TTS Bench: Đánh giá toàn diện 91 mô hình mã nguồn mở và 28 API trả phí
Phiên bản đánh giá vòng thứ ba mang tên tts-bench vừa được công bố, so sánh 91 mô hình Chuyển văn bản thành giọng nói (Text-to-Speech) mã nguồn mở chạy cục bộ và 28 API đám mây trả phí dựa trên các đoạn prompt tiêu chuẩn. Đánh giá này bao gồm các mẫu âm thanh thực tế, các chỉ số hiệu suất như thời gian phát ra âm thanh đầu tiên, hệ số thời gian thực (realtime factor), UTMOS, tỷ lệ lỗi từ (WER), độ tương đồng khi nhân bản giọng nói, cùng với một sân trường bình chọn mù trực tuyến. Đợt đánh giá này cung cấp cho cộng đồng AI một nguồn tài nguyên khách quan, thực tế để so sánh công bằng và nghe thử vô số mô hình tổng hợp giọng nói. Bằng cách tách biệt các chỉ số tự động khỏi sân chơi nghe thử mù, nó giúp các nhà phát triển và nhà sáng tạo lựa chọn giải pháp TTS tối ưu nhất cho nhu cầu về chi phí và hiệu suất của họ. Các mô hình mở được kiểm thử cục bộ trên phần cứng bao gồm RTX 5090 và chip Apple M4, cho thấy những mô hình dẫn đầu như Vaniq-Edge về tốc độ và Maya1 về độ tự nhiên UTMOS. Trong khi đó, các API lưu trữ đám mây được đánh giá về giá cả và độ trễ, cho thấy sự chênh lệch đáng kể từ các tùy chọn tiết kiệm đến các dịch vụ cao cấp như ElevenLabs v4.
## KIẾN THỨC NỀN
Việc đánh giá hệ thống Chuyển văn bản thành giọng nói (TTS) thường dựa vào các chỉ số tự động như UTMOS (một công cụ dự đoán điểm số ý kiến trung bình MOS dựa trên AI) và WER (Tỷ lệ lỗi từ thông qua nhận dạng giọng nói) để đánh giá độ tự nhiên và khả năng rõ ràng. Hệ số thời gian thực (realtime factor) đo lường tốc độ mô hình tạo ra âm thanh so với thời gian phát chuẩn, điều này rất quan trọng đối với các ứng dụng tương tác có độ trễ thấp.