Konekäännös · Englanninkielinen alkuperäinen

Äänen kloonauksen vertailuarvot

July 2, 2026

Äänen kloonausmalleja, joita mitataan viidellä kielellä.

Kloonasimme kymmenen. FLEURS referenssikaiuttimet per kieli, syntyi kymmenen pin-out FLEURS kohdelauseet, sitten keskimääräinen puhujan samankaltaisuus, WER/CER, UTMOS ennustettu laatu, ja vakaan tilan nopeus. Alla pelaajat näyttävät yhden edustavan viite ja tuotettu tuotos samasta ajosta.

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

Finnish

FLEURS test/en_us, 10 vertailu-/kohdeparia

Ihmisen ASR lattia: 3.5% WER alkuperäisellä FLEURS kohdeäänellä.

Malli	Tarkkuus	Kosiini	WER	UTMOS	Ääni μ	RTF med.	RSS-huippu
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

Saksa

FLEURS test/de_de, 10 vertailu-/kohdeparia

Ihmisen ASR lattia: 11.4% WER alkuperäisellä FLEURS kohdeäänellä.

Malli	Tarkkuus	Kosiini	WER	UTMOS	Ääni μ	RTF med.	RSS-huippu
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

Moderni standardi arabia

FLEURS test/ar_eg, 10 vertailu-/kohdeparia

Ihmisen ASR lattia: 32.8% WER alkuperäisellä FLEURS kohdeäänellä.

Malli	Tarkkuus	Kosiini	WER	UTMOS	Ääni μ	RTF med.	RSS-huippu
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

espanja

FLEURS test/es_419, 10 vertailu-/kohdeparia

Ihmisen ASR lattia: 10.6% WER alkuperäisellä FLEURS kohdeäänellä.

Malli	Tarkkuus	Kosiini	WER	UTMOS	Ääni μ	RTF med.	RSS-huippu
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

kiina

FLEURS test/cmn_hans_cn, 10 vertailu-/kohdeparia

Ihmisen ASR lattia: 7.6% CER alkuperäisellä FLEURS kohdeäänellä.

Malli	Tarkkuus	Kosiini	CER	UTMOS	Ääni μ	RTF med.	RSS-huippu
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

Arvot ovat keskiarvoja yli kymmenen luotua leikettä tuettua kieltä kohti, paitsi RTF, joka käyttää mediaani välttää kylmäkäynnistyksen ajoitus outliers. Korkeampi kaiutin cosine tarkoittaa, että luotu klipsi on lähempänä FLEURS referenssikaiutin upotetaan. WER/CER tarkoittaa pyydetty teksti palautettiin puhtaammin; kiina pisteytetään CER, muut kielet WER. Korkeammalle UTMOS on ei-viite ennustettu luonnonpistemäärä 1-5 asteikko. RTF on nopeampi. Dash tarkoittaa, että eräajo ei tuottanut luotettavaa ajoitusta tuolle riville. Nämä ovat teknisiä regressiomittareita, ei ihmisen MOS paneeli. Qwen3-ASR maalintekijä ei ole yhtä puhdas kaikilla kielillä: alkuperäisellä ihmisellä FLEURS tavoite leikkeet tässä sarjassa, sen perustason virhe on 3.5% Finnish WER, 11.4% Saksa WER, 32.8% arabia WER, 10.6% espanja WER, 7.6% kiina CER Lue WER/CER Tekstintalteenoton stressisignaalina, ei puhtaana TTS laatupisteet. Tarkkuus on lueteltu riviä kohti: VoxCPM2 Julkinen täysin tarkka Swift polku on bf16, OmniVoice on esitetty julkaisussa int8 nuppi, koska fp16 runkoa ei käytetty tähän julkaistuun suoritukseen. Kvanttirivit voivat muuttaa sekä laatua että nopeutta, joten taulukko sisältää vain kunkin rivin todellisen polun.

F5-TTS, Higgs TTS 3, IndexTTS2 rivit mitattiin heinäkuussa 12, 2026 samaan FLEURS testisarjat ja pisteytyskomennot (n =10 kielikohtaisesti; UTMOS22-strong); RTF on julkaisun yhden lauseen vertailuluku, ja Peak RSS tulee CLI klooniajo, jossa moottori alukset puhe CLI.

Syöttö- ja tuotosotosten määrä

Lähde	Rooli	Osuus
FLEURS references	Syöttöviite	16 kHz
OmniVoice / Chatterbox	Luotu tuloste	24 kHz
Qwen3-TTS Base ICL	Luotu tuloste	24 kHz
Fish Audio S2 Pro	Luotu tuloste	44.1 kHz
VoxCPM2	Luotu tuloste	48 kHz
F5-TTS / Higgs TTS 3	Luotu tuloste	24 kHz
IndexTTS2	Luotu tuloste	22.05 kHz

Viittaukset ovat 16 kHz, joten ne sisältävät vain havaittavissa olevaa näyttöä noin 8 kHz:iin asti. Korkeammat lähdöt voivat kuulostaa avoimemmilta, koska ne säilyttävät tai syntetisoivat enemmän korkeakaistaista hengitystä, sibilanssia ja huonetta koskevia yksityiskohtia, mutta 44.1 tai 48 kHz:n lähtö ei automaattisesti tarkoita parempaa kloonia. Useimmat kaiuttimet ja älykkyys vihjeet elävät selvästi tuon korkean taajuuden alapuolella, kun taas liiallinen korkean taajuuden energia voi saada äänen tuntumaan terävältä, vaikka WER ja kaiutin näyttää hyvältä.

Viiteääni- ja generoidut kloonit

Vertailuääni: Finnish

Finnish

FLEURS test/en_us/6306322369645218273.wav

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

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

OmniVoice

int8 klooni Finnish vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med.

0.17

VoxCPM2

bf16 klooni Finnish vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med.

1.11

Chatterbox Multilingual

fp16 klooni Finnish vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med.

0.76

Fish Audio S2 Pro

fp16 klooni Finnish vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med.

2.78

Qwen3-TTS Base

1.7B bf16 ICL klooni Finnish vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med.

1.70

F5-TTS

fp16 klooni Finnish vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med.

0.57

Higgs TTS 3

bf16 klooni Finnish vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med.

0.78

IndexTTS2

fp16 klooni Finnish vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med.

1.0

Vertailuääni: Saksa

Saksa

FLEURS test/de_de/17047810064400454397.wav

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

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

OmniVoice

int8 klooni Saksa vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med.

0.22

VoxCPM2

bf16 klooni Saksa vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med.

1.09

Chatterbox Multilingual

fp16 klooni Saksa vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med.

1.20

Fish Audio S2 Pro

fp16 klooni Saksa vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med.

2.80

Qwen3-TTS Base

1.7B bf16 ICL klooni Saksa vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med.

1.72

Higgs TTS 3

bf16 klooni Saksa vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med.

0.78

Vertailuääni: Moderni standardi arabia

Moderni standardi arabia

FLEURS test/ar_eg/747984393569561964.wav

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

Luotu teksti قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice

int8 klooni Moderni standardi arabia vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med.

0.18

VoxCPM2

bf16 klooni Moderni standardi arabia vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med.

1.14

Chatterbox Multilingual

fp16 klooni Moderni standardi arabia vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med.

1.10

Fish Audio S2 Pro

fp16 klooni Moderni standardi arabia vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med.

2.83

Higgs TTS 3

bf16 klooni Moderni standardi arabia vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med.

0.78

Vertailuääni: espanja

espanja

FLEURS test/es_419/11137049735103408221.wav

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

Luotu teksti La segregación y la recombinación barajan la variación entre uno y otro generación tras generación.

OmniVoice

int8 klooni espanja vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med.

0.21

VoxCPM2

bf16 klooni espanja vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med.

1.18

Chatterbox Multilingual

fp16 klooni espanja vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med.

1.22

Fish Audio S2 Pro

fp16 klooni espanja vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med.

2.73

Qwen3-TTS Base

1.7B bf16 ICL klooni espanja vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med.

1.76

Higgs TTS 3

bf16 klooni espanja vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med.

0.78

Vertailuääni: kiina

kiina

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

Luotu teksti 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 klooni kiina vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med.

0.21

VoxCPM2

bf16 klooni kiina vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med.

1.10

Fish Audio S2 Pro

fp16 klooni kiina vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med.

2.76

Qwen3-TTS Base

1.7B bf16 ICL klooni kiina vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med.

1.73

F5-TTS

fp16 klooni kiina vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med.

0.57

Higgs TTS 3

bf16 klooni kiina vertailusta. Metrics on kymmenen klipsiä; ääni on yksi edustava näyte.

Kosiini μ

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med.

0.78

Menetelmä

Dataset-viittaukset, ei käsin poimittuja demoja

Referenssit ja kohdetekstit tulevat Google FLEURS testiosiosta: englanti, saksa, arabia, espanja ja mandariinikiina. Kullekin kielelle valitsimme kymmenen referenssileikkeitä ja parittelimme jokaisen kanssa eri kohdelauseen FLEURS, joten mittarit ovat vähemmän herkkiä yhdelle helpolle tai huonolle lauseelle. Moottoreille, jotka hyväksyvät referenssin, tarkka FLEURS transkripti hyväksyttiin äänikeholla.

Pisteen muoto heijastaa VoxCPM-tyylisen äänen kloonauksen arvioinnin objektiivista puolta: älykkyys WER/CER:n kautta ja kloonaus kaiuttimella kosinekyhtenäisyyttä. Kaiutin on Soniqo. speech embed-speaker --engine mlx, joten vertaa rivit tämän taulukon sisällä, ei paperi SIM prosenttiluvut suoraan.

UTMOS lasketaan SpeechMOS:n avulla utmos22_strong 16 kHz:iin luotavien leikkeiden uudelleenoton jälkeen. Se antaa ei-viiteluonnollisuussignaalin, joka WER ja kaiutinkosiinin aiheuttama miss, mutta se on silti pikemminkin malliennustus kuin ihmisen kuuntelututkimus.

Qwen3-TTS Base mitataan julkisella speech-swift ICL API (Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) käyttäen samaa FLEURS referenssiääni ja transkripti. Se on jätetty pois arabiaksi, koska nykyinen Qwen3-TTS kieli asettaa täällä ei sisällä arabiaa. ChatterboxKielen yläjuoksulla lista sisältää kiinan, mutta nykyinen Swift etusivu tukee vain suoraa tokendizer-polkua en, ar, hi, de, es, fr, it, pt; kiinalaisrivi on tarkoituksellisesti jätetty pois, kunnes tämä etulinja laskeutuu.

# 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

Miksi monta pistettä?

Klooni voi kuulostaa puhujalta, mutta sanoa väärän tekstin tai sanoa tekstin selvästi, kun kaiutin puuttuu. Se voi myös vastata tekstiä ja kaiutinta kantaessaan ääniesineitä. Kaiutinkosiini, WER/CER ja UTMOS saalistavat eri vikatiloja, joten kaikkien kolmen on oltava näkyvissä.

Tunteiden ja tyylien jakaminen

OmniVoice

Leveät tyyliviitat

Hyvä, kun haluat kloonatun kaiuttimen yksinkertaisella toimitusohjeella, kuten rauhallisempi, nuorempi, matalampi, tai kuiskattu lukea. Tämä vertailukohta käytti neutraali toimitus.

Chatterbox Multilingual

Ekspressiolujuus

Hyödyllistä, kun haluat saman puhujan kuulostavan hillitymmältä tai animoituneemmalta kirjoittamatta tunteiden tageja tekstiin. Tämä mittapuu piti ilmeettömyyden neutraalina.

VoxCPM2

Äänen suunta selkein sanoin

Vahva istuvuus, kun haluat kuvailla kohdeääntä tai toimitusta luonnollisella kielellä, kun vielä kloonaat referenssileikkeestä. Tämä vertailuklipsi käytti vain viiteklippiä.

Fish Audio S2 Pro

Toimitetut toimitusmerkit

Paras kun käsikirjoitus tarvitsee selkeitä hetkiä, kuten naurua, kuiskailua, jännitystä tai surua. Tämä vertailukohta käytti pelkkää tekstiä ilman näyttelevä vihjeitä.

Qwen3-TTS Base

Viite-audio ICL

Käyttää FLEURS -leikkuria ja transkriptiota kontekstin ilmastointina. Tämä on vertailukelpoinen Qwen3-TTS -polku näytepohjaisessa kloonauksessa taulukossa.

F5-TTS

Nopeus + siemenliput

Ei inline-tunnisteita; --f5-speed asteikot tahdissa ja --f5-seed nastat virtausta tasan .

Higgs TTS 3

Inline-ohjausrahat

<... >, <..

IndexTTS2

Tuntoesiasetukset + vektorit

--indextts2-emotion esiasetukset tai 8-arvoinen vektori painotettuna sekä erillinen tyyliviittausleikkurin ja puhenopeuden säätö.

Tämä pitää kaiuttimen samankaltaisuuden sidottuna FLEURS -viittaukseen sen sijaan, että palkittaisiin mallia, joka lisää ylimääräistä tunnetta, kuiskaamista, huutamista tai naurua.

Tulosten lukeminen

Käsittele tätä kompaktina teknisenä tarkistuksena, ei leaderboardina. Kymmenen referenssi-/kohdeparia per kieli ovat hyödyllisempiä kuin yksi demo-lause, mutta silti liian pieniä kruunaamaan universaalin voittajan. Hyödyllinen luku on, jos malli on vakaa tai hauras tietylle kielelle ja metri.

Fish Audio ja Qwen3-TTS pärjäävät usein paremmin UTMOS silloinkin, kun toisessa mallissa on korkeampi kaiutinkosiini. Qwen3-TTS Perus ICL on englanninkielinen, saksalainen, espanjalainen ja kiinalainen; tässä juoksussa se on vahvin luonnonvoima/tekstin hyödyntäminen perustasona, kun taas omistettu kloonausmallit ovat edelleen kilpailukykyisiä puhujan identiteetin perusteella. Oikea luku on kielikohtaista, ei yksittäinen voittaja.

Kokeile pinoa

Speech Studio

Paikallinen työpöytäsovellus kloonaamaan ääniä ja tekemään monen kaiuttimen skriptejä koneeseen.

Open Speech Studio

Soniqo Pilvi

Isännöitiin päätepiste testata samaa puheen pino ennen johdotus se tuote.

Avaa soniqo.audio/pilvi

Äänen kloonausdokumentit VoxCPM-arviointipaperi