tts-bench - เบนช์มาร์กสำหรับเปรียบเทียบโมเดล TTS บนเครื่องโลคัล

• โอเพนซอร์สเบนช์มาร์กสำหรับเปรียบเทียบ โมเดล TTS บนเครื่องโลคัล 55 รุ่น ได้จาก 3 มุมมองบนฮาร์ดแวร์ใดก็ได้
• ประกอบด้วย 3 เลนส์คือ Speed (ความเร็ว) / Listen (การฟัง) / Scores (ตัวชี้วัดเชิงวัตถุวิสัย) โดยวัดได้บน CPU/CUDA/Apple Silicon
  • Speed วัด TTFA (เวลาจนถึงเสียงแรก) แบบ cold/warm, RTF (ความเร็วเทียบกับเวลาจริง) และหน่วยความจำ
  • Listen เล่นเสียงของทุกโมเดลและทุกพรอมป์ต์แบบอินไลน์ ทั้งเสียงพื้นฐานและเสียงโคลน เพื่อให้เลือกโมเดลด้วยการฟังด้วยตนเอง
  • Scores ให้คะแนนตามแนวทาง seed-tts-eval ด้วย UTMOS (ความเป็นธรรมชาติ), WER (ความชัดเจน) และ SIM (ความเที่ยงตรงของการโคลนเสียง)
• มี เว็บไซต์เดโม ให้ลองฟังทุกโมเดลได้โดยไม่ต้องติดตั้ง และสำรวจตามพรอมป์ต์หรือแยกตามโมเดลได้
• จากทั้งหมด 55 รุ่น มี 41 รุ่นที่รองรับการโคลนเสียง (voice cloning) ด้วยคลิปอ้างอิง และรองรับรูปแบบอ้างอิง 3 แบบ (wav อย่างเดียว / wav + ถอดความ / HF gated wav)
• ภาษาเกาหลีไม่ได้รองรับครบทั้ง 55 รุ่น แต่มีโมเดลที่รองรับหลายภาษา/ภาษาเกาหลี เช่น Supertonic, VoxCPM, OmniVoice
  • อย่างไรก็ตาม พรอมป์ต์มาตรฐานของเบนช์มาร์กเน้นภาษาอังกฤษ/ฝรั่งเศส ดังนั้นหากต้องการดูคุณภาพภาษาเกาหลี ควรใช้ประโยคภาษาเกาหลีแยกต่างหากเพื่อรัน Listen/compare แล้วฟังตรวจสอบเองจะดีกว่า
  • จากผลทดสอบ Supertonic, VoxCPM และ OmniVoice ให้คุณภาพที่ฟังได้ดี
• อันดับสูงในการโหวต A/B ด้านการโคลนเสียง — OmniVoice (ตรงโทนเสียงดีที่สุด แต่มีโอกาสกลืน/ตกหล่นบางคำ), Echo-TTS (ระดับอันดับ 1 ร่วม, 44.1kHz), IndexTTS-2 (อันดับ 3, รักษาน้ำเสียงสูงต่ำได้ดี)
• โค้ดเบนช์มาร์กใช้ไลเซนส์ MIT ส่วนโมเดล TTS แต่ละตัวใช้ไลเซนส์ของตนเอง