TTS、声音复刻等语音合成技术已经是构建 Voice Agent 等实时多模态应用的基础，它们带来了更加自然且可调节的 AI 语音。
近期 SuperCLUE 团队发布了中文原生语音合成测评基准报告，各家技术在不同维度均有优异表现。
此外，你还可以在这里查看 SuperCLUE 之前针对「实时语音交互」发布的基准评测。
中文原生语音合成测评基准（SuperCLUE-TTS），旨在深入评估新一代语音模型的中文语音合成能力。该基准不仅全面衡量模型在准确性、清晰度、自然度和情感表现等基础能力方面的表现，还重点考察其在语音导航、有声读物、语音播报、内容配音、直播广告等场景应用的适用性。同时，本次测评还单独设置了声音复刻任务，选取了8种不同音色(4男声4女声，分别取自现实名人、网络红人、影视人物、卡通人物，每段素材时长约30秒)，用以评估模型对声音的还原与模仿能力。
测评要点1：中文语音合成领域国内模型表现优异，领跑评测基准。
国内语音合成模型在中文任务上展现出显著优势，豆包模型以93.06分的成绩领跑SuperCLUE-TTS基准。百度TTS、讯飞TTS、CosyVoice以及speech-01-turbo等多个国内模型都表现不俗，其中百度TTS和讯飞TTS在合成准确性和清晰度等方面分别都有较好表现。相比之下，海外模型受限于中文语言特性的掌握程度，整体表现相对欠佳。这充分体现了国内厂商在中文语音处理领域的技术积累和优势地位。
测评要点2：新一代语音技术加持下，国内头部语音模型在自然度和情感表现方面有较大竞争力。
讯飞TTS、豆包.语音合成模型和CosyVoice等模型在自然度上均表现优异，具备较高的拟人化能力。相比之下，国外模型在中文语音处理中的表现略显不足，其语音自然度和流畅性稍逊于国内模型。值得一提的是，豆包.语音合成模型在情感表现方面尤为突出，能够更精准地展现文本中蕴含的情感和语调变化，而 speech-01-turbo 的情感表现同样颇具亮点。
测评要点3：声音复刻模型在声音还原度方面表现各不相同，区分性较大。
GPT-SoVITS在情感表现方面具有一定的优势，但在声音还原度上的表现略显不足，合成稳定性仍有待提升；Fish Speech 1.5与豆包.声音复刻模型在声音还原度方面表现尤为突出，合成效果稳定，展现出明显的优势。整体来看，目前所有的模型在声音复刻的稳定性上仍有提升空间。
SuperCLUE-TTS是专为中文语音合成任务设计的语音合成模型综合性评测基准，旨在为中文语音合成领域提供全面且多维度的模型能力评估参考。
基础能力涵盖语音合成任务中必需具备的四项核心要素：准确性、清晰度、自然度以及情感表现。
场景应用包括语音合成任务中的五大常见场景：语音导航、有声读物、语音播报、内容配音和直播广告。
参考SuperCLUE细粒度评估方式，构建专用测评集，每个维度进行细粒度的评估并可以提供详细的反馈信息。
中文TTS文本材料构建流程：1.根据任务特点，撰写专项TTS文本--->2.测试--->3.修改并确定最终专项TTS文本--->4.针对每一个测评指标构建专用的测评集。
每个模型（或产品）选取一个最具代表性的音色（开发文档中调用代码的默认音色、产品推荐的第一个音色），按照默认的参数合成测评集中文本的音频。
经过反复实验与验证，我们最终决定采用人工评估的方法，由经过培训的评估人员严格按照评价标准和评分细则，并结合主观感受，对生成音频的合成效果进行全面评估。每个评估指标分为5个分数等级，分别为优秀、良好、一般、较差、极差。
评价标准
1.准确性
发音准确性：评估音频中的发音是否符合标准发音规则，是否存在错误发音或误读现象。
发音完整性：评估音频中是否存在音节、词语或句子的遗漏，确保每个语音单位的发音均完整。
2.清晰度
音质纯净度：评估音频中是否存在如电噪、背景噪音或其他干扰因素，影响音质的纯净性。
语音清晰度：评估音频中发音的清晰度，确保每个音节、字的发音清楚明了，没有模糊不清或含混不清的现象。
3.自然度
表达自然性：评估音频中的自然韵律是否符合语言习惯，语调、及重音变化是否合理，语气是否到位，是否不存在声音过于机械或矫揉造作的现象。
发音流畅性：评估音频中的声音是否自然顺畅，节奏是否自然且有变化，无明显的卡顿、停顿或语速不一致，是否连贯且易于理解。
4.情感表现
情感契合度：评估音频中的情感表达是否与文本内容的情感语境相符，是否能够准确传达内容的情感特征。
情感表现力：评估音频中情感表达的力度和细腻程度，是否能够有效传达情感的强度和层次，使听者感受到丰富的情感变化。
5.场景应用
情境契合度：评估音频中的语气、语调、音色等是否与该场景的预期风格一致，音频是否符合场景要求的氛围。
情境表现力：评估音频在不同场景下对内容生动性和适应性的表达程度，是否能够通过适当的语调、节奏和音色变化，有效支持场景需求。
6.声音还原度（声音复刻）
音色相似度：评估复刻声音与原音频在音色上的相似程度，包括音质、音高、音色特征等。
语气一致性：评估复刻声音与原音频在语气、情感表达及语音细节上的一致性，包括语调、语速、停顿、拖音、情感强度等。
维度：情感表现-生气
提示词Prompt：「这太过分了！为什么每次都是我承担所有的后果？我真的受够了这种不公平的对待！」
情感契合度（人工平均分）：4.75分
情感表现力（人工平均分）：4.50分
最终得分（满分5分）：
(4.75+4.50)/2 = 4.625分
为综合衡量当前国内外大模型在语音合成能力的发展水平，本次评测选取了国内外具有代表性的10款语音合成模型和5款声音复刻模型。
提示词Prompt：「哇！昨晚的烟花表演真是美轮美奂，每一束火花在夜空中绽放，仿佛点亮了整个城市的夜晚。」
【华为TTS示例】：声音机械感明显，有一定优化空间。
提示词Prompt：「别过来，求求你别过来！你到底想干什么？！我……我真的没做什么啊！你别动，求求你别再靠近了！」
【豆包.语音合成模型示例】：情感表现与文本契合度较高。
【CosyVoice示例】：情感略显平淡，有一定优化空间。
「我接下来要朗读一个小说片段：
他哭着，却又高兴起来。
好像直到这一刻，他才算真正地回了家。
他把装了信的铜匣埋在了那棵树下，然后对闻时、谢问深深行了个大礼说："我可以走了。"
说着他便甘心闭上了眼。他能感觉到自己正在慢慢消散，融进这烟雾般的雨里。就在他消失前的最后一刻，他听见闻时问了一句："如果能留下一点东西，你想变成什么。"
李先生想也没想："鸟吧。"
他看见闻时点了一下头，说："好。"
教书先生再无踪影，没过多久，闻时用他残留的一缕尘缘捻出了一只飞鸟。
它跟田野间低空飞过的鸟雀别无二样，只是没在任何一处屋檐停留，而是径直飞落到了那棵弯曲的树里。」
提示词Prompt：「我接下来要播报一条公共广播：各位旅客，请注意，火车站一楼大厅的服务台已迁移至二楼，请前往新的位置办理相关服务。感谢您的配合，祝您旅途愉快！」
提示词Prompt：「真是太不可思议了！这座老建筑经过百年的风雨侵蚀，依然屹立不倒，展现出惊人的坚韧与美丽。」
提示词Prompt：「我来竟何事？高卧沙丘城。城边有古树，日夕连秋声。」
1.中文语音合成领域国内模型表现优异，领跑评测基准。
测评结果显示，国内语音合成模型在中文任务上展现出显著优势，豆包.语音合成模型（93.06分）综合能力表现出色，领跑SuperCLUE-TTS基准。
百度TTS、讯飞TTS、CosyVoice以及speech-01-turbo等多个国内模型都表现不俗。相比之下，海外模型受限于中文语言特性的掌握程度，整体表现相对欠佳。这充分体现了国内厂商在中文语音处理领域的技术积累和优势地位。
其中，百度TTS和讯飞TTS在合成准确性和清晰度等方面分别都有较好表现。
2.新一代语音技术加持下，国内头部语音模型在自然度和情感表现方面有较大竞争力。
整体来看，讯飞TTS、豆包.语音合成模型和CosyVoice等模型在自然度上均表现优异，具备较高的拟人化能力。相比之下，国外模型在中文语音处理中的表现略显不足，其语音自然度和流畅性稍逊于国内模型。值得一提的是，豆包.语音合成模型在情感表现方面尤为突出，能够更精准地展现文本中蕴含的情感和语调变化，而 speech-01-turbo 的情感表现同样颇具亮点。
3.声音复刻模型在声音还原度方面表现各不相同，区分性较大
评测结果显示，GPT-SoVITS在情感表现方面具有一定的优势，但在声音还原度上的表现略显不足，合成稳定性仍有待提升；Fish Speech 1.5与豆包.声音复刻模型在声音还原度方面表现尤为突出，合成效果稳定，展现出明显的优势。整体来看，目前所有的模型在声音复刻的稳定性上仍有提升空间。
参与流程
1. 邮件申请
2. 意向沟通
3. 参测确认与协议流程
4. 提供测评API接口或大模型
邮件标题：
邮件标题：SuperCLUE-TTS语音合成测评申请，发送到contact@superclue.ai
请使用单位邮箱，邮件内容包括：单位信息、大模型简介、联系人和所属部门、联系方式
