8000+ 语音模型怎么评？Hugging Face 推出开源 TTS 排行榜

打开 Hugging Face，你会发现 TTS 模型已经多到数不清。可当你想选一个“最好”的时候，却发现评测标准还停留在人工打分时代——根本追不上模型发布的速度。

一分钟速览

• Hugging Face 发布 Open TTS Leaderboard，面向多语言文本转语音与语音克隆的可扩展评测。
• 背景：截至 2026 年 9 月 30 日，Hub 上的 TTS 模型已超过 8000 个，评测却碎片化、无标准。
• 人类偏好分数（MOS、MUSHRA）是金标准，但竞技场式榜单无法跟上模型发布节奏。
• 开源权重模型在榜单上被低估：Artificial Analysis 的 92 个模型中只有 16 个是开源的。
• 新榜单尝试用可规模化的指标（如指令跟随）补位，让评测不再只靠人投票。

深度分析：为什么开源语音模型“吃亏”

竞技场式评测的逻辑很简单：把两个模型的输出摆在一起，让用户选更好的，再用 Bradley–Terry 模型算 Elo 分。问题在于成本结构极不对称——接一个 API 模型只需要一把密钥，而接一个开源模型，平台得自己托管、自己部署、自己承担算力。商业厂商有动力争取上榜，开源作者往往没有。

结果就是榜单天然偏向商业模型。另一个隐患是投票者一致性：没有人能保证同一批用户用同一套“更好”的标准去评判，分数因此带着噪声。

数据支撑：8000 个模型与 16 个开源

8000 多个 TTS 模型、92 个入选榜单的模型中仅 16 个开源——这两个数字放在一起，就足以说明现有评测体系的失衡程度。

趋势洞察：评测是开源生态的基础设施

当模型数量超过某个阈值，评测就从“锦上添花”变成“基础设施”。一个可扩展、自动化、开放的开源 TTS 榜单，能让开发者快速筛掉不合适的模型，也能让优秀的小模型获得曝光。对中文、东南亚语言等长尾语种来说，这种标准化评测尤其重要。

结语

让评测跟上发布的节奏，是开源语音生态真正走向成熟的前提。

对开发者的实际意义

对独立开发者而言，一个公开的 TTS 榜单最直接的价值是省时间：不必再靠零散评测帖挑模型，也不必为每个候选模型写一套测试脚本。对研究者来说，标准化的多语言评测能暴露“哪些语种被系统性忽视”，从而把注意力引向真正的空白区。