The Pulse
Hugging Face lancia una classifica aperta dei modelli TTS multilingue
Hugging Face ha lanciato una classifica aperta dei sistemi di sintesi vocale da testo che confronta intelligibilità, velocità e somiglianza della voce con quella del parlante di riferimento. La valutazione comprende la generazione multiling
AI.info Team · Scritto con l’IA ·
Hugging Face ha lanciato la sua Open TTS Leaderboard il 30 settembre 2026 per confrontare i sistemi aperti di sintesi vocale da testo in termini di intelligibilità, velocità e somiglianza della voce con quella del parlante di riferimento. L’azienda afferma che l’Hub ospita già più di 8.000 modelli TTS, mentre i confronti esistenti si basano spesso su voti degli utenti, che richiedono più tempo per essere raccolti e possono essere difficili da standardizzare. La nuova classifica affianca alle misurazioni automatiche un’interfaccia di ascolto in cui gli utenti possono confrontare i risultati ed esprimere le proprie preferenze.
Tre metriche, non un unico vincitore
La classifica misura l’intelligibilità attraverso il tasso di errore sulle parole (WER) e il tasso di errore sui caratteri (CER), confrontando il testo di partenza con una trascrizione generata da Qwen3 ASR. Misura la velocità della generazione offline in batch tramite il fattore di tempo reale inverso, o RTFx, e valuta la latenza dello streaming attraverso il tempo necessario a produrre il primo audio, o TTFA. Una terza misura, la somiglianza della voce con quella del parlante di riferimento, confronta gli embedding del parlante prodotti da WavLM per il parlato generato e per una clip di riferimento.
Queste misure rispondono a domande diverse, anziché ridurre la qualità a un unico punteggio. WER e CER stimano se un modello pronuncia le parole richieste; RTFx e TTFA descrivono la rapidità con cui produce l’audio; la somiglianza della voce con quella del parlante di riferimento stima quanto una voce clonata corrisponda al riferimento. Hugging Face afferma che una valutazione automatica può richiedere poche ore, rispetto alle settimane che un’arena potrebbe impiegare per raccogliere voti.
«La Open TTS Leaderboard non sostituisce una classifica basata sulle preferenze umane.»
Eric Bezzam, Steven Zheng, Eustache Le Bihan e mrfakename, Hugging Face
Il team avverte che i punteggi del riconoscimento automatico del parlato sono soltanto un indicatore indiretto dell’intelligibilità. Le misure non rilevano direttamente la naturalezza, l’espressività o le preferenze degli ascoltatori; per questo la classifica include una scheda «Listen» per confronti affiancati e votazioni. Per votare, gli utenti devono accedere con un account Hugging Face, una misura che secondo il team aiuta a filtrare spam e bot.
I punteggi in inglese non valgono per le altre lingue
La classifica predefinita usa la macromedia del WER sui sottoinsiemi di test in inglese di Seed TTS Eval e CV3 Eval. Gli utenti possono selezionare le lingue per esaminare le prestazioni multilingue, ma la copertura varia a seconda del benchmark: Seed TTS Eval fornisce audio per l’inglese e il cinese, mentre i punteggi per le altre lingue provengono dai test zero-shot di CV3 Eval. Per il cinese, il giapponese e il coreano, la classifica riporta il tasso di errore sui caratteri perché queste lingue usano sistemi di scrittura basati sui caratteri.
Hugging Face cita hexgrad/Kokoro-82M, Supertone/supertonic-3 e fishaudio/s2-pro tra i modelli migliori nella misura WER combinata per l’inglese. Per le prestazioni multilingue, indica k2-fsa/OmniVoice, fishaudio/s2-pro e FunAudioLLM/Fun-CosyVoice3-0.5B-2512 come modelli dalle prestazioni elevate. Questi esempi mostrano perché il solo punteggio di un modello in inglese non basta a stabilire come si comporterà in un’altra lingua.
Un’opzione per la clonazione vocale limita i confronti ai modelli che supportano la clonazione nelle lingue selezionate. La classifica aggiunge quindi ai risultati la somiglianza della voce con quella del parlante di riferimento e mostra i compromessi tra somiglianza, velocità di inferenza e dimensioni del modello. Hugging Face osserva inoltre che, per alcuni modelli, il WER medio migliora quando viene fornita una clip audio di riferimento.
I test di streaming misurano quando inizia il parlato
Una scheda Streaming separata ordina i modelli in base al TTFA, l’attesa tra l’invio di un prompt e la ricezione di audio riproducibile. Per un modello dotato di API di streaming, il test registra l’arrivo del primo segmento audio; per un modello senza streaming, misura il tempo necessario a generare l’intero enunciato. Ogni modello elabora una richiesta audio alla volta sugli stessi 50 prompt in inglese di CV3 Eval, usando la propria voce predefinita.
I test vengono eseguiti su una GPU H200; i risultati su CPU sono disponibili per un gruppo più ristretto e in crescita di modelli. Hugging Face esclude le prime tre esecuzioni come fase di riscaldamento e riporta il TTFA mediano delle esecuzioni rimanenti. L’azienda indica kyutai/pocket-tts come una valida opzione per lo streaming sia su GPU sia su CPU.
L’ascolto umano resta parte del confronto
Il progetto è rivolto ai modelli open source, che secondo Hugging Face compaiono meno spesso nelle classifiche basate su arene. A titolo di esempio, il post conta 16 modelli a pesi aperti tra i 92 presenti su Artificial Analysis al 30 settembre 2026 e afferma che Voice Arena mostra uno squilibrio simile. Il team sostiene che per i gestori delle arene ospitare sistemi aperti può essere più difficile che ospitare modelli commerciali accessibili tramite API.
La classifica è presentata come un progetto della comunità: gli utenti possono ascoltare, confrontare e votare, mentre il team invita a suggerire modelli, dataset e metriche. Hugging Face afferma di voler rendere open source gli script di valutazione, ma l’annuncio del 30 settembre non li mette ancora a disposizione. Per ora, il lancio combina misurazioni standardizzate e ascolto umano, senza considerare nessuno dei due una valutazione esaustiva della qualità TTS.