Hugging Face推出Open TTS Leaderboard，用客观指标评测多语言TTS与语音克隆
该榜单用WER/CER、RTFx、TTFA和说话人相似度等客观指标替代投票式竞技场评测，首屏默认按英语WER排名，Kokoro-82M、supertonic-3、s2-pro领先。
AI解读：Hugging Face上线了Open TTS Leaderboard，专门评测开源和多语言文本转语音模型。它不做人类投票，而是用客观指标算分，因此不直接衡量自然度、表现力或听感偏好。
真正受影响的是选模型做语音助手、有声内容或语音克隆的开发者。榜单默认看英语WER，切换语言后能看到中文、日文、韩文按CER统计，语音克隆模式下还会多出说话人相似度这一列。
客观指标能在几小时内跑完，而竞技场收集投票要花约两周，但榜单不取代人类偏好排名，两者定位不同。
评测脚本后续会开源，作者表示希望社区通过GitHub Issues和PR参与改进，说明当前结果还不是最终形态。
Hugging Face发布Open TTS Leaderboard，一个面向开源与多语言文本转语音（TTS）及语音克隆的可扩展评测榜单。
该榜单不再只靠人类偏好投票，而是用客观指标对模型打分：可懂度用词错误率（WER）和字错误率（CER），速度用批量离线推理的逆实时因子（RTFx）与流式首音频时间（TTFA），音色保持用WavLM说话人嵌入的余弦相似度（SIM）。
Hugging Face称，依赖客观指标后，单个模型的评测时间从收集投票所需的约两周降到约几小时。
榜单明确表示不取代人类偏好排名：基于ASR的WER只是可懂度的代理指标，说话人相似度估计的是音色身份保持，两者都不直接衡量自然度、表现力或听者偏好，但可以反过来帮助投票式榜单决定把哪些模型纳入评测。
默认按英语WER排名，Kokoro-82M等居前
榜单默认视图按Seed TTS Eval英语子集与CV3 Eval（zero shot）英语子集的宏观平均WER排名。
hexgrad/Kokoro-82M、Supertone/supertonic-3、fishaudio/s2-pro在这两个子集的英语WER平均值上处于前列。帕累托图则用于展示哪些模型在WER、批量推理（RTFx）和模型体积之间取得较好平衡。
多语言与语音克隆分开评
英语表现不一定能迁移到其他语言，因此榜单支持切换多语言视图排名。Seed TTS Eval只有英语和中文音频，所以其他语言只取CV3 Eval（zero shot）上的分数。
中文、日文、韩文属于基于字符的语言，因此报告CER；“跨语言平均WER”是对各语言做宏观平均。
根据榜单，k2-fsa/OmniVoice、fishaudio/s2-pro、FunAudioLLM/Fun-CosyVoice3-0.5B-2512是表现较强的多语言模型。
打开“Voice cloning”开关后，可以比较在所选语言上支持语音克隆的模型，表格会新增SIM（说话人相似度）列，并多出两个帕累托图，用于观察SIM、批量推理和体积之间的权衡。
榜单提到，在提供参考音频的语音克隆条件下，bosonai/higgs-tts-3-4b和openbmb/VoxCPM2等模型的平均WER会有所改善。
流式性能单独看TTFA
“Streaming”标签页比较流式能力，按TTFA（首音频时间）排名，衡量用户向模型发起请求后要等多久才能拿到可播放的音频，这对语音智能体和其他交互式应用很重要。
对支持流式的模型（“Streaming API”下打勾），TTFA是首个音频块到达的时间；对非流式模型，则是整段语音生成完成的时间，因为在此之前无法开始播放。
所有模型都按批大小 1 运行，只用一条音频，使用CV3-Eval中相同的 50 条英语提示词，在相同硬件上以默认音色运行；前 3 次运行作为预热丢弃，报告其余运行的中位TTFA。
默认视图比较H200 GPU上的表现，也可查看CPU结果，但覆盖的模型还较少。榜单称kyutai/pocket-tts在GPU和CPU上都是不错的流式模型。
Listen标签与社区反馈
“Listen”标签页可以试听指标背后的生成输出，用户可选语言/数据集、是否比较语音克隆，也可指定模型或随机抽取模型对比。榜单称这填补了现有TTS榜单的一个空缺，即提供一个浏览各模型输出的地方，并允许对生成结果给出反馈。
投票需要登录Hugging Face账号，以过滤垃圾信息和机器人；随着社区投票增加，这些数据未来可能会纳入榜单。
Hugging Face表示，榜单目标是跟上TTS模型发布节奏并让社区塑造评测方向，目前重点关注开源模型与多语言。评测脚本将很快开源，类似Open ASR Leaderboard的仓库，届时可通过GitHub Issues和PR反馈。