Hugging Face在2026年9月30日正式上线了Open TTS Leaderboard。在此之前，其模型社区里已经堆积了超过8000个语音合成模型，却长期拿不出同一把尺子去衡量优劣。更反常的是，在过去主导行业话语权的Voice Arena等主观偏好竞技场中，92个参评模型里开源权重模型竟然只有16席。语音合成长期被困在人耳盲测的玄学叙事里，而这套基于客观指标的新系统，直接把单个模型的评测周期从数周压缩到了数小时。
竞技场的隐形门槛：开源模型为何长期缺席？
业内此前最认可的语音质量基准，是基于Bradley-Terry模型计算Elo积分的双盲对战竞技场，比如Artificial Analysis Voice Arena与TTS Arena v2。这类平台让用户盲听两段音频并投票，直观，但极度昂贵且难以规模化。
商业厂商接入竞技场只需提供一个API Key，而开源权重模型需要平台方自掏腰包搭建推理节点并承担GPU算力账单。商业服务商为了获客有充足动力去争取曝光，开源作者却往往缺乏运营预算。结果便形成了严重的结构性偏差：在Artificial Analysis的92个参评模型里，开源模型仅占16席。即便在如此严苛的筛选下，开源阵营的Fish Audio S2 Pro依然拿下了1118分、位列开源第二，Kokoro-82M也以1064分位列开源第五。
古希腊哲人赫拉克利特曾言，人不能两次踏入同一条河流。人耳主观评分面对的正是这种漂移。学术界与工业界很早就达成过共识：传统的平均意见分（MOS）在面对当今的高水准TTS时，不仅分辨率明显不足，评测者还会不自觉地给出中庸评分。当模型发布速度以日计算，依靠真人耳力逐一打分，既跟不上产能，也无法建立稳定的工业基线。
拆解工程坐标系：用硬指标拆分听感
Open TTS Leaderboard选择把模糊的听感拆解为可复现的工程参数：
清晰度上，榜单引入Qwen3 ASR转录生成的语音，通过对比原始文本直接算出词错率（WER）与字错率（CER）；保真度上，利用WavLM特征向量提取声纹，以余弦相似度（SIM）判定克隆保真度；在交互体验上，依靠H200 GPU与CPU测量单音频流式首包延迟（TTFA）与批处理吞吐率（RTFx）。
不过，客观评估工具同样存在底层算法差异。原生的Seed-TTS-Eval框架使用的是Whisper-large-v3与Paraformer-zh计算转录错误率，相似度则采用WavLM-large；而CV3-Eval官方框架采用ERes2Net提取说话人特征。跨基准的相似度数值无法直接混为一谈，但这并不妨碍统一环境下的横向对照。为了更细致地评估音频质量，业界现有的多指标评估工具（如open-tts-eval）还会进一步整合NISQA质量分、DNSMOS噪声抑制分以及F0基频误差，试图把声学瑕疵全部摊在账面上。
82M小模型的逆袭：撕开云端大模型的溢价
当评测维度落到帕累托效率图上时，参数量和定价的神话迅速破裂。只有82M参数的Kokoro-82M，与来自Supertone、参数量仅99M的supertonic-3，在英文字错率和生成速度上直接占据了效率前沿。
| 模型名称 | 参数量 | 参考成本（百万字符） | 授权协议 | 核心工程表现 |
|---|---|---|---|---|
| Kokoro-82M | 82M | 约 0.65 美元 | Apache 2.0 | 极低成本与高清晰度，英文 WER 领先 |
| Supertonic-3 | 99M | 边缘端自建 | OpenRAIL-M | 支持 31 语种与 44.1kHz 输出，韩语 WER 第一 |
| Fish Audio S2 Pro | 较大规模 | 约 15.00 美元 | 非商用研究授权 | 跨语言零样本克隆出色，支持精细指令控制 |
从参考成本来看，Kokoro-82M大约为0.65美元/百万字符，而Fish Audio S2 Pro约为15美元/百万字符，二者调用成本相差约23倍。Supertone的supertonic-3以99M的小巧身材支持31种语言与44.1kHz采样率，在榜单上拿下韩语WER第一、生成速度第二。对于只需要稳定朗读、对音色克隆要求不高的实时对话场景，高价云端API的性价比优势正在被这批轻量模型迅速瓦解。
语音合成的真正门槛不在模型体积，而在端侧算力与可懂度之间的兑现效率。
指标盲区与落地边界
客观指标虽然把排查效率提升了几个数量级，但绝不等于语音体验的全部。
转录出来的低字错率和高声纹相似度，只能证明模型念对了字、模仿了音色，却完全无法度量语调起伏、呼吸节奏与情感张力。一个模型在ASR识别下可以拿到近乎完美的零错误率，听起来却依然可能生硬机械。此外，全盘依靠统一的ASR进行质检，极易催生针对特定识别工具的刷榜微调。
落地时的另一道硬门槛是开源许可。Kokoro-82M采用了商业友好的Apache 2.0协议，可以直接用于工业级生产管线；supertonic-3采用带有限制性使用条款的OpenRAIL-M协议；而综合表现优异的Fish Audio S2 Pro仅开放了研究与非商用授权，商用落地必须额外采购授权。
- 结论.语音评测正快速演变为三层流水线，先用自动化客观基准做规模化粗筛，再通过实验室MUSHRA与社区A/B盲测检验自然度，单纯迷信主观排行榜或盲目采购高价闭源API的时代已经过去了。