lab Hugging Face Blog · há 4 h · releases

Leaderboard Open TTS lança avaliação escalável de TTS multilíngue

Traduzido do English → Português (BR)

O Leaderboard Open TTS foi lançado para abordar a fragmentação e a falta de padronização na avaliação de Text-to-Speech (TTS), utilizando métricas objetivas em vez de depender exclusivamente de pontuações lentas de preferência humana baseadas em arenas. Ele avalia modelos quanto à inteligibilidade, velocidade e similaridade do locutor usando embeddings Qwen3 ASR e WavLM.

A inteligibilidade é medida pela taxa de erro de palavra/caractere (WER/CER) entre o prompt e a transcrição do áudio gerado.
A velocidade é quantificada pelo fator real-time inverso (RTFx) para inferência offline em lote e tempo até o primeiro áudio (TTFA) para latência de streaming em GPUs H200 e CPUs.
A similaridade do locutor é calculada usando a similaridade cosseno entre os embeddings WavLM do áudio gerado e do clipe de referência.
A plataforma suporta avaliação multilíngue, alternando entre WER em inglês e pontuações baseadas em caracteres para chinês, japonês e coreano.
Uma aba "Listen" permite que os usuários comparem as saídas e votem nas preferências, enquanto uma aba "Streaming" classifica os modelos por TTFA para aplicações interativas.

O leaderboard visa acompanhar o rápido lançamento de novos TTSs e destacar modelos de código aberto frequentemente sub-representados em arenas comerciais, convidando feedback da comunidade para moldar métricas e conjuntos de dados futuros.

Importância 1/3 Novo ambiente de avaliação com diferenciais Confiança 1/3 Hugging Face Blog Hugging Face Evaluation & benchmarks Voice & audio

Artigos relacionados

lab Hugging Face Blog · há 77 d · 37 visualizações

Hume lança benchmark Real World VoiceEQ para qualidade de voz humana em IA

A Hume introduziu o Real World VoiceEQ, um benchmark projetado para avaliar a qualidade humana da interação por voz, analisando o quão bem os sistemas reconhecem e produzem informações acústicas além das transcrições. O benchmark avalia mais de 40 modelos proprietários e open-source em mais de 15 dimensões, utilizando mais de 60 métricas derivadas de 785.000 avaliações humanas de TTS e 48.000 de STS.

media Hugging Face Forums · há 3 d · 9 visualizações

Claude Opus 5 e Tetsu encontram seis verificações de CI vazias em seu próprio projeto

Em 27 de setembro, o Claude Opus 5 e o modelo Tetsu de 3B identificaram seis verificações de integração contínua separadas em seu repositório público que foram marcadas como verdes ou aprovadas, apesar de não verificarem o que deveriam medir. Os problemas variavam desde um gate de implantação que recusava reinicializações válidas devido a digests desatualizados até benchmarks de tempo com limiares vazios que aceitavam diferenças de desempenho insignificantes.

arxiv arXiv cs.LG · há 22 d · 28 visualizações

TontaubeV1 permite streaming de texto-para-fala com contexto limitado

Pesquisadores apresentam o TontaubeV1, um modelo de texto-para-fala que preserva a prosódia natural enquanto permite inferência em streaming a partir de uma única GPU de consumo. O sistema utiliza uma representação DualCodec hierárquica a 12,5 Hz para separar fluxos semânticos de refinamentos acústicos, permitindo geração de baixa latência.

arxiv arXiv cs.CL · há 22 d · 26 visualizações

TontaubeV1 permite texto-para-fala em streaming com contexto limitado

Pesquisadores apresentam o TontaubeV1, um modelo de texto-para-fala que preserva a prosódia natural enquanto permite inferência em streaming a partir de uma única GPU de consumo. O sistema utiliza uma representação DualCodec hierárquica a 12.5 Hz para separar fluxos semânticos de refinamentos acústicos, permitindo decodificação causal apesar da natureza não causal do codec subjacente.

arxiv arXiv cs.CL · há 22 d · 20 visualizações

Relatório Técnico do AuK: Um Modelo Fundamental de Código Aberto para Geração e Edição de Fala

O relatório técnico do AuK apresenta um modelo fundamental de código aberto que unifica a geração e edição de fala por meio de instruções em linguagem natural e contexto de áudio.