Automatische vertaling · Engels origineel

Klonen van stemmen benchmarks

July 2, 2026

Voice klonen modellen, gemeten in vijf talen.

We hebben tien FLEURS referentieluidsprekers per taal gekloond, tien uitgehouden FLEURS doelzinnen gegenereerd, vervolgens gemiddelde luidsprekergelijkvormigheid, WER/CER, UTMOS voorspelde kwaliteit en steady-state snelheid. De spelers hieronder tonen één representatieve referentie en gegenereerde output van dezelfde run.

English Filipino (Tagalog)Italiano Bahasa Indonesia PolskiNederlandsSvenska עברית Norsk bokmål Dansk Română Čeština Suomi Español Deutsch Français Português Русский 中文日本語 한국어 हिन्दी العربية Tiếng Việt Türkçe ไทย

Engels

FLEURS test/en_us, 10 referentie/doelparen

Humane ASR vloer: 3.5% WER op het originele FLEURS doelaudio.

Model	Precisie	Cosinus	WER	UTMOS	Audio μ	RTF med.	Piek 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

Duits

FLEURS test/de_de, 10 referentie/doelparen

Humane ASR vloer: 11.4% WER op het originele FLEURS doelaudio.

Model	Precisie	Cosinus	WER	UTMOS	Audio μ	RTF med.	Piek 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 Standaard Arabisch

FLEURS test/ar_eg, 10 referentie/doelparen

Humane ASR vloer: 32.8% WER op het originele FLEURS doelaudio.

Model	Precisie	Cosinus	WER	UTMOS	Audio μ	RTF med.	Piek 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

Spaans

FLEURS test/es_419, 10 referentie/doelparen

Humane ASR vloer: 10.6% WER op het originele FLEURS doelaudio.

Model	Precisie	Cosinus	WER	UTMOS	Audio μ	RTF med.	Piek 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

Chinees

FLEURS test/cmn_hans_cn, 10 referentie/doelparen

Humane ASR vloer: 7.6% CER op het originele FLEURS doelaudio.

Model	Precisie	Cosinus	CER	UTMOS	Audio μ	RTF med.	Piek 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

Waarden zijn gemiddelden van meer dan tien gegenereerde clips per ondersteunde taal, behalve RTF, die de mediaan gebruikt om koude-start timing uitschieters te vermijden. Hogere luidspreker cosinus betekent dat de gegenereerde clip dichter bij de FLEURS referentie speaker inbedding. WER/CER betekent dat de gevraagde tekst schoner is hersteld; Chinees is gescoord met CER, de andere talen met WER Hoger UTMOS is een no-reference voorspelde natuurlijkheid score op een 1-5 schaal. RTF Een dashboard betekent dat de batchrun geen betrouwbare timing voor die rij heeft opgeleverd. Dit zijn technische regressiemetrics, geen menselijk MOS-paneel. Qwen3-ASR scorer is niet even schoon op elke taal: op de oorspronkelijke mens FLEURS doelclips in deze set, de basisfout is 3.5% Engels WER, 11.4% Duits WER, 32.8% Arabisch WER, 10.6% Spaans WERen 7.6% Chinees CER. Lezen WER/CER als een tekst-herstel stress signaal, niet als een pure TTS kwaliteit score. Precisie wordt vermeld per rij: VoxCPM2De volledige openbare beslissing Swift pad is bf16, terwijl OmniVoice wordt getoond met de gepubliceerde int8 bundel omdat de fp16 ruggengraat werd niet gebruikt voor deze gepubliceerde run. Gekwantiseerde rijen kunnen zowel kwaliteit als snelheid veranderen, dus de tabel bevat alleen het werkelijke pad gemeten voor elke rij.

F5-TTS, Higgs TTS 3en IndexTTS2 rijen werden gemeten juli 12, 2026 op hetzelfde FLEURS testsets en scorecommando's (n=10 per taal; UTMOS22-strong); hun RTF Het is de single-sentence benchmark figuur, en Peak RSS komt van een CLI kloon run waar de motor schepen in de speech CLI.

Input- en outputmonstersnelheden

Bron	Rol	Percentage
FLEURS references	Invoerreferentie	16 kHz
OmniVoice / Chatterbox	Gegenereerde uitvoer	24 kHz
Qwen3-TTS Base ICL	Gegenereerde uitvoer	24 kHz
Fish Audio S2 Pro	Gegenereerde uitvoer	44.1 kHz
VoxCPM2	Gegenereerde uitvoer	48 kHz
F5-TTS / Higgs TTS 3	Gegenereerde uitvoer	24 kHz
IndexTTS2	Gegenereerde uitvoer	22.05 kHz

De referenties zijn 16 kHz, dus ze bevatten alleen waarneembaar bewijs tot ongeveer 8 kHz. Hogere-snelheid uitgangen kunnen meer open klinken omdat ze behouden of synthetiseren meer hoge-band adem, sibilantie, en kamer detail, maar 44,1 of 48 kHz uitgang betekent niet automatisch een betere kloon. De meeste luidspreker identiteit en begrijpelijkheid cues leven ver onder die hoge band, terwijl buitensporige hoge frequentie energie kan een stem scherp voelen zelfs wanneer WER en luidspreker cosine ziet er goed uit.

Referentie audio en gegenereerde klonen

Referentie: Engels

Engels

FLEURS test/en_us/6306322369645218273.wav

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

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

OmniVoice

int8 kloon van de Engels referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med.

0.17

VoxCPM2

bf16 kloon van de Engels referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med.

1.11

Chatterbox Multilingual

fp16 kloon van de Engels referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med.

0.76

Fish Audio S2 Pro

fp16 kloon van de Engels referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med.

2.78

Qwen3-TTS Base

1.7B bf16 ICL kloon van de Engels referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med.

1.70

F5-TTS

fp16 kloon van de Engels referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med.

0.57

Higgs TTS 3

bf16 kloon van de Engels referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med.

0.78

IndexTTS2

fp16 kloon van de Engels referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med.

1.0

Referentie: Duits

Duits

FLEURS test/de_de/17047810064400454397.wav

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

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

OmniVoice

int8 kloon van de Duits referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med.

0.22

VoxCPM2

bf16 kloon van de Duits referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med.

1.09

Chatterbox Multilingual

fp16 kloon van de Duits referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med.

1.20

Fish Audio S2 Pro

fp16 kloon van de Duits referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med.

2.80

Qwen3-TTS Base

1.7B bf16 ICL kloon van de Duits referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med.

1.72

Higgs TTS 3

bf16 kloon van de Duits referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med.

0.78

Referentie: Modern Standaard Arabisch

Modern Standaard Arabisch

FLEURS test/ar_eg/747984393569561964.wav

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

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

OmniVoice

int8 kloon van de Modern Standaard Arabisch referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med.

0.18

VoxCPM2

bf16 kloon van de Modern Standaard Arabisch referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med.

1.14

Chatterbox Multilingual

fp16 kloon van de Modern Standaard Arabisch referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med.

1.10

Fish Audio S2 Pro

fp16 kloon van de Modern Standaard Arabisch referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med.

2.83

Higgs TTS 3

bf16 kloon van de Modern Standaard Arabisch referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med.

0.78

Referentie: Spaans

Spaans

FLEURS test/es_419/11137049735103408221.wav

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

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

OmniVoice

int8 kloon van de Spaans referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med.

0.21

VoxCPM2

bf16 kloon van de Spaans referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med.

1.18

Chatterbox Multilingual

fp16 kloon van de Spaans referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med.

1.22

Fish Audio S2 Pro

fp16 kloon van de Spaans referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med.

2.73

Qwen3-TTS Base

1.7B bf16 ICL kloon van de Spaans referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med.

1.76

Higgs TTS 3

bf16 kloon van de Spaans referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med.

0.78

Referentie: Chinees

Chinees

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

Gegenereerde 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 kloon van de Chinees referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med.

0.21

VoxCPM2

bf16 kloon van de Chinees referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med.

1.10

Fish Audio S2 Pro

fp16 kloon van de Chinees referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med.

2.76

Qwen3-TTS Base

1.7B bf16 ICL kloon van de Chinees referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med.

1.73

F5-TTS

fp16 kloon van de Chinees referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med.

0.57

Higgs TTS 3

bf16 kloon van de Chinees referentie. Metrics zijn tien-clip middelen; audio is één representatief monster.

Cosinus μ

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med.

0.78

Methode

Datasetverwijzingen, geen handgekozen demo's

De referenties en doelteksten zijn afkomstig van de Google FLEURS testsplit: Engels, Duits, Arabisch, Spaans en Mandarijns Chinees. Voor elke taal hebben we tien referentiefragmenten geselecteerd en elk gekoppeld aan een andere wacht-out FLEURS doelzin, zodat de metrics minder gevoelig zijn voor één eenvoudige of slechte zin. Voor motoren die een referentie-transcript accepteren, werd het exacte FLEURS transcript met de audioprompt doorgegeven.

De scorevorm weerspiegelt de objectieve kant van de VoxCPM-stijl voice klonen evaluatie: begrijpelijkheid via WER/CER, en klonen via speaker-embedden cosinus overeenkomst. De luidspreker encoder hier is Soniqo. speech embed-speaker --engine mlx, dus vergelijk rijen binnen deze tabel, niet rechtstreeks met papieren SIM percentages.

UTMOS wordt berekend met utmos22_strong van SpeechMOS na het resampleren van gegenereerde clips naar 16 kHz. Het geeft een no-reference naturalness signaal dat WER en speaker cosinus missen, maar het is nog steeds een modelvoorspelling in plaats van een menselijke luisterstudie.

Qwen3-TTS Base wordt gemeten met de publieke speech-swift ICL API (Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) met hetzelfde gebruik FLEURS referentie audio en transcript. Het wordt weggelaten voor Arabisch omdat de huidige Qwen3-TTS Hier is geen Arabisch taal ingesteld. ChatterboxDe huidige taallijst bevat Chinees, maar de huidige taallijst is niet beschikbaar. Swift frontend ondersteunt alleen het directe tokenizer pad voor en, ar, hi, de, es, fr, iten pt; de Chinese rij wordt opzettelijk weggelaten tot die frontend landt.

# 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

Waarom meerdere scores?

Een kloon kan klinken als de spreker, maar de verkeerde tekst zeggen, of de tekst duidelijk zeggen terwijl de spreker ontbreekt. Het kan ook overeenkomen met de tekst en luidspreker bij het dragen van hoorbare artefacten. Speaker cosine, WER/CER, en UTMOS vangen verschillende foutmodi, dus alle drie moeten zichtbaar zijn.

Emotie en stijltoeschrijving

OmniVoice

Brede stijl hints

Goed als je een gekloonde speaker met eenvoudige leveringsgeleiding wilt, zoals een kalmer, jonger, lager of fluisterend lees. Deze benchmark gebruikte een neutrale levering.

Chatterbox Multilingual

Uitdrukkingssterkte

Nuttig als je wilt dat dezelfde spreker meer ingetogen of meer geanimeerd klinkt zonder emotietags in de tekst te schrijven. Deze benchmark hield expressiefheid neutraal.

VoxCPM2

Stemrichting in gewone woorden

Sterk fit wanneer u de doelstem of -levering in natuurlijke taal wilt beschrijven terwijl u nog steeds vanuit een referentieclip kloont. Deze benchmark heeft alleen de referentieclip gebruikt.

Fish Audio S2 Pro

Geacteerde leveringssignalen

Het beste wanneer het script expliciete momenten nodig heeft zoals lachen, fluisteren, opwinding, of verdriet. Deze benchmark gebruikte platte tekst zonder acteersignalen.

Qwen3-TTS Base

Referentie-audio ICL

Gebruikt de FLEURS clip en transcript als in-context-conditionering. Dit is het vergelijkbare Qwen3-TTS pad voor op sample gebaseerde klonen in de tabel.

F5-TTS

Snelheid + zaadvlaggen

Geen inline tags; --f5-speed schalen pacing en --f5-seed pinnen de stroom precies de schoonste van de snelle klonen.

Higgs TTS 3

Inline controle tokens

Emotion: .......> <

IndexTTS2

Emotievoorinstellingen + vectoren

--indextts2-emotion presets of een 8-waarde vector, gewogen, plus een aparte stijlreferentie clip en spraaksnelheidscontrole.

De benchmark laat deze controles opzettelijk neutraal. Dat houdt luidspreker overeenkomst gebonden aan de FLEURS referentie in plaats van het belonen van een model voor het toevoegen van extra emotie, fluisteren, schreeuwen of lachen.

Het resultaat lezen

Beschouw dit als een compacte technische controle, niet als een leaderboard. Tien referentie/doelparen per taal zijn nuttiger dan een enkele demo zin, maar nog steeds te klein om een universele winnaar te kronen. De nuttige lezing is waar een model stabiel of broos is voor een specifieke taal en metriek.

Fish Audio en Qwen3-TTS score vaak beter op UTMOS zelfs als een ander model een hogere speaker cosine heeft. Qwen3-TTS

Probeer de stapel

Speech Studio

Lokale desktop-app voor het klonen van stemmen en het renderen van multi-luidsprekers scripts op uw machine.

Open Speech Studio

Soniqo Cloud

Gehost eindpunt voor het testen van dezelfde spraak stack voordat bedrading het in een product.

Open soniqo.audio/cloud

Spraakklonende documenten VoxCPM-evaluatiedocument