Voice kloning benchmarks

July 2, 2026

Stemmekloning modeller, målt på fem språk.

Vi klonet ti FLEURS referansehøyttalere per språk, generert ti hold-out FLEURS målsetninger, deretter gjennomsnittlig høyttalerlikhet, WER/CER, UTMOS forventet kvalitet, og steady-state-hastighet. Spillerne nedenfor viser en representativ referanse og generert utdata fra samme løp.

English Filipino (Tagalog)Italiano Bahasa Indonesia Polski Nederlands Svenska עבריתNorsk bokmålDansk Română 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 referanse/målpar

Human ASR gulv: 3.5% WER på originalen FLEURS mållyd.

Modell	Precision	Cosine	WER	UTMOS	Audio μ	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 referanse/målpar

Human ASR gulv: 11.4% WER på originalen FLEURS mållyd.

Modell	Precision	Cosine	WER	UTMOS	Audio μ	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 referanse/målpar

Human ASR gulv: 32.8% WER på originalen FLEURS mållyd.

Modell	Precision	Cosine	WER	UTMOS	Audio μ	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 referanse/målpar

Human ASR gulv: 10.6% WER på originalen FLEURS mållyd.

Modell	Precision	Cosine	WER	UTMOS	Audio μ	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 referanse/målpar

Human ASR gulv: 7.6% CER på originalen FLEURS mållyd.

Modell	Precision	Cosine	CER	UTMOS	Audio μ	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

Verdier er midler over ti genererte klipp per støttet språk, unntatt RTF, som bruker medianen til å unngå kalde-start timing utliers. Høyere høyttaler cosinus betyr det genererte klippet er nærmere den FLEURS referansehøyttaler. Nedre WER/CER betyr at den ønskede teksten ble gjenvunnet mer rent; kinesisk er scoret med CERDe andre språkene med WER Høyere UTMOS er en ikke-referanse forventet naturlighet score på en 1-5 skala. Nedre RTF er raskere. En dash betyr at batch-kjøringen ikke produserte pålitelig timing for den raden. Dette er tekniske regresjons metrikker, ikke et menneskelig MOS-panel. Det samme Qwen3-ASR scorer er ikke like rent på alle språk: på det opprinnelige mennesket FLEURS målklipp i dette settet, dens grunnlinjefeil er 3.5% Engelsk WER, 11.4% Tysk WER, 32.8% Arabisk WER, 10.6% Spansk WER, og 7.6% Kinesisk CERLes WER/CER som et tekst-gjenvinningsstresssignal, ikke som et rent TTS kvalitet score. Precision er oppført per rad: VoxCPM2 offentlig full-presisjon Swift Veien er bf16, mens OmniVoice er vist med den publiserte int8 bunt fordi fp16 ryggraden ble ikke brukt for dette publiserte løp. Quantized rader kan endre både kvalitet og hastighet, slik at tabellen bare omfatter den faktiske banen målt for hver rad.

F5-TTS, Higgs TTS 3, og IndexTTS2 radene ble målt juli 12, 2026 På samme FLEURS testsett og scorekommandoer (n=10 per språk; UTMOS22-strong;) RTF er frigivelses-entens benchmark figur, og Peak RSS kommer fra en CLI klon kjøre hvor motor skipene i tale CLI.

Inn- og utgangsprøvehastigheter

Kilde	Rolle	Pris
FLEURS references	Inngangsreferanse	16 kHz
OmniVoice / Chatterbox	Generert utdata	24 kHz
Qwen3-TTS Base ICL	Generert utdata	24 kHz
Fish Audio S2 Pro	Generert utdata	44.1 kHz
VoxCPM2	Generert utdata	48 kHz
F5-TTS / Higgs TTS 3	Generert utdata	24 kHz
IndexTTS2	Generert utdata	22.05 kHz

Referansene er 16 kHz, så de inneholder bare observerbare bevis opp til omtrent 8 kHz. Høyere rate-utganger kan høres mer åpent fordi de bevarer eller syntetiserer mer høybåndspust, sibilans og romdetaljer, men 44,1 eller 48 kHz utgang betyr ikke automatisk en bedre klon. De fleste høyttaleridentitet og intelligabilitet cues lever godt under det høye bandet, mens overdreven høyfrekvent energi kan gjøre en stemme føler seg skarp selv når WER og høyttaler cosinus ser bra ut.

Referanselyd og genererte kloner

Referanse: Engelsk

Engelsk

FLEURS test/en_us/6306322369645218273.wav

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

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

OmniVoice

int8 klon fra Engelsk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med.

0.17

VoxCPM2

bf16 klon fra Engelsk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med.

1.11

Chatterbox Multilingual

fp16 klon fra Engelsk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med.

0.76

Fish Audio S2 Pro

fp16 klon fra Engelsk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med.

2.78

Qwen3-TTS Base

1.7B bf16 ICL klon fra Engelsk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med.

1.70

F5-TTS

fp16 klon fra Engelsk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med.

0.57

Higgs TTS 3

bf16 klon fra Engelsk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med.

0.78

IndexTTS2

fp16 klon fra Engelsk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med.

1.0

Referanse: Tysk

Tysk

FLEURS test/de_de/17047810064400454397.wav

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

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

OmniVoice

int8 klon fra Tysk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med.

0.22

VoxCPM2

bf16 klon fra Tysk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med.

1.09

Chatterbox Multilingual

fp16 klon fra Tysk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med.

1.20

Fish Audio S2 Pro

fp16 klon fra Tysk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med.

2.80

Qwen3-TTS Base

1.7B bf16 ICL klon fra Tysk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med.

1.72

Higgs TTS 3

bf16 klon fra Tysk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med.

0.78

Referanse: Moderne standard arabisk

Moderne standard arabisk

FLEURS test/ar_eg/747984393569561964.wav

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

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

OmniVoice

int8 klon fra Moderne standard arabisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med.

0.18

VoxCPM2

bf16 klon fra Moderne standard arabisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med.

1.14

Chatterbox Multilingual

fp16 klon fra Moderne standard arabisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med.

1.10

Fish Audio S2 Pro

fp16 klon fra Moderne standard arabisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med.

2.83

Higgs TTS 3

bf16 klon fra Moderne standard arabisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med.

0.78

Referanse: Spansk

Spansk

FLEURS test/es_419/11137049735103408221.wav

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

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

OmniVoice

int8 klon fra Spansk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med.

0.21

VoxCPM2

bf16 klon fra Spansk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med.

1.18

Chatterbox Multilingual

fp16 klon fra Spansk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med.

1.22

Fish Audio S2 Pro

fp16 klon fra Spansk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med.

2.73

Qwen3-TTS Base

1.7B bf16 ICL klon fra Spansk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med.

1.76

Higgs TTS 3

bf16 klon fra Spansk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med.

0.78

Referanse: Kinesisk

Kinesisk

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

Opprettet 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 referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med.

0.21

VoxCPM2

bf16 klon fra Kinesisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med.

1.10

Fish Audio S2 Pro

fp16 klon fra Kinesisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med.

2.76

Qwen3-TTS Base

1.7B bf16 ICL klon fra Kinesisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med.

1.73

F5-TTS

fp16 klon fra Kinesisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med.

0.57

Higgs TTS 3

bf16 klon fra Kinesisk referanse. Metrics er ti-klip midler; lyd er én representativ prøve.

Cosin μ

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med.

0.78

Metode

Datasett-referanser, ikke håndplukkede demoer

Referanser og måltekster kommer fra Google FLEURS testdeling: engelsk, tysk, arabisk, spansk og mandarinkinesisk. For hvert språk valgte vi ti referanseklipp og parret hver med en annen hold-out FLEURS målsetning, så metrikkene er mindre sensitive for en enkel eller dårlig setning. For motorer som aksepterer en referansetranskripsjon, nøyaktig FLEURS trankripsjon ble sendt med lydprompten.

Scoreformen speiler den objektive siden av VoxCPM-stil stemmekloning evaluering: intelligabilitet via WER/CER, og kloning via høyttaler-innbyggende cosinus likhet. Høyttalerkoderen her er Soniqos speech embed-speaker --engine mlx, så sammenligne rader i denne tabellen, ikke mot papir SIM-prosenter direkte.

UTMOS regnes med utmos22_strong fra SpeechMOS etter å ha omforsterkning generert klipp til 16 kHz. Det gir et ikke-referanse naturlighetssignal som WER og høyttaler cosinus misse, men det er fortsatt en modell forutsigelse i stedet for en menneskelig lyttestudie.

Qwen3-TTS Base måles med den offentlige speech-swift ICL API (Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) ved bruk av det samme FLEURS referanselyd og transkripsjon. Det utelates for arabisk fordi det gjeldende Qwen3-TTS språksettet som eksponeres her inkluderer ikke arabisk. Chatterboxs oppstrøms språkliste inkluderer kinesisk, men den nåværende Swift frontend støtter bare den direkte polenizerstien for en, ar, hi, de, es, fr, it, og ptDen kinesiske raden er med vilje utelatt til den 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 poeng?

En klon kan høres ut som høyttaleren, men si feil tekst, eller si teksten tydelig mens man mangler høyttaleren. Den kan også matche teksten og høyttaleren mens man bærer hørbare gjenstander. Høyttaler cosinus, WER/CER, og UTMOS fange forskjellige feilmoduser, så alle tre må være synlige.

Følelse og stil tilskrivelse

OmniVoice

Brede stil hint

Bra når du vil ha en klonet høyttaler med enkel leveringsveiledning, som en roligere, yngre, nederstliggende eller hvisket lese. Dette benchmarket brukte en nøytral levering.

Chatterbox Multilingual

Ekspresjonsstyrke

Nyttig når du vil at den samme høyttaleren skal høres mer begrenset eller mer animert uten å skrive følelser tagger i teksten. Dette benchmarket holdt ekspressivitet nøytral.

VoxCPM2

Stemmeretning i enkle ord

Sterk passform når du ønsker å beskrive målrøysten eller leveringen på naturlig språk mens du fortsatt kloner fra et referanseklipp. Dette benchmarket brukte referanseklippet kun.

Fish Audio S2 Pro

Aktert leveringsavgift

Best når manuset trenger eksplisitte øyeblikk som å le, hviske, spenning eller tristhet. Dette benchmarket brukte vanlig tekst uten å handle cues.

Qwen3-TTS Base

Referanse-audio ICL

Bruker FLEURS klipp og transkripsjon som in-context conditioning. Dette er den sammenlignbare Qwen3-TTS banen for prøvebasert kloning i tabellen.

F5-TTS

Hastighet + frøflagg

Ingen inline tags; --f5-speed skalerer pacing og --f5-seed pins strømmen nøyaktig - den reneste av de raske klonerne.

Higgs TTS 3

Inline kontroll polletter

<Âemotion:...Â>, <çestyle:whisperingÂ>, &lt.Âsfx:latterÂ>* og prosody tags plassert rett i målteksten.

IndexTTS2

Følelsesinnstillinger + vektorer

--indextts2-emotion forhåndsinnstillinger eller en 8-verdi vektor, vektet, pluss et separat stilreferanseklipp og taleratekontroll.

Benchmarket etterlater med vilje disse kontroller nøytral. Det holder høyttalerlikheten bundet til FLEURS referanse i stedet for å belønne en modell for å legge til ekstra følelser, hviske, rope eller latter.

Lese resultatet

Behandle dette som en kompakt ingeniørkontroll, ikke en lederplate. Ti referanse/målpar per språk er mer nyttig enn en enkelt demo setning, men fortsatt for liten til å krone en universell vinner. Den nyttige lesningen er der en modell er stabil eller sprø for et bestemt språk og målestokk.

Fish Audio og Qwen3-TTS scorer ofte bedre på UTMOS selv når en annen modell har en høyere høyttaler cosinus. Qwen3-TTS

Prøv stabelen

Speech Studio

Lokalt desktop app for kloning stemmer og gjengivelse multi-speaker skript på maskinen.

Åpne Speech Studio

Soniqo Sky

Hosted endpoint for å teste den samme talestabelen før du kobler den inn i et produkt.

Åpne soniqo.audio/cloud

Stemmekloning docs VoxCPM evalueringspapir