Voice cloning riktmärken

July 2, 2026

Voice kloning modeller, mätt över fem språk.

Vi klonade tio FLEURS referenstalare per språk, genererat tio uttagna FLEURS måldomar, sedan genomsnittlig högtalarlikhet, WER/CER, UTMOS förutspådd kvalitet och steady-state hastighet. Spelarna nedan visar en representativ referens och genererad utgång från samma körning.

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

Engelska engelska engelska

FLEURS test/en_us10 referens/målpar

Mänsklig ASR golv: 3.5% WER på originalet FLEURS målljud.

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

Tyska tyska

FLEURS test/de_de10 referens/målpar

Mänsklig ASR golv: 11.4% WER på originalet FLEURS målljud.

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

Modern standard arabiska

FLEURS test/ar_eg10 referens/målpar

Mänsklig ASR golv: 32.8% WER på originalet FLEURS målljud.

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

Spanska spanska

FLEURS test/es_41910 referens/målpar

Mänsklig ASR golv: 10.6% WER på originalet FLEURS målljud.

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

Kinesiska kinesiska

FLEURS test/cmn_hans_cn10 referens/målpar

Mänsklig ASR golv: 7.6% CER på originalet FLEURS målljud.

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

Värdena är medel över tio genererade klipp per språk, förutom RTF, som använder medianen för att undvika kallstart timing outliers. Högre högtalarkosin betyder att det genererade klippet är närmare det FLEURS referenshögtalare inbäddning. Lägre WER/CER betyder att den begärda texten återhämtades mer ren; kineserna görs med CERde andra språken med WERHögre UTMOS är en no-referens förutspådd naturlighet poäng på en 1-5 Skala. Lägre RTF är snabbare. En dash betyder att batch körningen inte producerar tillförlitlig timing för den raden. Dessa är tekniska regressionsmetri, inte en mänsklig MOS-panel. Qwen3-ASR Score är inte lika ren på alla språk: på den ursprungliga människan FLEURS målklipp i denna uppsättning, dess baslinje fel är 3.5% Engelska engelska engelska WER, 11.4% Tyska tyska WER, 32.8% Arabiska arabiska WER, 10.6% Spanska spanska WERoch 7.6% Kinesiska kinesiska CER. Läs WER/CER som en stresssignal för textåterhämtning, inte som en ren TTS kvalitetspoäng. Precision är listad per rad: VoxCPM2offentlig full-precision Swift Vägen är bf16Och medan OmniVoice visas med den publicerade int8 bunt för att fp16 ryggrad användes inte för denna publicerade körning. Kvantiserade rader kan ändra både kvalitet och hastighet, så tabellen innehåller bara den faktiska vägen som mäts för varje rad.

F5-TTS, Higgs TTS 3och IndexTTS2 raderna mättes juli 12, 2026 på samma sätt FLEURS testuppsättningar och scoringkommandon (n=10 per språk; UTMOS22-strong; deras RTF är lanseringen enkelsentence riktmärke siffra, och Peak RSS kommer från en CLI-klonkörning där motorn fartyg i tal CLI.

Input och output sample rates

Källa	Rollen	Rate
FLEURS references	Input Referens	16 kHz
OmniVoice / Chatterbox	Genererad output	24 kHz
Qwen3-TTS Base ICL	Genererad output	24 kHz
Fish Audio S2 Pro	Genererad output	44.1 kHz
VoxCPM2	Genererad output	48 kHz
F5-TTS / Higgs TTS 3	Genererad output	24 kHz
IndexTTS2	Genererad output	22.05 kHz

Referenserna är 16 kHz, så de innehåller bara observerbara bevis upp till ungefär 8 kHz. Högre ränteutgångar kan låta mer öppna eftersom de bevarar eller syntetiserar mer högbandsandning, sibilans och rumsdetalj, men 44.1 eller 48 kHz-utgång betyder inte automatiskt en bättre klon. De flesta högtalaridentitet och intelligenssignaler lever långt under det höga bandet, medan överdriven högfrekvent energi kan göra en röst skarp även när WER och högtalarkosin ser bra ut.

Referens ljud och genererade kloner

Referens: Engelska engelska engelska

Engelska engelska engelska

FLEURS test/en_us/6306322369645218273.wav

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

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

OmniVoice

int8 Klon från Engelska engelska engelska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med.

0.17

VoxCPM2

bf16 Klon från Engelska engelska engelska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med.

1.11

Chatterbox Multilingual

fp16 Klon från Engelska engelska engelska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med.

0.76

Fish Audio S2 Pro

fp16 Klon från Engelska engelska engelska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med.

2.78

Qwen3-TTS Base

1.7B bf16 ICL Klon från Engelska engelska engelska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med.

1.70

F5-TTS

fp16 Klon från Engelska engelska engelska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med.

0.57

Higgs TTS 3

bf16 Klon från Engelska engelska engelska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med.

0.78

IndexTTS2

fp16 Klon från Engelska engelska engelska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med.

1.0

Referens: Tyska tyska

Tyska tyska

FLEURS test/de_de/17047810064400454397.wav

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

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

OmniVoice

int8 Klon från Tyska tyska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med.

0.22

VoxCPM2

bf16 Klon från Tyska tyska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med.

1.09

Chatterbox Multilingual

fp16 Klon från Tyska tyska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med.

1.20

Fish Audio S2 Pro

fp16 Klon från Tyska tyska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med.

2.80

Qwen3-TTS Base

1.7B bf16 ICL Klon från Tyska tyska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med.

1.72

Higgs TTS 3

bf16 Klon från Tyska tyska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med.

0.78

Referens: Modern standard arabiska

Modern standard arabiska

FLEURS test/ar_eg/747984393569561964.wav

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

Genererad text: قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice

int8 Klon från Modern standard arabiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med.

0.18

VoxCPM2

bf16 Klon från Modern standard arabiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med.

1.14

Chatterbox Multilingual

fp16 Klon från Modern standard arabiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med.

1.10

Fish Audio S2 Pro

fp16 Klon från Modern standard arabiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med.

2.83

Higgs TTS 3

bf16 Klon från Modern standard arabiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med.

0.78

Referens: Spanska spanska

Spanska spanska

FLEURS test/es_419/11137049735103408221.wav

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

Genererad text: La segregación y la recombinación barajan la variación entre uno y otro generación tras generación.

OmniVoice

int8 Klon från Spanska spanska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med.

0.21

VoxCPM2

bf16 Klon från Spanska spanska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med.

1.18

Chatterbox Multilingual

fp16 Klon från Spanska spanska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med.

1.22

Fish Audio S2 Pro

fp16 Klon från Spanska spanska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med.

2.73

Qwen3-TTS Base

1.7B bf16 ICL Klon från Spanska spanska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med.

1.76

Higgs TTS 3

bf16 Klon från Spanska spanska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med.

0.78

Referens: Kinesiska kinesiska

Kinesiska kinesiska

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

Genererad text: 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 från Kinesiska kinesiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med.

0.21

VoxCPM2

bf16 Klon från Kinesiska kinesiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med.

1.10

Fish Audio S2 Pro

fp16 Klon från Kinesiska kinesiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med.

2.76

Qwen3-TTS Base

1.7B bf16 ICL Klon från Kinesiska kinesiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med.

1.73

F5-TTS

fp16 Klon från Kinesiska kinesiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med.

0.57

Higgs TTS 3

bf16 Klon från Kinesiska kinesiska referens. Metrics är tio-klipp medel; ljud är ett representativt prov.

Cosine μ

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med.

0.78

Metod

Dataset referenser, inte handplockade demos

Referenser och måltexter kommer från Google FLEURS testklyfta: engelska, tyska, arabiska, spanska och mandarin kinesiska. För varje språk valde vi tio referensklipp och parade ihop var och en med en annan utsedd. FLEURS måldom, så mätvärdena är mindre känsliga för en enkel eller dålig mening. För motorer som accepterar en referensavskrift, exakt FLEURS transkript överfördes med ljudet prompt.

Poängformen speglar den objektiva sidan av VoxCPM-stil röst kloning utvärdering: intelligens via WER / CER, och kloning via högtalar-inbäddande kosin likhet. Högtalaren kodare här är Soniqo: s speech embed-speaker --engine mlxJämför rader i den här tabellen, inte mot papper SIM-procent direkt.

UTMOS beräknas med utmos22_strong Från SpeechMOS efter återförsäljning genererade klipp till 16 kHz. Det ger en no-referens naturlighet signal att WER och högtalare kosin miss, men det är fortfarande en modell förutsägelse snarare än en mänsklig lyssningsstudie.

Qwen3-TTS Base mäts med den offentliga speech-swift ICL API (ZXQXZ)Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) Använda samma FLEURS referensljud och transkript. Det utelämnas för arabiska eftersom den nuvarande Qwen3-TTS Språket som utsätts här inkluderar inte arabiska. Chatterbox’ s uppströms språklista innehåller kinesiska, men den nuvarande Swift frontend stöder endast den direkta tokenizerbanan för en, ar, hi, de, es, fr, itoch ptDen kinesiska raden utelämnas avsiktligt till dess att frontend landar.

# 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

Varför flera poäng?

En klon kan låta som högtalaren men säga fel text, eller säga texten tydligt samtidigt saknas högtalaren. Det kan också matcha texten och högtalaren medan du bär hörbara artefakter. Speaker-kosin, WER / CER och UTMOS fånga olika fellägen, så alla tre måste vara synliga.

Emotion och stil attribution

OmniVoice

Broad stil tips

Bra när du vill ha en klonad högtalare med enkel leveransvägledning, till exempel en lugnare, yngre, lägre tonhöjd eller viskade läsa. Detta riktmärke använde en neutral leverans.

Chatterbox Multilingual

Expressivitet styrka

Användbart när du vill att samma högtalare ska låta mer återhållsam eller mer animerad utan att skriva känslor taggar i texten. Detta riktmärke höll uttrycks neutralt.

VoxCPM2

Röstriktning i enkla ord

Stark passform när du vill beskriva målrösten eller leveransen på naturligt språk medan du fortfarande klonar från ett referensklipp. Detta riktmärke använde referensklipet endast.

Fish Audio S2 Pro

Aktade leverans signaler

Bäst när manuset behöver uttryckliga stunder som att skratta, viska, spänning eller sorg. Detta riktmärke använde vanlig text utan att agera signaler.

Qwen3-TTS Base

Referens-audio ICL

Använder FLEURS klipp och transkript som kontextkonditionering. Detta är den jämförbara Qwen3-TTS väg för provbaserad kloning i tabellen.

F5-TTS

Hastighet + Fröflaggor

Inga inline taggar; --f5-speed skalor pacing och --f5-seed stift flödet exakt - den renaste av de snabba klonarna.

Higgs TTS 3

Inline kontroll tokens

<|emotion:...|>, < |style:whispering | & gt;,<|sfx:laughter | > och prosody taggar placerade rakt i måltexten.

IndexTTS2

Emotion förinställningar + vektorer

--indextts2-emotion förinställningar eller en 8-värde vektor, viktad, plus en separat stil-referens klipp och talhastighet kontroll.

Riktmärket lämnar avsiktligt dessa kontroller neutrala. Det håller högtalarlikheten knuten till FLEURS referens istället för att belöna en modell för att lägga till extra känslor, viskning, skrik eller skratt.

Läsa resultatet

Behandla detta som en kompakt ingenjörskontroll, inte en leaderboard. Tio referens / målpar per språk är mer användbara än en enda demo meningen, men fortfarande för liten för att krona en universell vinnare. Den användbara läsning är där en modell är stabil eller spröd för ett visst språk och metrisk.

Fish Audio och Qwen3-TTS gör ofta bättre på UTMOS även när en annan modell har ett högre högtalarkosin. Qwen3-TTS Base ICL ingår för engelska, tyska, spanska och kinesiska; i denna kör är det starkast som en naturlighet / text-återhämtningsbaslinje, medan dedikerade kloningsmodellerna förblir konkurrenskraftiga på högtalaridentitet. Rätt läsning är per-language tradeoffs, inte en enda vinnare.

Prova stacken

Speech Studio

Lokal skrivbordsapp för kloning röster och göra multi-talare skript på din maskin.

Open Speech Studio

Soniqo Cloud

Hosted endpoint för att testa samma talstapel innan du kopplar den till en produkt.

Open soniqo.audio/cloud

Voice cloning docs VoxCPM utvärderingspapper