开源语音合成不该再等几周听感票

开源语音合成模型在 Hub 上已经过八千个，人工听感榜要排上好几周。Hugging Face 2026-09-30 的博文放出 Open TTS Leaderboard，先用客观指标在几小时内筛一圈，再把听感留给人工。评测脚本仓是 huggingface/open-tts-leaderboard，Apache-2.0，本轮看到 3 星、4 次提交。在线榜在 hf-audio 的 open_tts_leaderboard 空间，本轮打开时还在拉元数据，下面的名次以博文当时点名的模型为准，不是本轮刷新后的实时表。博文由评测组加上社区贡献者署名，本轮不把个人名字抄进正文。

英语分高，带不到别的语言

默认排名用英语词错率的宏平均，来源是 Seed-TTS Eval 和 CV3-Eval 的英语子集。Seed-TTS 只覆盖英语和中文，论文号写在 2406.02430。其余语言走 CV3 零样本，每语 500 条，页面写了法、西、日、韩、意、德、俄，论文号 2505.17589。中日韩用字错率。博文原句写得很直：英语好，不保证换语言还好。当时公开权重在另一家人工竞技场的 92 个模型里只占 16 个，所以这张客观榜把开源模型单独摊开。空间页显示收藏 42、社区讨论 2，本轮打开时状态还停在拉取元数据，不把空表当成零模型。

可懂度用 Qwen3-ASR 算词错率或字错率。速度分两路：批跑的实时倍率写在 H200 上，首字时延按批大小 1 做流式。音色像不像用 WavLM 向量的余弦，只给带克隆的模型。仓库还写了生成用一张 H200，转写和相似度用 L4，首字时延可以落到 A100 或 CPU。英语首字时延用 CV3 的 50 条提示，预热 3 条之后取中位。冒烟例子里 Seamless M4T v2 large 的 CV3 英语词错率 4.55%、实时倍率 23.01，Seed 英语词错率写成 0.00%、实时倍率 19.46，合成 2.27% 和 21.19。这是脚本仓的冒烟数，不是全榜冠军。

博文点过的名字，先当快照

英语词错率当时点到 hexgrad/Kokoro-82M、Supertone/supertonic-3、fishaudio/s2-pro。多语言点到 k2-fsa/OmniVoice、fishaudio/s2-pro、FunAudioLLM/Fun-CosyVoice3-0.5B-2512。克隆词错率点到 bosonai/higgs-tts-3-4b、openbmb/VoxCPM2。流式首字点到 kyutai/pocket-tts。空间上的听感页要登录才能投票。投稿还没有单独通道，脚本公开后走 Issues 和 PR。Seed-TTS 和 CV3 的许可证不允许再分发，要自己做私有副本再改环境变量。跑通一条链路还要账号、计费、可写令牌和对象存储，再按各模型目录里的提交脚本丢到 Hugging Face Jobs。

这张榜补的是筛选速度，不是听感的终审。人工竞技场还在，只是不必先听几周才知道开源模型大概排在哪。本轮没有代跑 H200，也没有把空间里仍在刷新的格子抄进正文。若要复现，先按脚本仓建 Python 3.12 环境，再决定是只看英语宏平均，还是把 CV3 那几门语言一并打开。站点里已有若干合成工具稿，这篇只写评测栈和当时点名的快照。