A Hugging Face apresentou, a 30 de setembro de 2026, o Open TTS Leaderboard, uma tabela de classificação concebida para avaliar modelos de síntese de voz (TTS) e clonagem de voz. A iniciativa responde, segundo a plataforma, à falta de avaliações padronizadas num ecossistema em rápida expansão: o Hugging Face Hub tinha mais de oito mil modelos TTS disponíveis nessa data. O sistema usa métricas automáticas e, segundo os autores, pode reduzir o tempo de avaliação de algumas semanas para algumas horas.

A classificação acompanha três dimensões. A inteligibilidade é estimada através das taxas de erro de palavras e de caracteres (WER e CER), comparando o texto de entrada com uma transcrição do áudio gerado. Para essa transcrição, é utilizado o Qwen3 ASR. A velocidade inclui o desempenho em inferência offline em lote, medido pelo inverso do fator de tempo real (RTFx), e o tempo até ao primeiro áudio (TTFA) em geração por streaming. As medições de velocidade são feitas num GPU H200; para o TTFA, são também consideradas medições em CPU. A terceira métrica, disponível para modelos de clonagem de voz, calcula a semelhança entre a voz gerada e uma gravação de referência através de embeddings de locutor WavLM.

Na vista inicial, os modelos são ordenados pela média de WER em inglês nos conjuntos Seed TTS Eval e CV3 Eval, este último em configuração zero-shot. A Hugging Face destaca Kokoro-82M, Supertonic-3 e S2-Pro entre os modelos com melhor desempenho nessa comparação. A página permite selecionar outras línguas e consultar gráficos que mostram compromissos entre WER, velocidade de inferência em lote e dimensão do modelo. Para chinês, japonês e coreano, é apresentada a CER; a média entre línguas é calculada como uma macro-média.

Na avaliação multilingue, a plataforma aponta OmniVoice, S2-Pro e Fun-CosyVoice3-0.5B-2512 como modelos com resultados fortes. A opção de clonagem de voz permite filtrar os modelos que suportam essa função nas línguas selecionadas e acrescenta a métrica de semelhança do locutor. Segundo os resultados apresentados, alguns modelos, incluindo Higgs-TTS-3-4B e VoxCPM2, melhoram a WER média quando recebem áudio de referência.

A Hugging Face sublinha que estas métricas não substituem a preferência humana. A transcrição automática serve de aproximação à inteligibilidade e a semelhança de locutor estima a preservação da identidade vocal, mas nenhuma mede diretamente naturalidade, expressividade ou preferência dos ouvintes. O separador «Listen» permite comparar gravações por língua e conjunto de dados, com ou sem clonagem, e escolher modelos específicos ou uma seleção aleatória.

A plataforma também pretende alargar a presença de modelos de pesos abertos nas comparações. Observa que estes modelos exigem alojamento e execução por parte da entidade que organiza uma arena, ao contrário de modelos disponibilizados através de API. Como exemplo da diferença de representação, indica que, em 30 de setembro de 2026, apenas 16 dos 92 modelos listados pela Artificial Analysis eram de pesos abertos. A Hugging Face apresenta o leaderboard como complemento às classificações baseadas em votos e afirma querer ajustá-lo com contributos da comunidade.

Porque importa

A iniciativa procura tornar mais rápida e comparável a avaliação de modelos TTS, incluindo modelos de pesos abertos, sem confundir métricas automáticas com naturalidade ou preferência dos ouvintes.

Fontes

Open TTS Leaderboard: Scalable Evaluation for Multilingual Text-to-Speech and Voice CloningHugging Face ↗