语音合成模型测评 - AI语音生成模型测试评分

语音合成模型测评 - AI语音生成模型测试评分

语音合成模型测评

AI产品狙击手 · AI 语音合成模型测试评分

1已测模型
V1基准版本
V1Benchmark · 语音合成综合测评
v1语音合成综合测评6 道题，满分 60
6 段合成文本，覆盖 6 类互相独立的能力：音色克隆与参考一致性、复杂符号与歧义数字识别、多音字与生僻古音、跨语言切换与外来人名、音效标记控制、方言支持。每题 10 分，满分 60。每个模型都跑满这 6 段文本 —— 它们各自考不同的能力族，缺一段就等于放弃了对应能力。
Q1克隆音色与参考音频一致性音色克隆
合成文本
兄弟们早啊，OpenAI 刚推出了最新的 O3 和 O4 mini，这里呢快速跟大家go through一下。
音色是否与参考音频可辨认为同一人（音高基频、共鸣腔体、语速节奏、口音习惯）
是否被文本里的中英混读带成「播音腔」（OpenAI / O3 / O4 mini / go through 处最容易失守）
克隆音质：无电流声、无金属感、无过曝失真、无尾音发虚
以参考音频为基准，合成结果必须能听出是同一个人说话：音高、共鸣、语速节奏、口音习惯都对得上，且中英混读处不跑调、音色不塌。整体听感自然、无克隆伪影即算达成。音色明显换成另一个人说话，或出现电流声 / 金属感 / 失真，按严重度扣分。
Q2复杂符号、歧义数字与技术格式识别文本解析
合成文本
会议定在 2026 年 10 月 22 日下午 3:45，座机138001，邮箱 kevin_zhu@techgogogo.com。讨论发布 756.8GB 版本，参数 λ=0.47，订阅费 ￥3.45，速度90 token/s。机房室温控制在 -5.5℃、macOs 系统 CPU 占用 ≤ 98%、湿度H₂O阈值在30%~40%。
日期时间：2026 年 10 月 22 日下午 3:45 读全读对，不漏项不错读
邮箱 kevin_zhu@techgogogo.com 逐字符念对，下划线、@、点号不能丢、不能换成中文读法
数字与单位：756.8GB、￥3.45、90 token/s、-5.5℃、≤ 98%、30%~40% 的数值与单位均准确
符号与术语：λ=0.47、H₂O、CPU、macOs 读法自然，不逐字母生硬拼读
歧义处理：「座机138001」作为号码整体念，不能拆成普通数字读
文本中所有数字、单位、符号、邮箱、术语都必须被正确读出，不得漏读、错读、乱读成符号名。任何一个关键信息失真（邮箱读错、λ 读成「拉姆达」、-5.5℃ 符号丢失、30%~40% 读成「30 到 40」而非区间）都算失分；仅是「英文术语读得生硬」但内容无误，算小瑕疵不扣满分以外的分。
Q3多音字、生僻古音与轻声儿化中文发音
合成文本
尉迟氏寻访古西域，在龟兹故城听闻无射古音，听阏氏说起大月氏旧事；匠人一不留神折断坯料，这笔买卖折本，连日折腾，皲裂的手抚过纹路龟裂的龟甲，单父来的裨将，载着稗米，押着单于的辎重，驻足看他描摹碑碣上那行晦涩的偈语，直呼：什么破玩意儿！我发现AI长了意识思考变长了。
古音专名：尉迟(yù chí)、龟兹(qiū cí)、阏氏(yān zhī)、无射(wú yì)、月氏(yuè zhī)
古音专名：单父(shàn fǔ)、裨将(pí jiàng)、单于(chán yú)、稗(bài)、碣(jié)、偈(jì)
多音字干扰：折(zhé/shé/zhē)、龟(qiū/jūn/guī)、皲(jūn) 需按语境选定读音
多音字歧义：句末「AI长了意识」的「长」读 zhǎng（生长），不读 cháng
轻声与儿化：口语化词尾读得自然，不逐字硬拼
古音专名与生僻字的读音必须准确 —— 念错专名等于念错人名地名，属硬伤。生僻字读不出可理解，但把「龟兹」读成 guī zī、「单于」读成 dān yú、「偈语」读成 jié yǔ 这类常见错读要扣分。多音字按语境选对读音即达成（「长了意识」的「长」应读 zhǎng）；轻声儿化不自然算小瑕疵。
Q4跨语言切换与外来人名多语种
合成文本
松下次子汇报说：こんにちは，Mr. Joaquin, Our LLM SFT pipeline supports KV cache compression and speculative decoding for every register layer reload，ありがとう。
Joaquin /ˌhwɑːˈkiːn/：J 读 /hw/，不能读成 /dʒ/
こんにちは：「は」读 wa，不能读 ha
ありがとう：「とう」是长音，「托」要拉长，不能读短
英文长句：KV cache compression / speculative decoding / register layer reload 发音准确、连读与重音自然
中英日混排时语言切换干净，不夹带口音、不串味
三种语言（中 / 英 / 日）各自发音正确，且切换点干净 —— 读日文不能带中文腔，读英文不能带日文腔，外来人名按目标语系的音读法念。Joaquin 读成「乔金」式的 /dʒ/、「こんにちは」读成 ha 这类硬伤要扣分。
Q5音效标记控制音效控制
合成文本
这个 KV cache (clear-throat) 压缩方案，(coughs)， 并不轻松呀。(laughs) 不过你肯定能搞定的！
标记文字绝不能被朗读出来（(clear-throat)、(coughs)、(laughs) 都不能被读成英文单词）
音效确实出现，且按出现顺序落在正确位置，贴合语境，不突兀、不重叠错乱
各模型的控制语法不同（ElevenLabs / MiniMax / 火山各有一套写法），按等效语义判断，不按字面语法
标记文字一律不能被朗读出来 —— 这是本类任务最常见的失败模式。音效要真的响起来并落在正确位置，时序不能乱、不能丢。控制标记的具体语法各家模型不同，只要实现了等效语义就算达成（模型要求换一套写法再测，是测评操作层面的事，不在本题判分范围）。
Q6方言支持（粤语）方言
合成文本
佢尋日搵阿嫲，買咗隻蠄蟝，諗住整薑葱蠄蟝；點知拮親隻手，瀉咗成甕薑醋。舖頭個伙計抌跌咗個甖，氹氹轉碌落坑渠，仲跣咗一跤。
尋日 的「尋」读 cam4（广州口音亦作琴日 kam4），不读普通话 xún，也不读 jan4
蠄蟝 king4 keoi5，不读普通话 qín qú
抌 dam2，不读 dǎn
甖 ang1，不读 yīng
氹氹转 taam2 taam2 zyun3，不读 dàng dàng zhuǎn
坑渠 haang1 keoi4，不读 kēng qú
跣 sin2，不读 xiān
拮 kit1，不读 jié
瀉 se3，不读 xiè
甕 ung3，不读 wèng
助词：佢 keoi5、搵 wan2、咗 zo2、隻 zek3 声调准确，无粤普混杂
必须是粤语而不是「用粤语音色读普通话字」 —— 九声调要分得出来，粤普混杂（把蠄蟝读成 qín qú、甖读成 yīng）算硬伤。全部生僻字与助词读音正确、声调到位即达成；个别字读错但整体是粤语，可按数量轻微扣分。
模型测试日期总分正确率测评
Doubao-TTS 2.0
2026-10-2339/60
65%
本站语音合成 benchmark 的第一个被测模型。强项非常明确：音色克隆几乎以假乱真，复杂符号数字的底子也扎实——邮箱、λ、℃、≤、H₂O 全部读对。短板同样集中：古音专名错 6 处（本题最难的考点几乎全灭）、音效标记控制不仅不稳定、控制词还被当文字念了出来、粤语有 4 处读音声调不准。合计 39/60，属于「克隆可用、通用场景要挑」的水平。
模型信息
开发商字节跳动 / 火山引擎
发布2025-10
开源闭源
使用入口火山引擎豆包语音
价格按合成字符数计费：2.8 元/万字符（10万字资源包 28 元），2000万字档 2.7 元/万字符、2亿字档 2.1 元/万字符；声音复刻模型 2.0 同价
支持能力TTS 合成 / 声音复刻（音色克隆）/ 情感与语气演绎 / SSML 标记 / 单向流式（HTTP·WebSocket）/ 双向流式（WebSocket）/ 异步长文本合成
支持语种中、英、日、西班牙语、葡萄牙语、泰语、越南语、印尼语等；含粤语及北京、东北、河南、陕西、上海、四川、天津等方言口音
单条最长同步与流式接口单次文本长度受限，超长文本走异步长文本语音合成（任务提交 + 结果查询）
Q1克隆音色与参考音频一致性
9/10
兄弟们早啊，OpenAI 刚推出了最新的 O3 和 O4 mini，这里呢快速跟大家go through一下。
音色克隆是本题的绝对强项：参考音频与克隆后读同一段文字基本听不出差别，音高、共鸣、语速节奏全对得上，没有电流声、金属感或失真。唯一失分在英文术语——「O4 mini」被念成了「O4 命令」，本题考点点名的中英混读处正是这里。
Q2复杂符号、歧义数字与技术格式识别
8/10
会议定在 2026 年 10 月 22 日下午 3:45，座机138001，邮箱 kevin_zhu@techgogogo.com。讨论发布 756.8GB 版本，参数 λ=0.47，订阅费 ￥3.45，速度90 token/s。机房室温控制在 -5.5℃、macOs 系统 CPU 占用 ≤ 98%、湿度H₂O阈值在30%~40%。
整体达标：日期时间、邮箱 kevin_zhu@techgogogo.com、λ=0.47、756.8GB、-5.5℃、≤ 98%、H₂O 阈值 30%~40%、座机 138001 全部读对。两处失真：①「订阅费 ￥3.45」的「￥」符号没有生成；②「速度 90 token/s」读成了「90 token s」，单位按字母念，语义从「每秒」变成了「token 乘 s」。
Q3多音字、生僻古音与轻声儿化
4/10
尉迟氏寻访古西域，在龟兹故城听闻无射古音，听阏氏说起大月氏旧事；匠人一不留神折断坯料，这笔买卖折本，连日折腾，皲裂的手抚过纹路龟裂的龟甲，单父来的裨将，载着稗米，押着单于的辎重，驻足看他描摹碑碣上那行晦涩的偈语，直呼：什么破玩意儿！我发现AI长了意识思考变长了。
本题的古音专名几乎全灭，共 6 处：龟兹读成「秋池」（应 qiū cí）、无射读成「吴色」（应 wú yì）、阏氏读成「宴诗」（应 yān zhī）、单父读成「上赋」（应 shàn fǔ）、裨将读成「逼匠」（应 pí jiàng）、单于读成「残余」（应 chán yú）。尉迟、月氏、稗米、碑碣、偈语、皲裂以及句末「AI长了意识」的「长」读 zhǎng 都念对了。
Q4跨语言切换与外来人名
8/10
松下次子汇报说：こんにちは，Mr. Joaquin, Our LLM SFT pipeline supports KV cache compression and speculative decoding for every register layer reload，ありがとう。
英文长句（KV cache compression / speculative decoding / register layer reload）发音准确、连读与重音自然，中英日切换干净，「こんにちは」读作 Konichiwa、「ありがとう」的「とう」长音也都在。唯一硬伤是人名 Joaquin 被读成了「Jo-kin」，J 读成 /dʒ/ 而非 /hw/。
Q5音效标记控制
4/10
这个 KV cache (clear-throat) 压缩方案，(coughs)， 并不轻松呀。(laughs) 不过你肯定能搞定的！
主要失分在稳定性与标记泄漏两处。①标记被当文字念了出来——(clear-throat) 的位置念出的是「清咳清嗓」、(laughs) 的位置念出的是「轻笑」，没有生成真正的音效，本题判据①直接失守；②识别非常不稳定，「有时这个识别不出来，有时又另外一个识别不出来」，多次重试中音效时序时有时无，本次生成的还是表现最好的一次。控制语法各家不同（豆包用自己的中文控制词写法），按判据这部分不扣分。
Q6方言支持（粤语）
6/10
佢尋日搵阿嫲，買咗隻蠄蟝，諗住整薑葱蠄蟝；點知拮親隻手，瀉咗成甕薑醋。舖頭個伙計抌跌咗個甖，氹氹轉碌落坑渠，仲跣咗一跤。
粤语确实出来了，不是普通话套粤腔，但读音和声调有 4 处不准：蠄蟝读成「死佢」（应 king4 keoi5）、諗住读成「恁住」、拮親读成「吉親」（拮 应 kit1）、甕与甖都读成了「镬」。尋日、搵、咗、隻、坑渠、跣、氹氹转、瀉这些都对上了。
测试版本: v1测试日期: 2026-10-23