Traducere automată · Originalul în engleză

Valori de referință pentru clonarea vocală

July 2, 2026

Modele de clonare vocală, măsurate în cinci limbi.

Am clonat zece fraze ţintă FLEURS speakeri de referinţă per limbă, am generat zece boxe de referinţă FLEURS propoziţii ţintă, apoi similitudine medie difuzor, WER/CER, UTMOS calitate estimată şi viteză constantă. Jucătorii de mai jos prezintă o referinţă reprezentativă şi producţie generată din aceeaşi cursă.

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

Engleză

FLEURS test/en_us, 10 perechi de referință/țintă

Uman ASR podea: 3.5% WER pe original FLEURS tinta audio.

Model	Precizie	Cosine	WER	UTMOS	Audio μ	RTF med.	Vârful 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

Germană

FLEURS test/de_de, 10 perechi de referință/țintă

Uman ASR podea: 11.4% WER pe original FLEURS tinta audio.

Model	Precizie	Cosine	WER	UTMOS	Audio μ	RTF med.	Vârful 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

Arabă modernă standard

FLEURS test/ar_eg, 10 perechi de referință/țintă

Uman ASR podea: 32.8% WER pe original FLEURS tinta audio.

Model	Precizie	Cosine	WER	UTMOS	Audio μ	RTF med.	Vârful 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

Spaniolă

FLEURS test/es_419, 10 perechi de referință/țintă

Uman ASR podea: 10.6% WER pe original FLEURS tinta audio.

Model	Precizie	Cosine	WER	UTMOS	Audio μ	RTF med.	Vârful 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

Chineză

FLEURS test/cmn_hans_cn, 10 perechi de referință/țintă

Uman ASR podea: 7.6% CER pe original FLEURS tinta audio.

Model	Precizie	Cosine	CER	UTMOS	Audio μ	RTF med.	Vârful 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

Valorile sunt medii peste zece clipuri generate per limbă acceptată, cu excepția RTF, care utilizează mediana pentru a evita outliers de sincronizare la rece. difuzor mai mare cosine înseamnă clipul generat este mai aproape de FLEURS difuzor de referință înglobare. Mai jos WER/CER inseamna ca textul cerut a fost recuperat mai curat; China este marcat cu CER, celelalte limbi cu WERMai sus. UTMOS este un scor de naturalitate nu de referință prezis pe o 1-5 Scală. RTF este mai rapid. O liniuță înseamnă că rula lot nu a produs timp de încredere pentru acel rând. Acestea sunt indicatori de regresie inginerie, nu un panou MOS uman. Qwen3-ASR scorer nu este la fel de curat pe fiecare limbă: pe omul original FLEURS clipuri țintă în acest set, eroarea de bază este 3.5% Engleză WER, 11.4% Germană WER, 32.8% Arabă WER, 10.6% Spaniolă WER, și 7.6% Chineză CERCiteşte. WER/CER ca un semnal de stres de recuperare a textului, nu ca un semnal pur TTS scorul de calitate. Precizia este listata pe rand: VoxCPM2 bază publică de precizie Swift calea este bf16, în timp OmniVoice este afișată odată cu publicarea int8 pachet deoarece fp16 Coloana vertebrală nu a fost utilizată pentru această cursă publicată. Rândurile cuantizate pot schimba atât calitatea cât și viteza, astfel încât tabelul include doar calea reală măsurată pentru fiecare rând.

Rândurile F5-TTS, Higgs TTSZ3 și IndexTTS2 au fost măsurate în iulie 12. 2026 pe aceleași seturi de încercări FLEURS (n=10 per limbă; UTMOS22-strong); lor RTF este figura de referință de lansare unică, iar Vârful RSS vine de la o clonă CLM rula în cazul în care navele motoare din discursul CL.

Ratele eșantionului de intrare și de ieșire

Sursă	Rol	Rata
FLEURS references	Referință de intrare	16 kHz
OmniVoice / Chatterbox	Ieșire generată	24 kHz
Qwen3-TTS Base ICL	Ieșire generată	24 kHz
Fish Audio S2 Pro	Ieșire generată	44.1 kHz
VoxCPM2	Ieșire generată	48 kHz
F5-TTS / Higgs TTS 3	Ieșire generată	24 kHz
IndexTTS2	Ieșire generată	22.05 kHz

Referintele sunt de 16 kHz, asa ca contin doar dovezi observabile pana la aproximativ 8 kHz. iesirile cu rate mai mari pot suna mai deschise deoarece conserva sau sintetizeaza mai multa respiratie de inalta banda, sibilance, si detaliile camerei, dar iesirea de 44.1 sau 48 kHz nu inseamna automat o clona mai buna. Cele mai multe semne de identitate si inteligibilitate traiesc cu mult sub acea banda de inalta, in timp ce energia excesiva de inalta frecventa poate face o voce sa se simta ascutita chiar si atunci cand WER si difuzorul cosine arata bine.

Clonate audio de referință și generate

Referință: Engleză

Engleză

FLEURS test/en_us/6306322369645218273.wav

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

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

OmniVoice

int8 clonă din referința Engleză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med.

0.17

VoxCPM2

bf16 clonă din referința Engleză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med.

1.11

Chatterbox Multilingual

fp16 clonă din referința Engleză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med.

0.76

Fish Audio S2 Pro

fp16 clonă din referința Engleză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med.

2.78

Qwen3-TTS Base

1.7B bf16 ICL clonă din referința Engleză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med.

1.70

F5-TTS

fp16 clonă din referința Engleză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med.

0.57

Higgs TTS 3

bf16 clonă din referința Engleză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med.

0.78

IndexTTS2

fp16 clonă din referința Engleză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med.

1.0

Referință: Germană

Germană

FLEURS test/de_de/17047810064400454397.wav

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

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

OmniVoice

int8 clonă din referința Germană. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med.

0.22

VoxCPM2

bf16 clonă din referința Germană. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med.

1.09

Chatterbox Multilingual

fp16 clonă din referința Germană. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med.

1.20

Fish Audio S2 Pro

fp16 clonă din referința Germană. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med.

2.80

Qwen3-TTS Base

1.7B bf16 ICL clonă din referința Germană. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med.

1.72

Higgs TTS 3

bf16 clonă din referința Germană. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med.

0.78

Referință: Arabă modernă standard

Arabă modernă standard

FLEURS test/ar_eg/747984393569561964.wav

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

Text generat: قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice

int8 clonă din referința Arabă modernă standard. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med.

0.18

VoxCPM2

bf16 clonă din referința Arabă modernă standard. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med.

1.14

Chatterbox Multilingual

fp16 clonă din referința Arabă modernă standard. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med.

1.10

Fish Audio S2 Pro

fp16 clonă din referința Arabă modernă standard. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med.

2.83

Higgs TTS 3

bf16 clonă din referința Arabă modernă standard. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med.

0.78

Referință: Spaniolă

Spaniolă

FLEURS test/es_419/11137049735103408221.wav

Transcrierea de referință: Las escenas se proyectan en las pirámides y todas ellas son iluminadas.

Text generat: La segregación y la recombinación barajan la variación entre uno y otro generación tras generación.

OmniVoice

int8 clonă din referința Spaniolă. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med.

0.21

VoxCPM2

bf16 clonă din referința Spaniolă. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med.

1.18

Chatterbox Multilingual

fp16 clonă din referința Spaniolă. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med.

1.22

Fish Audio S2 Pro

fp16 clonă din referința Spaniolă. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med.

2.73

Qwen3-TTS Base

1.7B bf16 ICL clonă din referința Spaniolă. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med.

1.76

Higgs TTS 3

bf16 clonă din referința Spaniolă. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med.

0.78

Referință: Chineză

Chineză

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

Text generat: 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 clonă din referința Chineză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med.

0.21

VoxCPM2

bf16 clonă din referința Chineză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med.

1.10

Fish Audio S2 Pro

fp16 clonă din referința Chineză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med.

2.76

Qwen3-TTS Base

1.7B bf16 ICL clonă din referința Chineză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med.

1.73

F5-TTS

fp16 clonă din referința Chineză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med.

0.57

Higgs TTS 3

bf16 clonă din referința Chineză. Metrics sunt medii de zece clip; audio este un eșantion reprezentativ.

Cosină μ

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med.

0.78

Metoda

Referințe de date, nu demo-uri alese manual

Referințele și textele țintă provin de la Google FLEURS Split test: engleză, germană, arabă, spaniolă și chineză mandarină. Pentru fiecare limbă am selectat zece clipuri de referință și am asociat fiecare cu un alt tinut-out FLEURS propoziție țintă, astfel încât indicatorii sunt mai puțin sensibile la o propoziție ușoară sau proastă. Pentru motoarele care acceptă o transcriere de referință, transcrierea exactă FLEURS a fost transmisă cu prompt audio.

Forma scorului reflectă partea obiectivă a evaluării clonării vocii în stilul VoxCPM: inteligibilitate prin intermediul WER/CER, și clonarea prin difuzor-embding cosine similaritate . Encoder difuzor aici este SoniqoS speech embed-speaker --engine mlx, astfel încât să compare rândurile din interiorul acestui tabel, nu împotriva procentajelor de hârtie SIM direct.

UTMOS este calculat cu utmos22_strong din SpeechMOS după reemplingul de clipuri generate la 16 kHz. Acesta oferă un semnal de naturalitate fără referință care WER și difuzor cosine miss, dar este încă o predicție model mai degrabă decât un studiu de ascultare uman.

Baza Qwen3-TTS se măsoară cu speech-swift ICL API (Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) folosind același FLEURS de referință audio și transcriere. Este omis pentru arabă, deoarece curentul Qwen3-TTS limba expusă aici nu include limba arabă. Chatterbox Lista de limbi din amonte include chineză, dar curent Swift frontend suportă doar calea de tokenizer direct pentru en, ar, hi, de, es, fr, it, și pt; rândul chinezesc este omis în mod intenționat până când acest frontend aterizează.

# 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

De ce scoruri multiple?

O clonă poate suna ca vorbitorul, dar spune textul greșit, sau spune textul clar în timp ce lipsește vorbitorul. Se poate potrivi, de asemenea, textul și vorbitorul în timp ce transportă artefacte sonore. Speaker cosine, WER/CER, și UTMOS prinde diferite moduri de eșec, astfel încât toate trei trebuie să fie vizibile.

Emoție și atribuirea stilului

OmniVoice

Indicii în stil larg

Bine atunci când doriți un difuzor clonat cu orientare simplă de livrare, cum ar fi o mai calm, mai tineri, mai mici pițuiți, sau citit șoptit. Acest criteriu de referință folosit o livrare neutră.

Chatterbox Multilingual

Puterea de exprimare

Util atunci când doriți ca același vorbitor să sune mai reținut sau mai animat fără a scrie etichete emoționale în text. Acest criteriu de referință a păstrat expresivitatea neutră.

VoxCPM2

Direcţia vocală în cuvinte simple

Se potrivesc puternic atunci când doriți să descrieți vocea țintă sau livrarea în limba naturală în timp ce încă clonarea dintr-un clip de referință. Acest indice de referință a folosit doar clipul de referință.

Fish Audio S2 Pro

Indicatii de livrare în vigoare

Cel mai bun atunci când scenariul are nevoie de momente explicite cum ar fi râs, șoaptă, emoție, sau tristețe. Acest criteriu de referință folosit text simplu, fără indicii actorie.

Qwen3-TTS Base

Reference-audio ICL

Se utilizează clipul și transcrierea FLEURS ca condiționare în context. Aceasta este calea comparabilă Qwen3-TTS pentru clonarea pe bază de eșantion în tabel.

F5-TTS

Viteză + steaguri de semințe

Nu tag-uri de linie; --f5-speed solzi pacing și --f5-seed pini fluxul exact

Higgs TTS 3

Monede de control Inline

Emotii:... > <

IndexTTS2

Presetări emoție + vectori

--indextts2-emotion presets sau un vector de 8 valori, ponderate, plus un clip separat de referință stil și de control al vitezei de vorbire.

Criteriul de referinţă lasă în mod intenţionat aceste controale neutre. Acest lucru menţine similitudinea difuzorului legată de referinţa FLEURS în loc de recompensarea unui model pentru adăugarea de emoţii suplimentare, şoptind, strigând, sau râs.

Citirea rezultatului

Trataţi acest lucru ca o verificare de inginerie compactă, nu un clasament. Zece perechi de referinţă/ţintă pe limbă sunt mai utile decât o singură propoziţie demo, dar încă prea mici pentru a încorona un câştigător universal. Citirea utilă este în cazul în care un model este stabil sau fragil pentru un anumit limbaj şi metric.

Fish Audio and Qwen3-TTS adesea scorul este mai bun pe UTMOS chiar și atunci când un alt model are un difuzor mai mare cosine. Qwen3-TTS Baza ICL este inclusă pentru limba engleză, germană, spaniolă și chineză; în acest termen este mai puternic ca o naturalitate / text-recuperare de bază, în timp ce modelele de clonare dedicate rămân competitive pe identitatea vorbitorului.

Încearcă stiva.

Speech Studio

Aplicație desktop locală pentru clonarea vocilor și redarea de scripturi multi-speaker pe mașina ta.

Deschis Speech Studio

Soniqo Cloud

Obiectiv găzduit pentru testarea aceluiași stivă vorbire înainte de cablare într-un produs.

Deschide soniqo.audio/cloud

Dosare de clonare vocală Document de evaluare VoxCPM