Boses ng boses cloning Mga benkmark

July 2, 2026

Ang mga modelo ng pag - clone ng tinig, na may sukat na limang wika.

Kami'y nag - clone ng sampu FLEURS tagapagsalita ng mga reperensiya sa bawat wika, lumikha ng sampung stand-out FLEURS puntiryang mga pangungusap, pagkatapos ay ang karaniwang pagkakahawig ng tagapagsalita, WER/CER, UTMOS Hinulaan ang kalidad, at patuloy na-state speed. Ang mga manlalaro sa ibaba ay nagpapakita ng isang kinatawang reperensiya at lumikha ng output mula sa parehong pagtakbo.

EnglishFilipino (Tagalog)Italiano Bahasa Indonesia Polski 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

Tagalog

FLEURS test/en_us, 10 reference/target na pares

Human ASR palapag: 3.5% WER sa orihinal na FLEURS target audio.

Huwaran	Pag - iingat	Cosine	WER	UTMOS	Isang Audio ić	RTF med.	Pinakamataas na RS
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

Aleman

FLEURS test/de_de, 10 reference/target na pares

Human ASR palapag: 11.4% WER sa orihinal na FLEURS target audio.

Huwaran	Pag - iingat	Cosine	WER	UTMOS	Isang Audio ić	RTF med.	Pinakamataas na RS
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

Makabagong Pamantayang Arabe

FLEURS test/ar_eg, 10 reference/target na pares

Human ASR palapag: 32.8% WER sa orihinal na FLEURS target audio.

Huwaran	Pag - iingat	Cosine	WER	UTMOS	Isang Audio ić	RTF med.	Pinakamataas na RS
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

Kastila

FLEURS test/es_419, 10 reference/target na pares

Human ASR palapag: 10.6% WER sa orihinal na FLEURS target audio.

Huwaran	Pag - iingat	Cosine	WER	UTMOS	Isang Audio ić	RTF med.	Pinakamataas na RS
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

Tsino

FLEURS test/cmn_hans_cn, 10 reference/target na pares

Human ASR palapag: 7.6% CER sa orihinal na FLEURS target audio.

Huwaran	Pag - iingat	Cosine	CER	UTMOS	Isang Audio ić	RTF med.	Pinakamataas na RS
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

Ang mga pamantayan ay nangangahulugan ng mahigit sa sampung lip bawat suportadong wika, maliban sa sampung gawang clip sa bawat wika RTF, na gumagamit ng median upang maiwasan ang mga cold-start time outliers. Ang mas mataas na speaker cosine ay nangangahulugang ang nalilikhang clip ay mas malapit sa nalilikha na clip FLEURS nakabababang tagapagsalita WER/CER ay nangangahulugang mas malinis ang pagkakabawi sa hiniling na teksto; ang Intsik ay tinantiya CER, ang ibang mga wika kasama ang WER. Mas mataas UTMOS ay isang no-reference na hinulaang naturalness score sa isang a 1-5 Ibaba. RTF Ang gatlang ay nangangahulugang ang takilya ay hindi nakagawa ng mapananaligang tiyempo para sa hanay na iyon. Qwen3-ASR Ang iskor ay hindi rin malinis sa bawat wika: sa orihinal na tao FLEURS target clips sa set na ito, ang baseline error nito ay 3.5% Tagalog WER, 11.4% Aleman WER, 32.8% Arabe WER, 10.6% Kastila WER, at 7.6% Tsino CER. Basahin WER/CER bilang text-recovery stress signal, hindi bilang isang dalisay TTS Halaga ng kalidad. Ang precision ay nakatala sa bawat hanay: VoxCPM2 Mga xips pampublikong full-precision Swift Path ay bf16, habang OmniVoice ay ipinakikita sa pamamagitan ng inilathala int8 nakabulón dahil sa ang fp16 Hindi ginamit ang gulugod para sa inilathalang takbuhang ito, kaya ang mga Quantized row ay maaaring magbago ng parehong kalidad at bilis, kaya ang mesa ay kinabibilangan lamang ng aktuwal na landas na sinusukat sa bawat hanay.

F5-TTS, Higgs TTS 3, at IndexTTS2 Sinukat ang mga hanay Hulyo 12, 2026 sa gayunding paraan FLEURS subukan ang mga set at naka-publish na utos (n=10 bawat wika; UTMOS22-strong); ang kanilang RTF ay ang release one-sensentence benchemark figure, at Peak RSS ay galing sa isang CLI clone run kung saan ang mga engine barko sa speech CLI.

Ipininta at output sampol na halaga

Pinagmumulan	Ang Papel	Bilis
FLEURS references	Binabanggit ang	16 kHz
OmniVoice / Chatterbox	Nilagyan ng "Generate "	24 kHz
Qwen3-TTS Base ICL	Nilagyan ng "Generate "	24 kHz
Fish Audio S2 Pro	Nilagyan ng "Generate "	44.1 kHz
VoxCPM2	Nilagyan ng "Generate "	48 kHz
F5-TTS / Higgs TTS 3	Nilagyan ng "Generate "	24 kHz
IndexTTS2	Nilagyan ng "Generate "	22.05 kHz

Ang mga reperensiya ay 16 kHz, kaya ang mga ito ay naglalaman lamang ng nakikitang katibayan hanggang sa paano man 8 Ang kHz. Higher-rate outputs ay maaaring maging tunog na mas bukas dahil ang mga ito ay nag-iingat o nagreresulta ng mas mataas na-band na hininga, sibibilidad, at detalye ng silid, ngunit ang mga ito'y nag-iingat ng mas maraming mataas-based na paghinga, sibibilisan, at mga detalye ng silid-aralan, 44.1 o 48 Karamihan sa mga speaker identity at intelligence cue ay nabubuhay sa ibaba ng mataas na band na iyon, samantalang ang labis na mataas na enerhiyang high-frequency ay maaaring magpadama sa isang boses na matalim kahit na kung kailan pa ito. WER at ang tagapagsalitang cosine ay mukhang maganda.

Reference audio at nalikhang mga clone

Sanggunian: Tagalog

Tagalog

FLEURS test/en_us/6306322369645218273.wav

Listahan ng mga reperensiya: One can only wonder what the keyboard will become when something newer comes along.

Naka - Generated na teksto: While he was working at the hospital Liggins began to investigate premature labor during his spare time.

OmniVoice

int8 clone mula sa Tagalog reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med.

0.17

VoxCPM2

bf16 clone mula sa Tagalog reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med.

1.11

Chatterbox Multilingual

fp16 clone mula sa Tagalog reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med.

0.76

Fish Audio S2 Pro

fp16 clone mula sa Tagalog reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med.

2.78

Qwen3-TTS Base

1.7B bf16 ICL clone mula sa Tagalog reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med.

1.70

F5-TTS

fp16 clone mula sa Tagalog reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med.

0.57

Higgs TTS 3

bf16 clone mula sa Tagalog reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med.

0.78

IndexTTS2

fp16 clone mula sa Tagalog reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med.

1.0

Sanggunian: Aleman

Aleman

FLEURS test/de_de/17047810064400454397.wav

Listahan ng mga reperensiya: Wenn man eine romanische Sprache spricht, ist es natürlich leichter, Portugiesisch zu erlernen.

Naka - Generated na teksto: Die Oberfläche des Mondes besteht aus Gestein und Staub. Die äußere Schicht des Mondes wird als Kruste bezeichnet.

OmniVoice

int8 clone mula sa Aleman reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med.

0.22

VoxCPM2

bf16 clone mula sa Aleman reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med.

1.09

Chatterbox Multilingual

fp16 clone mula sa Aleman reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med.

1.20

Fish Audio S2 Pro

fp16 clone mula sa Aleman reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med.

2.80

Qwen3-TTS Base

1.7B bf16 ICL clone mula sa Aleman reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med.

1.72

Higgs TTS 3

bf16 clone mula sa Aleman reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med.

0.78

Sanggunian: Makabagong Pamantayang Arabe

Makabagong Pamantayang Arabe

FLEURS test/ar_eg/747984393569561964.wav

Listahan ng mga reperensiya: المناطق الكبيرة في الشمال هي مناطق قليلة السكان نوعا ما والبعض غير مأهول تقريبا.

Naka - Generated na teksto: قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice

int8 clone mula sa Makabagong Pamantayang Arabe reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med.

0.18

VoxCPM2

bf16 clone mula sa Makabagong Pamantayang Arabe reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med.

1.14

Chatterbox Multilingual

fp16 clone mula sa Makabagong Pamantayang Arabe reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med.

1.10

Fish Audio S2 Pro

fp16 clone mula sa Makabagong Pamantayang Arabe reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med.

2.83

Higgs TTS 3

bf16 clone mula sa Makabagong Pamantayang Arabe reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med.

0.78

Sanggunian: Kastila

Kastila

FLEURS test/es_419/11137049735103408221.wav

Listahan ng mga reperensiya: Las escenas se proyectan en las pirámides y todas ellas son iluminadas.

Naka - Generated na teksto: La segregación y la recombinación barajan la variación entre uno y otro generación tras generación.

OmniVoice

int8 clone mula sa Kastila reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med.

0.21

VoxCPM2

bf16 clone mula sa Kastila reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med.

1.18

Chatterbox Multilingual

fp16 clone mula sa Kastila reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med.

1.22

Fish Audio S2 Pro

fp16 clone mula sa Kastila reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med.

2.73

Qwen3-TTS Base

1.7B bf16 ICL clone mula sa Kastila reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med.

1.76

Higgs TTS 3

bf16 clone mula sa Kastila reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med.

0.78

Sanggunian: Tsino

Tsino

FLEURS test/cmn_hans_cn/6735471425702786619.wav

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

Naka - Generated na teksto: 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 clone mula sa Tsino reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med.

0.21

VoxCPM2

bf16 clone mula sa Tsino reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med.

1.10

Fish Audio S2 Pro

fp16 clone mula sa Tsino reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med.

2.76

Qwen3-TTS Base

1.7B bf16 ICL clone mula sa Tsino reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med.

1.73

F5-TTS

fp16 clone mula sa Tsino reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med.

0.57

Higgs TTS 3

bf16 clone mula sa Tsino reference. ang mga metriko ay sampung-clip na paraan; ang audio ay isang representative sampol.

Cosine earrient

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med.

0.78

Pamamaraan

Mga reperensiya sa datos, hindi mga demo na may pick na pangkamay

Ang mga reperensiya at tinatarget na teksto ay nagmula sa Google FLEURS test split: Ingles, Aleman, Arabe, Kastila, at Mandarin Tsino.Para sa bawat wika, pumili kami ng sampung reperensiyang clips at nagtambal ang bawat isa sa iba't ibang naka-host na FLEURS target na pangungusap, kaya ang mga metric ay hindi gaanong sensitibo sa isang madali o masamang pangungusap. Para sa mga makina na tumatanggap ng reperensiyang transcription, ang eksaktong FLEURS transcriplication ay ipinasa sa pamamagitan ng audio quiption.

Ang iskor na hugis ay sumasalamin sa walang kinikilingang panig ng VoxCPM-style voice cloning pagtatasa: intelligence sa pamamagitan ng WER/CER, at cloning sa pamamagitan ng speaker-embelding cosine na pagkakatulad. Ang speaker na recogulator dito ay Soniqoichos speech embed-speaker --engine mlx, kaya ihambing ang mga hanay sa loob ng mesang ito, hindi sa papel na SIM na porsiyento nang tuwiran.

UTMOS ay computed na may utmos22_strong mula sa SpeechMOS matapos ang resumpling na mga lips to 16 kHz. Ito ay nagbibigay ng isang no-reference naturalness signal na WER

Ang Qwen3-TTS Base ay sinusukat sa publikong speech-swift ICL API (XZ)Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) na ginagamit ang gayunding FLEURS Hindi ito ginagamit sa wikang Arabe dahil ang kasalukuyang audio at transcription Qwen3-TTS Hindi kasama rito ang wikang nakalagay dito. Chatterbox Kabilang sa talaan ng mga wika sa itaas ng ilog ang mga Tsino, subalit ang kasalukuyang wika Swift Ang frontend ay sumusuporta lamang sa tuwirang landas ng tokenizer en, ar, hi, de, es, fr, it, at pt; ang hanay ng mga Intsik ay sadyang inaalis hanggang sa mga lupaing iyon sa harap.

# 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

Bakit Napakarami?

Ang isang clone ay maaaring maging katulad ng nagsasalita ngunit sabihin ang maling teksto, o sabihin ang teksto nang malinaw habang nawawala ang tagapagsalita.Ito ay maaari ring tumugma sa teksto at tagapagsalita habang nagdadala ng mga naririnig na artifacts. Speaker cosine, WER/CER, at ang UTMOS ay tumutugis ng iba't ibang mga running mode, kaya't ang lahat ng tatlo ay kailangang makita.

Emosyon at istilo ng pag - aasawa

OmniVoice

Ang malapad na istilo ay nagpapahiwatig

Mabuti kung nais mo ng isang na - clone na tagapagsalita na may simpleng patnubay sa paghahatid, gaya ng isang mas mahinahon, mas bata, mas mababa-pited, o pabulong na pagbasa. Ang benchmark na ito ay gumamit ng neutral na paghahatid.

Chatterbox Multilingual

Lakas ng Loob

Nakatulong sa iyo kung nais mong ang tagapagsalita ring iyon ay magtinging mas napipigil o mas masigla nang hindi isinusulat ang emosyonal na mga marka sa teksto.

VoxCPM2

direksiyon ng boses sa simpleng mga salita

Malakas na sukat kung nais mong ilarawan ang puntiryang tinig o ihatid sa natural na wika samantalang nag - clone pa mula sa isang reperensiyang clip.

Fish Audio S2 Pro

Mga Pahiwatig na Ipinahihiwatig

Ang maliit na markang ito ay gumagamit ng simpleng teksto na walang makikitang mga marka.

Qwen3-TTS Base

Reference-audio ICL

Ginagamit ang FLEURS clip at transcript bilang in-context conditioning. Ito ang kahalintulad na Qwen3-TTS

F5-TTS

Bilis + mga bandila ng binhi

Walang mga inline tag; --f5-speed scales passing at --f5-seed

Higgs TTS 3

Mga tanda ng pagkontrol sa loob

< cimenemotion:...ificult; <ificisty:whisperingift;, < EXiciansfx:ughteriverifgt; at prosody tags na nakalagay nang tuwid sa tinatarget na teksto.

IndexTTS2

Emotion presets + vectors

--indextts2-emotion presets o isang 8-halagang vector, may bigat, at may hiwalay na estilo-reference clip at kontrol sa pagsasalita-rate.

Sadyang iniiwan ng benkmark ang mga kontrol na ito na walang pinapanigan, anupat pinananatiling kahawig ng tagapagsalita ang FLEURS reference sa halip na kapaki - pakinabang na isang modelo para sa pagdaragdag ng karagdagang damdamin, pagbulong, pagsigaw, o pagtawa.

Binabasa ang resulta

Ituring ito bilang isang compact engineering check, hindi isang leaderboard. Ten reference/target pares sa bawat wika ay mas kapaki-pakinabang kaysa sa isang pangungusap na demo, ngunit napakaliit pa rin upang makoronahan ang isang unibersal na panalo. Ang kapaki-pakinabang na pagbasa ay kung saan ang isang modelo ay matatag o malutong para sa isang espesipikong wika at metriko.

Fish Audio at Qwen3-TTS Madalas na nakakuha ng mas mahusay na iskor sa UTMOS kahit na ang isa pang modelo ay may mas mataas na speaker cosine. Qwen3-TTS Base ICL ay kabilang sa Ingles, Aleman, Kastila, at Tsino; sa pagtakbong ito ito ito ay malakas bilang isang naturalness/text-recovery baseline, habang ang mga nakatalagang modelong cloning ay nananatiling paligsahan sa pagkakakilanlan. Ang tamang pagbasa ay per-wika, hindi nanalo.

Subuking magsalansan

Speech Studio

Ang local desktop app para sa mga boses ng cloning at pagsasalin ng mga multi-specker script sa iyong makina.

Open Speech Studio

Soniqo Cloud

Ang pangunahing endpoint para sa pagsubok sa iisang salansan ng mga salita bago ito ibublob sa isang produkto.

Buksan ang soniqo.audio/ulap

Mga doc ng Voice cloning Cheging paper ng VoxCPM