發生了什麼
- 新榜單評估文字可辨識度、速度與聲音複製相似度。WER／CER 依 Qwen3-ASR 的轉寫計算；這些指標不能直接代表自然度、情緒表現或真人偏好。[1]
- 查閱時選中文、Seed-TTS 與 CV3-Eval、關閉 voice cloning，共有 18 個模型具備全部所選測試資料。OmniVoice 的平均 CER 為 0.92%、AuK 為 0.93%；平均 RTFx 分別為 48.45 與 7.67。[2]
- RTFx 是生成音訊長度除以生成時間，越高表示離線產製越快。榜單使用 H200；支援 batch 的模型以 batch size 32 評測，其餘為 1。上述兩模型皆標示支援 batch，這個數字不能當成使用者等待首段聲音的延遲。[2]
- Streaming 分頁另測 time-to-first-audio：單請求、相同 50 個英文提示，丟掉前三次暖機後取中位數。這是英文測法，不要直接拿來承諾中文語音代理的等待時間。[1]
- Listen 分頁能選中文與資料集，載入預先保存的評測音訊，並非現場付費生成。本站已確認中文選項與音訊樣本介面；沒有自行評分音色或宣布哪一款最好聽。[2]
中文辨字接近，離線速度不同
| 指標 | OmniVoice | AuK |
|---|---|---|
| 平均 CER（%） | 0.92 | 0.93 |
| 離線生成 RTFx（倍即時速度） | 48.45 | 7.67 |
Seed-TTS＋CV3-Eval 中文宏觀平均，關閉 voice cloning；兩模型均支援 batch，依榜單規則為 H200、batch size 32。CER 越低越好，RTFx 越高越好。這是公開評測結果的整理，沒有重跑；不表示音色排名、API 等待或價格比較。
讀這些證據能知道什麼 · 編輯觀察對想做中文配音的人，這則消息的價值在於可以聽同一段原文的實際輸出，並把漏字、聲音喜好與等待分開。0.01 個百分點的辨字差距，不能決定誰更好聽；離線高吞吐也不等於對話能立即開口。
社群回聲
下列引言是作者原話的忠實中文翻譯，可展開對照原文。背景另列；個人測試與費用未由本站重現，也不代表全體使用者。
本次尚未取得足夠可查證的社群反饋，保留待補。
直接看／聽原始資料
直接聽中文：同一段文字，對照不同模型
開啟 Listen 分頁，選 CV3-Eval · Chinese 或 Seed-TTS · Chinese；固定 sample ID 和聲音複製開關，再選要聽的模型。本站確認了中文 uttid_221 的六個原始音訊樣本介面；這不是本站的聽感評分。
接下來看什麼
用 Listen → 中文 → 相同 sample ID 對照不同模型；聲音複製開關也要保持一致。先回查模型授權，榜單上有非商用與自訂授權，不能把可下載當成皆可商用。
本輪 X 搜尋主要找到作者串文與新聞轉述，未取得足夠具體的獨立中文使用心得。台灣口音、專有名詞讀法與自己的文字，仍需實際試聽。
來源與查核
- Hugging Face — Open TTS Leaderboard 發布與測法 ↗官方文章／評測方法 · 原文日期 2026.09.30 · 查核 10/01 07:03（台北）
- Open TTS Leaderboard — 榜單、Streaming 與 Listen ↗公開評測介面／2026-09-30 結果 · 查核 10/01 07:03（台北）
本文以 AI 輔助編輯，公告以原創整理呈現；社群引言採短節錄與忠實翻譯。功能、方案與價格可能後續調整；本文記錄的是上述查核時間的資訊。