Hugging Face 推出了開放式語音合成排行榜（Open TTS Leaderboard），這是一個用於評估多語言語音合成與聲音克隆模型的可擴展框架。該平台提供標準化指標，以衡量不同語言的語意清晰度與生成速度。在評估方法上，系統利用基於自動語音辨識（ASR）的詞錯率（WER）作為語意清晰度的指標，並使用說話人相似度估計來衡量聲音身份保留程度。基準測試則採用 Seed-TTS 和 CV3-Eval 等數據集，計算無聲音克隆情況下的英語宏平均數，以呈現預設的可比視圖。

事件背景

語音合成（TTS）技術將書面文字轉換為自然的語音，而聲音克隆則能創造模仿特定人物聲音的合成語音。傳統上，評估這些模型依賴主觀的人工聽力測試，不僅難以擴展且資源密集。為此，詞錯率（WER）和說話人相似度等客觀指標逐漸興起，旨在提供可重複且可擴展的評估方式。