多言語TTS・ボイスクローニング評価リーダーボード公開

HuggingFace Hub上のオープンソース音声合成モデル数は2026年9月30日時点で八千超に達したが、評価基準の分散と非標準化が業界課題となっていた。従来のエリートスコア方式のリーダーボードはスケーラビリティに限界があり、オープンソースモデルの取り込みが遅れていた。これに対応し、客観的指標に基づく評価プラットフォーム「Open TTS Leaderboard」が公開された。 同プラットフォームは、人間の主観的評価を補完する三つの定量的指標を採用している。知能性にはQwen3 ASRを用いた単語・文字誤り率、速度にはH200 GPU環境でのバッチ推論における逆実時間率およびストリーミング初音出力時間、話者類似性にはWavLM埋め込みに基づくコサイン類似度を用いる。これにより、従来数週間を要した評価を数時間で完了可能にし、評価スループットを大幅に向上させた。 主要機能として多言語対応評価が可能であり、英語圏に加え中国語・日本語・韓国語の各言語特性に応じた誤り率マクロ平均でモデルを比較できる。音声クローニング対応モデルについては、参照音声との声質維持性能をSIM指標で計測可能にした。さらに、開発チームは実測音声を聴取・比較・投票できる機能や、バッチサイズ一での初音出力時間を比較するストリーミング性能タブを提供し、数値評価とユーザーフィードバックの両立を図っている。 現状評価では英語圏でKokoro-82MやSupertonic-3が上位に位置し、多言語対応ではOmniVoiceやCosyVoice3が優位性を示している。GPUおよびCPU環境両方で高速なストリーミング推論が可能なPocket-TTSも注目されている。開発側は従来評価で取り残されがちなオープンソースモデルの可視化を目的としており、今後は評価スクリプトの公開とコミュニティによるフィードバック収集を通じ、評価基準そのものの共創を推進する方針である。