Open TTS Leaderboard: Evaluación escalable para síntesis de voz multilingüe y clonación de voz
huggingface ·
El equipo de Hugging Face ha lanzado el Open TTS Leaderboard para abordar los problemas de escalabilidad de los métodos de evaluación basados en arenas existentes para modelos de texto a voz. A diferencia de las clasificaciones votadas por humanos, que tienen dificultades para seguir el ritmo del rápido lanzamiento de más de 8.000 modelos de código abierto, esta nueva plataforma se basa en métricas objetivas como la tasa de error de palabras, la similitud del hablante y la velocidad de inferencia. Al utilizar Qwen3 ASR para verificar la inteligibilidad y WavLM para evaluar el clonación de voz, el ranking reduce el tiempo de evaluación de semanas a horas. El sistema destaca a los principales competidores como hexgrad/Kokelo-82M por su precisión en inglés y k2-fsa/OmniVoice por sus capacidades multilingües. También cuenta con una pestaña 'Listen' (Escuchar) donde los usuarios pueden comparar salidas de audio y votar, cerrando la brecha entre las puntuaciones automatizadas y la preferencia humana. Además, el rendimiento en streaming se mide mediante el tiempo hasta el primer audio para apoyar aplicaciones interactivas, destacándose kyutai/pocket-tts por su eficiencia tanto en GPU como en CPU. La iniciativa tiene como objetivo priorizar los modelos de código abierto, a menudo pasados por alto por las arenas centradas en lo comercial, mientras invita a la retroalimentación de la comunidad para refinar las futuras evaluaciones.
huggingface