Open TTS Leaderboard separa inteligibilidade, voz e espera
A avaliação oferece medidas complementares para síntese de fala, sem tratar erro de transcrição como preferência do ouvinte.
Uma voz pode preservar as palavras e ainda soar pouco natural. O Open TTS Leaderboard explicita essa diferença ao separar inteligibilidade, semelhança com a voz de referência e desempenho de geração.
A inteligibilidade é estimada comparando o texto solicitado com a transcrição do áudio produzido. A semelhança vocal usa representações de falante. Nenhuma dessas medidas demonstra, isoladamente, expressividade ou preferência humana; os próprios autores delimitam esse alcance.
Para aplicações interativas, a aba de streaming mede a espera até existir áudio reproduzível. Nos modelos sem streaming, isso corresponde à geração da fala inteira. Já a velocidade de processamento em lote responde a outra necessidade, ligada à produção offline.
Minha sugestão é selecionar primeiro o idioma e a necessidade de clonagem, comparar as medidas relevantes e depois ouvir os exemplos na aba Listen. A classificação inicial em inglês não deve substituir a avaliação do idioma de destino. Confira também o equipamento usado na medição antes de interpretar a latência.
A incerteza específica permanece na relação entre essas medidas automáticas e a preferência dos ouvintes no seu domínio.
Fonte: Eric e coautores, Hugging Face, apresentação do Open TTS Leaderboard, publicado em 30 de setembro de 2026.