Terjemahan mesin · Versi asli bahasa Inggris

Suara kloning benchmarks

July 2, 2026

Model kloning suara, diukur di lima bahasa.

Kami kloning sepuluh FLEURS referensi speaker per bahasa, dihasilkan sepuluh held-out FLEURS target kalimat, kemudian rata-rata kesamaan speaker, WER/CER, UTMOS diperkirakan kualitas, dan kecepatan negara stabil. Para pemain di bawah ini menunjukkan satu referensi perwakilan dan keluaran yang dihasilkan dari run yang sama.

English Filipino (Tagalog)ItalianoBahasa IndonesiaPolski Nederlands Svenska עברית Norsk bokmål Dansk Română Čeština Suomi Español Deutsch Français Português Русский 中文日本語 한국어 हिन्दी العربية Tiếng Việt Türkçe ไทย

Inggris

FLEURS test/en_us, 10 pasangan referensi / target

Lantai ASR manusia: 3.5% WER pada audio target asli FLEURS.

Model	Presisi	Cosinus	WER	UTMOS	Audio lahirSound event	RTF med.	Puncak 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

Jerman

FLEURS test/de_de, 10 pasangan referensi / target

Lantai ASR manusia: 11.4% WER pada audio target asli FLEURS.

Model	Presisi	Cosinus	WER	UTMOS	Audio lahirSound event	RTF med.	Puncak 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

Modern Standar Arab

FLEURS test/ar_eg, 10 pasangan referensi / target

Lantai ASR manusia: 32.8% WER pada audio target asli FLEURS.

Model	Presisi	Cosinus	WER	UTMOS	Audio lahirSound event	RTF med.	Puncak 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

Spanyol

FLEURS test/es_419, 10 pasangan referensi / target

Lantai ASR manusia: 10.6% WER pada audio target asli FLEURS.

Model	Presisi	Cosinus	WER	UTMOS	Audio lahirSound event	RTF med.	Puncak 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

Cina

FLEURS test/cmn_hans_cn, 10 pasangan referensi / target

Lantai ASR manusia: 7.6% CER pada audio target asli FLEURS.

Model	Presisi	Cosinus	CER	UTMOS	Audio lahirSound event	RTF med.	Puncak 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

Nilai berarti lebih dari sepuluh klip yang dihasilkan per bahasa yang didukung, kecuali RTF, yang menggunakan median untuk menghindari cold-start outliers. kosinus speaker lebih tinggi berarti klip yang dihasilkan lebih dekat dengan FLEURS referensi pembicara embedding. WER/CER berarti teks yang diminta lebih bersih; Cina di cetak dengan CER, bahasa lain dengan WERLebih tinggi UTMOS adalah no- referensi prediksi naturalness skor pada 1-5 Skala, lebih rendah. RTF ini lebih cepat sebuah dash berarti proses batch tidak menghasilkan waktu yang dapat diandalkan untuk baris ini adalah metrics regresi rekayasa, bukan panel MOS manusia sama Qwen3-ASR scorer tidak sama bersih pada setiap bahasa: pada manusia asli FLEURS target klip dalam set ini, kesalahan baseline nya adalah 3.5% Inggris WER, 11.4% Jerman WER, 32.8% Arab WER, 10.6% Spanyol WER, dan 7.6% Cina CERBaca WER/CER sebagai teks-pemulihan sinyal stres, bukan sebagai murni TTS Nilai kualitas, Presisi terdaftar per baris: VoxCPM2's public full- presisi Swift path adalah bf16, sementara OmniVoice ditampilkan dengan diterbitkan int8 bundel karena fp16 tulang belakang tidak digunakan untuk menjalankan yang diterbitkan. baris yang telah diquantized dapat mengubah baik kualitas dan kecepatan, sehingga tabel hanya termasuk jalur aktual diukur untuk setiap baris.

F5-TTS, Higgs TTS 3, dan IndexTTS2 baris diukur Juli 12, 2026 sama FLEURS test set dan scoring perintah (n =10 per bahasa; UTMOS22-strong); mereka RTF adalah kalimat tunggal rilis tokoh benchmark, dan Peak RSS berasal dari sebuah cli run dimana kapal mesin dalam pidato CLI.

Laju cuplikan masukan dan keluaran

Sumber	Peran	Laju
FLEURS references	Referensi masukan	16 kHz
OmniVoice / Chatterbox	Keluaran dihasilkan	24 kHz
Qwen3-TTS Base ICL	Keluaran dihasilkan	24 kHz
Fish Audio S2 Pro	Keluaran dihasilkan	44.1 kHz
VoxCPM2	Keluaran dihasilkan	48 kHz
F5-TTS / Higgs TTS 3	Keluaran dihasilkan	24 kHz
IndexTTS2	Keluaran dihasilkan	22.05 kHz

Referensinya adalah 16 kHz, sehingga mereka hanya mengandung bukti observable sampai kira-kira 8 Hasil peringkat tertinggi bisa terdengar lebih terbuka karena mereka melestarikan atau mensintesis lebih banyak napas band, sibilansi, dan detail kamar, tapi 44.1 atau 48 keluaran kHz tidak secara otomatis berarti klon yang lebih baik. Kebanyakan identitas speaker dan kecerdasan isyarat hidup baik di bawah bahwa band tinggi, sementara berlebihan tinggi frekuensi energi dapat membuat suara merasa tajam bahkan ketika WER dan speaker cosin terlihat bagus.

Referensi audio dan klon yang dihasilkan

Referensi: Inggris

Inggris

FLEURS test/en_us/6306322369645218273.wav

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

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

OmniVoice

int8 klon dari Inggris reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med.

0.17

VoxCPM2

bf16 klon dari Inggris reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med.

1.11

Chatterbox Multilingual

fp16 klon dari Inggris reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med.

0.76

Fish Audio S2 Pro

fp16 klon dari Inggris reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med.

2.78

Qwen3-TTS Base

1.7B bf16 ICL klon dari Inggris reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med.

1.70

F5-TTS

fp16 klon dari Inggris reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med.

0.57

Higgs TTS 3

bf16 klon dari Inggris reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med.

0.78

IndexTTS2

fp16 klon dari Inggris reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med.

1.0

Referensi: Jerman

Jerman

FLEURS test/de_de/17047810064400454397.wav

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

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

OmniVoice

int8 klon dari Jerman reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med.

0.22

VoxCPM2

bf16 klon dari Jerman reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med.

1.09

Chatterbox Multilingual

fp16 klon dari Jerman reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med.

1.20

Fish Audio S2 Pro

fp16 klon dari Jerman reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med.

2.80

Qwen3-TTS Base

1.7B bf16 ICL klon dari Jerman reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med.

1.72

Higgs TTS 3

bf16 klon dari Jerman reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med.

0.78

Referensi: Modern Standar Arab

Modern Standar Arab

FLEURS test/ar_eg/747984393569561964.wav

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

Teks yang dihasilkan: قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice

int8 klon dari Modern Standar Arab reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med.

0.18

VoxCPM2

bf16 klon dari Modern Standar Arab reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med.

1.14

Chatterbox Multilingual

fp16 klon dari Modern Standar Arab reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med.

1.10

Fish Audio S2 Pro

fp16 klon dari Modern Standar Arab reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med.

2.83

Higgs TTS 3

bf16 klon dari Modern Standar Arab reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med.

0.78

Referensi: Spanyol

Spanyol

FLEURS test/es_419/11137049735103408221.wav

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

Teks yang dihasilkan: La segregación y la recombinación barajan la variación entre uno y otro generación tras generación.

OmniVoice

int8 klon dari Spanyol reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med.

0.21

VoxCPM2

bf16 klon dari Spanyol reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med.

1.18

Chatterbox Multilingual

fp16 klon dari Spanyol reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med.

1.22

Fish Audio S2 Pro

fp16 klon dari Spanyol reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med.

2.73

Qwen3-TTS Base

1.7B bf16 ICL klon dari Spanyol reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med.

1.76

Higgs TTS 3

bf16 klon dari Spanyol reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med.

0.78

Referensi: Cina

Cina

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

Teks yang dihasilkan: 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 dari Cina reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med.

0.21

VoxCPM2

bf16 klon dari Cina reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med.

1.10

Fish Audio S2 Pro

fp16 klon dari Cina reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med.

2.76

Qwen3-TTS Base

1.7B bf16 ICL klon dari Cina reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med.

1.73

F5-TTS

fp16 klon dari Cina reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med.

0.57

Higgs TTS 3

bf16 klon dari Cina reference. Metrics berarti sepuluh-klip; audio adalah salah satu contoh perwakilan.

Kosinus

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med.

0.78

Metode

Referensi data, bukan demos pilihan tangan

Referensi dan teks target berasal dari Google FLEURS test split: bahasa Inggris, Jerman, Arab, Spanyol, dan Mandarin Cina. Untuk setiap bahasa kami memilih sepuluh klip referensi dan dipasangkan masing-masing dengan bantuan yang berbeda-keluar FLEURS target kalimat, sehingga metrik kurang sensitif untuk satu kalimat yang mudah atau buruk. Untuk mesin yang menerima transkrip referensi, tepat FLEURS transkrip dilewatkan dengan prompt audio.

Bentuk skor mencerminkan sisi objektif dari VoxCPM-gaya evaluasi kloning: kecerdasan melalui WER/CER, dan kloning melalui speaker-embedding kesamaan kosinus. Soniqo's speech embed-speaker --engine mlx, jadi membandingkan baris di dalam meja ini, tidak terhadap persentase SIM kertas secara langsung.

UTMOS dihitung dengan utmos22_strong dari SpeechMOS setelah mengulang klip yang dihasilkan menjadi 16 kHz ini memberikan sinyal naturalness referensi tidak bahwa WER dan speaker cosin miss, tetapi masih merupakan prediksi model daripada manusia mendengarkan studi.

Qwen3-TTS Dasar diukur dengan publik speech-swift ICL API (Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) menggunakan sama FLEURS referensi audio dan transkrip. Ini diabaikan untuk Arab karena saat ini Qwen3-TTS bahasa yang digunakan di sini tidak termasuk bahasa Arab. Chatterboxdaftar bahasa upstream termasuk Cina, tetapi saat ini Swift frontend hanya mendukung jalur tokenizer langsung untuk en, ar, hi, de, es, fr, it, dan pt; baris Cina sengaja diabaikan sampai frontend yang tanah.

# 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

Mengapa skor ganda?

Klon dapat terdengar seperti pembicara, tapi katakanlah teks yang salah, atau katakan dengan jelas ketika tidak ada speaker. Ini juga dapat cocok dengan teks dan speaker saat membawa artifak yang terdengar. Suara kosinus, WER/CER, dan UTMOS menangkap mode kegagalan yang berbeda, sehingga ketiga perlu terlihat.

Emotion and style atvocate

OmniVoice

Petunjuk gaya broad

Bagus ketika Anda ingin speaker kloning dengan panduan pengiriman sederhana, seperti yang lebih tenang, lebih muda, bernada rendah, atau berbisik membaca. benchmark ini menggunakan pengiriman netral.

Chatterbox Multilingual

Kekuatan expressiexprestivency

Berguna ketika Anda ingin pembicara yang sama untuk terdengar lebih terkendali atau lebih animasi tanpa menulis tag emosi ke teks. Benchmark ini terus ekspresif netral.

VoxCPM2

Arah suara dalam kata-kata polos

Cocok sekali ketika anda ingin menggambarkan suara target atau pengiriman dalam bahasa alami ketika masih mengkloning dari sebuah klip referensi. Benchmark ini hanya menggunakan referensi klip saja.

Fish Audio S2 Pro

Kutipan pengiriman yang telah ditetapkan

Yang terbaik ketika naskah membutuhkan saat-saat eksplisit seperti tertawa, berbisik, kegembiraan, atau kesedihan.

Qwen3-TTS Base

Reference- audio ICL

Menggunakan klip dan transkrip FLEURS sebagai pengkondisian konteks. Ini adalah jalur Qwen3-TTS yang sebanding untuk cloning sample- berbasis di atas meja.

F5-TTS

Flag benih Speed +

Tidak ada tag inline; --f5-speed skala mondar-mandir dan --f5-seed pin aliran persis - paling bersih dari cloners cepat.

Higgs TTS 3

Token kontrol inline

& lt; 134; emosi:... 12.4; & gt;, gaya & lt; 24;: whispering liverly 124; & lt; 124; sfx: laughter 14; & Morty; and prosody tags placed strayed straight in the target text.

IndexTTS2

Preset emosi + vektor

--indextts2-emotion presets atau sebuah vektor nilai 8-, ditimbang, ditambah sebuah gaya berbeda-referensi klip dan speaking-rate kontrol.

Benchmark sengaja meninggalkan kontrol netral yang membuat pembicara serupa terikat pada referensi FLEURS daripada menghadiahi model untuk menambahkan emosi ekstra, berbisik, berteriak, atau tertawa.

Membaca hasilnya

Perlakukan ini sebagai cek compact engineering, bukan leaderboard. Sepuluh pasangan acuan / target per bahasa lebih berguna daripada sebuah kalimat demo tunggal, tapi masih terlalu kecil untuk memmahkotai pemenang universal. Cara membaca yang berguna adalah dimana model stabil atau rapuh untuk bahasa dan metrik tertentu.

Fish Audio dan Qwen3-TTS sering skor lebih baik di UTMOS bahkan ketika model lain memiliki cos speaker yang lebih tinggi. Qwen3-TTS Dasar ICL disertakan untuk bahasa Inggris, Jerman, Spanyol, dan Cina; dalam hal ini, yang paling kuat sebagai dasar naturalness / teks-dasar pemulihan, sementara berdedikasi model kloning tetap kompetitif pada identitas speaker.

Coba tumpukan

Speech Studio

Aplikasi desktop lokal untuk mengkloning suara dan render skrip multi- speaker pada mesin Anda.

Buka Speech Studio

Awan Soniqo

Host titik akhir untuk menguji tumpukan pidato yang sama sebelum kabel ke dalam produk.

Buka soniqo.audio / awan

Docs Kloning Suara Kertas evaluasi VoxCPM