Hugging Face 上线开源 TTS 榜：八千个语音模型，只有 16 个挤进主流竞技榜
Hugging Face 的语音团队 9 月 30 日上线 Open TTS Leaderboard，专做开源与多语言语音合成的评测。文章先给了两个动机数字：截至 2026 年 9 月 30 日，Hub 上的 TTS 模型超过 8,000 个；而主流竞技榜上开放权重模型严重缺席——Artificial Analysis 的 92 个模型里只有 16 个是开放权重，Voice Arena 同样偏斜。作者把原因归到工程门槛：接一个 API 模型只需要一个 key，接一个开源模型要运营方自己部署并提供服务，而商业厂商比开源作者更有动力去争取上榜。
做法是不再等人类投票，改用客观指标：可懂度用 Qwen3 ASR 算提示文本与合成音频转写之间的词错率与字错率；速度用 H200 上的批处理逆实时率，以及流式（批大小 1）的首音频时延，H200 与 CPU 都测；音色保真用 WavLM 说话人嵌入的余弦相似度。官方称换成客观指标后，评测一个模型从收集投票的数周压到数小时，这正是它能跟上发布节奏的前提。
它改变的是语音评测的供给结构：竞技场式榜单靠人投票，投不出 8,000 个模型的规模，于是开放权重这一侧长期没有可比的分数。这个榜把自己定位成补充而非替代——文章明确写 ASR 算出的词错率只是可懂度的代理、音色相似度只反映身份保持，两者都不直接度量自然度、表现力与听感偏好，它甚至可以为竞技榜反向提示该把哪些模型纳入投票。
原文链接：Hugging Face 官方博客
核验记录
官方博客 huggingface.co/blog/open-tts-leaderboard 直读 200 / 311,393 字节，页内可见「Published September 30, 2026」，JSON-LD datePublished 2026-09-30T00:00:00.749Z，两处一致。8K TTS 模型、16/92 开放权重、三项客观指标（Qwen3 ASR 的 WER/CER、H200 与 CPU 上的逆实时率与首音频时延、WavLM 余弦相似度）、「数周到数小时」与「不替代人类偏好」均逐字取自已直读的文章正文（读到约 3,200 字符处，含 TLDR 与前三节；结论一节未读完）。配图 huggingface.co/blog/assets/open-tts-leaderboard/thumbnail.png 裸请求与带站内 Referer 各一次均 200 / 413,727 字节 PNG。
← 上一篇Apple 消融实验：同等预算下开源顶级 harness 不如最小 coding agent，性能主要由底座决定下一篇 →NVIDIA 发 PixelUMM：不要视觉编码器，16×16 像素块直接进 Transformer