Hugging Face、読み上げモデルを比べる評価表を公開

公開 2026年10月19日 18:163 分で読めます

Hugging Face は 9 月 30 日、文章を読み上げる AI(TTS)のモデルを比べる「Open TTS Leaderboard」を公開しました。重みを公開したモデルと、英語以外の言語での性能に重点を置いています。人の投票ではなく機械で測れる指標を使うため、1 つのモデルの評価にかかる時間が、数週間から数時間に縮むとしています。

要点

聞き取りやすさは、音声を Qwen3 ASR で文字に起こし、元の文との誤り率で測ります。
速さは、H200 の GPU でまとめて処理する速さと、最初の音が出るまでの時間で測ります。
声の複製では、手本の声と作った声がどれだけ似ているかを比べます。
言語を切り替えて比べられ、日本語・中国語・韓国語は文字単位の誤り率で示します。
各モデルの音声を聞き比べて投票できる「Listen」のタブもあります。
自然さや表現の豊かさは直接は測らず、人の好みの評価に代わるものではないとしています。

Hugging Face Hub の読み上げのモデルは 8,000 を超える一方、2 つのモデルの音声を聞き比べて投票する既存の比較の場では、重みを公開したモデルが少ないとしています。新しいモデルが次々に出るのに投票が追いつかないことや、同じ基準で投票し続けるのが難しいことを、作った理由に挙げています。

英語の誤り率の平均では、Kokoro-82M、supertonic-3、s2-pro が上位でした。多言語では、OmniVoice、s2-pro、Fun-CosyVoice3-0.5B が強いとしています。音声エージェントで大事な、最初の音が出るまでの時間を比べるタブもあり、CPU での結果も一部のモデルで載せています。Hugging Face は、Kyutai の pocket-tts が GPU と CPU の両方で、流しながらの読み上げに向くとしています。評価のスクリプトは GitHub で公開されています。

日本の利用者にとって

比べられる言語には日本語も含まれ、日本語は中国語や韓国語と同じく、単語ではなく文字単位の誤り率(CER)で示されます。日本語の読み上げのモデルを選ぶときの目安の 1 つになります。

YOBITSUGI AI で使えるか

これは評価の場の公開です。名前が挙がった公開モデル(Kokoro-82M など)は、現時点では YOBITSUGI AI からは使えません。YOBITSUGI AI の読み上げでは、ElevenLabs の Eleven v4 など、OpenAI の gpt-4o-mini-tts、Google の Gemini 3.8 Flash TTS を使えます。