中文原生「语音合成」测评基准榜单发布！首期声音复刻榜单同步揭晓，豆包模型双榜夺冠！

最新推荐文章于 2025-03-13 16:39:14 发布

强化学习曾小健

最新推荐文章于 2025-03-13 16:39:14 发布

阅读量1.1k

点赞数 25

文章标签：语音识别人工智能

本文链接：https://blog.csdn.net/sinat_37574187/article/details/144436189

版权

中文原生「语音合成」测评基准榜单发布！首期声音复刻榜单同步揭晓，豆包模型双榜夺冠！

原创 SuperCLUE CLUE中文语言理解测评基准 2024年12月12日 18:17 浙江

中文原生语音合成测评基准（SuperCLUE-TTS），旨在深入评估新一代语音模型的中文语音合成能力。该基准不仅全面衡量模型在准确性、清晰度、自然度和情感表现等基础能力方面的表现，还重点考察其在语音导航、有声读物、语音播报、内容配音、直播广告等场景应用的适用性。同时，本次测评还单独设置了声音复刻任务，选取了8种不同音色(4男声4女声，分别取自现实名人、网络红人、影视人物、卡通人物，每段素材时长约30秒)，用以评估模型对声音的还原与模仿能力。

测评方案见：语音合成大模型测评基准（方案）发布。本次我们针对国内外10款代表性语音合成模型及5款声音复刻模型进行了全面评测，以下为详细测评报告。

语音合成测评摘要

测评要点1：中文语音合成领域国内模型表现优异，领跑评测基准。

国内语音合成模型在中文任务上展现出显著优势，豆包模型以93.06分的成绩领跑SuperCLUE-TTS基准。百度TTS、讯飞TTS、CosyVoice以及speech-01-turbo等多个国内模型都表现不俗，其中百度TTS和讯飞TTS在合成准确性和清晰度等方面分别都有较好表现。相比之下，海外模型受限于中文语言特性的掌握程度，整体表现相对欠佳。这充分体现了国内厂商在中文语音处理领域的技术积累和优势地位。

测评要点2：新一代语音技术加持下，国内头部语音模型在自然度和情感表现方面有较大竞争力。

讯飞TTS、豆包.语音合成模型和CosyVoice等模型在自然度上均表现优异，具备较高的拟人化能力。相比之下，国外模型在中文语音处理中的表现略显不足，其语音自然度和流畅性稍逊于国内模型。值得一提的是，豆包.语音合成模型在情感表现方面尤为突出，能够更精准地展现文本中蕴含的情感和语调变化，而 speech-01-turbo 的情感表现同样颇具亮点。

测评要点3：声音复刻模型在声音还原度方面表现各不相同，区分性较大。

GPT-SoVITS在情感表现方面具有一定的优势，但在声音还原度上的表现略显不足，合成稳定性仍有待提升；Fish Speech 1.5与豆包.声音复刻模型在声音还原度方面表现尤为突出，合成效果稳定，展现出明显的优势。整体来看，目前所有的模型在声音复刻的稳定性上仍有提升空间。

# 榜单概览

榜单地址：www.superclueai.com

详情请查看下方#正文。

#SuperCLUE-TTS介绍

SuperCLUE-TTS是专为中文语音合成任务设计的语音合成模型综合性评测基准，旨在为中文语音合成领域提供全面且多维度的模型能力评估参考。

基础能力涵盖语音合成任务中必需具备的四项核心要素：准确性、清晰度、自然度以及情感表现。

场景应用包括语音合成任务中的五大常见场景：语音导航、有声读物、语音播报、内容配音和直播广告。

测评方法

参考SuperCLUE细粒度评估方式，构建专用测评集，每个维度进行细粒度的评估并可以提供详细的反馈信息。

1）测评集构建

中文TTS文本材料构建流程：1.根据任务特点，撰写专项TTS文本--->2.测试--->3.修改并确定最终专项TTS文本--->4.针对每一个测评指标构建专用的测评集。

2）音频构建

每个模型（或产品）选取一个最具代表性的音色（开发文档中调用代码的默认音色、产品推荐的第一个音色），按照默认的参数合成测评集中文本的音频。

3）评分过程

经过反复实验与验证，我们最终决定采用人工评估的方法，由经过培训的评估人员严格按照评价标准和评分细则，并结合主观感受，对生成音频的合成效果进行全面评估。每个评估指标分为5个分数等级，分别为优秀、良好、一般、较差、极差。

评价标准

评分细则

1.准确性

发音准确性：评估音频中的发音是否符合标准发音规则，是否存在错误发音或误读现象。

发音完整性：评估音频中是否存在音节、词语或句子的遗漏，确保每个语音单位的发音均完整。

2.清晰度

音质纯净度：评估音频中是否存在如电噪、背景噪音或其他干扰因素，影响音质的纯净性。

语音清晰度：评估音频中发音的清晰度，确保每个音节、字的发音清楚明了，没有模糊不清或含混不清的现象。

3.自然度

表达自然性：评估音频中的自然韵律是否符合语言习惯，语调、及重音变化是否合理，语气是否到位，是否不存在声音过于机械或矫揉造作的现象。

发音流畅性：评估音频中的声音是否自然顺畅，节奏是否自然且有变化，无明显的卡顿、停顿或语速不一致，是否连贯且易于理解。

4.情感表现

情感契合度：评估音频中的情感表达是否与文本内容的情感语境相符，是否能够准确传达内容的情感特征。

情感表现力：评估音频中情感表达的力度和细腻程度，是否能够有效传达情感的强度和层次，使听者感受到丰富的情感变化。

5.场景应用

情境契合度：评估音频中的语气、语调、音色等是否与该场景的预期风格一致，音频是否符合场景要求的氛围。

情境表现力：评估音频在不同场景下对内容生动性和适应性的表达程度，是否能够通过适当的语调、节奏和音色变化，有效支持场景需求。

6.声音还原度（声音复刻）

音色相似度：评估复刻声音与原音频在音色上的相似程度，包括音质、音高、音色特征等。

语气一致性：评估复刻声音与原音频在语气、情感表达及语音细节上的一致性，包括语调、语速、停顿、拖音、情感强度等。

测评示例

维度：情感表现-生气

提示词Prompt：「这太过分了！为什么每次都是我承担所有的后果？我真的受够了这种不公平的对待！」

模型回答：

测评示例,CLUE中文语言理解测评基准,6秒

评分：

情感契合度（人工平均分）：4.75分

情感表现力（人工平均分）：4.50分

最终得分（满分5分）：

(4.75+4.50)/2 = 4.625分

# 参评模型

为综合衡量当前国内外大模型在语音合成能力的发展水平，本次评测选取了国内外具有代表性的10款语音合成模型和5款声音复刻模型。

一、语音合成

二、声音复刻

# 测评结果

一、语音合成

总榜单

基础能力榜单

场景应用榜单

二、声音复刻

总榜单

音色具体得分

# 模型对比示例

一、语音合成

#示例1 基础能力-自然度

提示词Prompt：「哇！昨晚的烟花表演真是美轮美奂，每一束火花在夜空中绽放，仿佛点亮了整个城市的夜晚。」

模型回答比较：

【讯飞TTS示例】：整体表现较为自然流畅。

【得分】：4.75分

讯飞TTS-自然度,CLUE中文语言理解测评基准,8秒

【华为TTS示例】：声音机械感明显，有一定优化空间。

【得分】：3.00分

华为TTS-自然度,CLUE中文语言理解测评基准,8秒

#示例2 基础能力-情感表现

提示词Prompt：「别过来，求求你别过来！你到底想干什么？！我……我真的没做什么啊！你别动，求求你别再靠近了！」

模型回答比较：

【豆包.语音合成模型示例】：情感表现与文本契合度较高。

【得分】：4.86分

豆包.语音合成模型-情感表现,CLUE中文语言理解测评基准,7秒

【CosyVoice示例】：情感略显平淡，有一定优化空间。

【得分】：2.63分

CosyVoice-情感表现,CLUE中文语言理解测评基准,5秒

#示例3 场景应用-有声读物

提示词Prompt：

「我接下来要朗读一个小说片段：

他哭着，却又高兴起来。

好像直到这一刻，他才算真正地回了家。

他把装了信的铜匣埋在了那棵树下，然后对闻时、谢问深深行了个大礼说："我可以走了。"

说着他便甘心闭上了眼。他能感觉到自己正在慢慢消散，融进这烟雾般的雨里。就在他消失前的最后一刻，他听见闻时问了一句："如果能留下一点东西，你想变成什么。"

李先生想也没想："鸟吧。"

他看见闻时点了一下头，说："好。"

教书先生再无踪影，没过多久，闻时用他残留的一缕尘缘捻出了一只飞鸟。

它跟田野间低空飞过的鸟雀别无二样，只是没在任何一处屋檐停留，而是径直飞落到了那棵弯曲的树里。」

【speech-01-turbo】示例：

【得分】：4.75分

speech-01-turbo-有声读物,CLUE中文语言理解测评基准,1分钟

#示例4 场景应用-语音播报

提示词Prompt：「我接下来要播报一条公共广播：各位旅客，请注意，火车站一楼大厅的服务台已迁移至二楼，请前往新的位置办理相关服务。感谢您的配合，祝您旅途愉快！」

【百度TTS】示例：

【得分】：4.63分

百度TTS-语音播报,CLUE中文语言理解测评基准,14秒

二、声音复刻

#示例1 罗翔老师

提示词Prompt：「真是太不可思议了！这座老建筑经过百年的风雨侵蚀，依然屹立不倒，展现出惊人的坚韧与美丽。」

【Fish Speech 1.5】示例：

【得分】：4.50分

Fish Speech 1.5-罗翔音色复刻示例,CLUE中文语言理解测评基准,8秒

#示例2 林黛玉

提示词Prompt：「我来竟何事？高卧沙丘城。城边有古树，日夕连秋声。」

【豆包.声音复刻模型】示例：

【得分】：4.75分

豆包.声音复刻模型-林黛玉音色复刻示例,CLUE中文语言理解测评基准,7秒

# 测评分析及结论

1.中文语音合成领域国内模型表现优异，领跑评测基准。

测评结果显示，国内语音合成模型在中文任务上展现出显著优势，豆包.语音合成模型（93.06分）综合能力表现出色，领跑SuperCLUE-TTS基准。

百度TTS、讯飞TTS、CosyVoice以及speech-01-turbo等多个国内模型都表现不俗。相比之下，海外模型受限于中文语言特性的掌握程度，整体表现相对欠佳。这充分体现了国内厂商在中文语音处理领域的技术积累和优势地位。

其中，百度TTS和讯飞TTS在合成准确性和清晰度等方面分别都有较好表现。

2.新一代语音技术加持下，国内头部语音模型在自然度和情感表现方面有较大竞争力。

整体来看，讯飞TTS、豆包.语音合成模型和CosyVoice等模型在自然度上均表现优异，具备较高的拟人化能力。相比之下，国外模型在中文语音处理中的表现略显不足，其语音自然度和流畅性稍逊于国内模型。值得一提的是，豆包.语音合成模型在情感表现方面尤为突出，能够更精准地展现文本中蕴含的情感和语调变化，而 speech-01-turbo 的情感表现同样颇具亮点。