

0.78

Reference: Spansk

Spansk

FLEURS test/es_419/11137049735103408221.wav

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

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

OmniVoice

int8 klon fra Spansk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med

0.21

VoxCPM2

bf16 klon fra Spansk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med

1.18

Chatterbox Multilingual

fp16 klon fra Spansk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med

1.22

Fish Audio S2 Pro

fp16 klon fra Spansk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med

2.73

Qwen3-TTS Base

1.7B bf16 ICL klon fra Spansk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med

1.76

Higgs TTS 3

bf16 klon fra Spansk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med

0.78

Reference: Kinesisk

Kinesisk

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

Genereret tekst: 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 fra Kinesisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med

0.21

VoxCPM2

bf16 klon fra Kinesisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med

1.10

Fish Audio S2 Pro

fp16 klon fra Kinesisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med

2.76

Qwen3-TTS Base

1.7B bf16 ICL klon fra Kinesisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med

1.73

F5-TTS

fp16 klon fra Kinesisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med

0.57

Higgs TTS 3

bf16 klon fra Kinesisk reference. Metrics er ten- clip midler; lyd er en repræsentativ prøve.

Cosinμ

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med

0.78

Metode

Datasets referencer, ikke håndplukkede demoer

Referencer og måltekster kommer fra Google FLEURS test split: engelsk, tysk, arabisk, spansk og mandarin kinesisk. For hvert sprog vi valgte ti referenceklip og parret hver med en anden held- out FLEURS målsætning, så de målinger er mindre følsomme over for en nem eller dårlig sætning. For motorer, der accepterer en reference udskrift, den nøjagtige FLEURS udskrift blev bestået med lydprompten.

Scoren form afspejler den objektive side af VoxCPM- stil stemme kloning evaluering: forståelighed via WER / CER, og kloning via højttaler- indlejring cosin lighed. Taleren indkoder her er Soniqo 's speech embed-speaker --engine mlx, så sammenligne rækker i denne tabel, ikke mod papir SIM procent direkte.

UTMOS er beregnet med utmos22_strong fra SpeechMOS efter omsmeltning genererede klip til 16 kHz. Det giver et noporeferencunnalness signal om, at WER og højttaler cosinus miss, men det er stadig en model forudsigelse snarere end en menneskelig lytteundersøgelse.

Qwen3-TTS Base måles med den offentlige speech-swift ICL API (Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) med det samme FLEURS reference lyd og udskrift. Det er udeladt for arabisk, fordi den aktuelle Qwen3-TTS sprogsæt, der er eksponeret her, omfatter ikke arabisk. Chatterbox's opstrøms sprogliste omfatter kinesisk, men den aktuelle Swift frontend understøtter kun den direkte proximizer sti til en, ar, hi, de, es, fr, it, og pt; den kinesiske række er bevidst udeladt, indtil denne frontend lander.

# 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

Hvorfor flere point?

En klon kan lyde som højttaleren, men sige den forkerte tekst, eller sige teksten klart, mens den mangler højttaleren. Den kan også matche teksten og højttaleren, mens den bærer hørbare artefakter. Taleren cosin, WER / CER, og UTMOS fange forskellige fejltilstande, så alle tre skal være synlige.

Følelse og stiltildeling

OmniVoice

Brede stil hints

Godt, når du vil have en klonet højttaler med enkel leveringsvejledning, såsom en roligere, yngre, lav- pitched, eller hvisket læst. Dette benchmark brugte en neutral levering.

Chatterbox Multilingual

Udtrykningsstyrke

Nyttigt, når du ønsker den samme højttaler til at lyde mere tilbageholdende eller mere animeret uden at skrive følelser tags i teksten. Dette benchmark holdt udtryksfuldhed neutral.

VoxCPM2

Stemmeretning i klare ord

Stærk pasform, når du ønsker at beskrive målet stemme eller levering i naturligt sprog, mens stadig kloning fra et referenceklip. Dette benchmark brugte kun referenceklipsen.

Fish Audio S2 Pro

Valgt levering

Bedste når scriptet har brug for eksplicitte øjeblikke som at grine, hviske, spænding, eller sorg. Dette benchmark brugt almindelig tekst uden skuespil cues.

Qwen3-TTS Base

Reference- audio ICL

Bruger FLEURS klip og udskrift som inkontekstbehandling. Dette er den sammenlignelige Qwen3-TTS sti til samlebaseret kloning i tabellen.

F5-TTS

Hastighed + frøflag

Ingen inline tags; --f5-speed skalaer pacing og --f5-seed pins strømmen præcist - den reneste af de hurtige kloner.

Higgs TTS 3

Inline-kontroltokens

& lt; - 124; - følelser:... - 124, - & gt;, - 124- stil: hvisker 124; & gt; - & lt; 124; sfx: latter 124; og prosody- mærker placeret lige i målteksten.

IndexTTS2

Evolutionspresets + vektorer

--indextts2-emotion forudsætter eller en 8- værdivektor, vægtet, plus et separat style- referenceklip og speeding- rate kontrol.

benchmark med vilje efterlader disse kontroller neutral. Det holder højttaleren lighed bundet til FLEURS reference i stedet for at belønne en model for at tilføje ekstra følelser, hvisken, råben, eller latter.

Læsning af resultatet

Behandl dette som en kompakt teknik check, ikke en leaderboard. Ti reference / mål par per sprog er mere nyttige end en enkelt demo sætning, men stadig for lille til at krone en universel vinder. Den nyttige læsning er, hvor en model er stabil eller skør for et bestemt sprog og metrisk.

Fish Audio og Qwen3-TTS scorer ofte bedre på UTMOS, selv når en anden model har en højere højttaler cosin. Qwen3-TTS Base ICL er inkluderet for engelsk, tysk, spansk og kinesisk; i dette løb er det stærkeste som en naturlighed / tekst- recovery baseline, mens dedikerede kloning modeller forbliver konkurrencedygtige på højttaler identitet. Den rigtige læsning er per- sprog tradeoffs, ikke en enkelt vinder.

Prøv stakken

Speech Studio

Lokal desktop app til kloning stemmer og rendering multi-højttaler scripts på din maskine.

Åbn Speech Studio

Soniqo Cloud

Hosted endpoint til test af den samme talesæk, før den overføres til et produkt.

Åbn soniqo.audio / cloud

Stemmekloning VoxCPM-evalueringspapir