لیدربورد متن‌باز تبدیل متن به گفتار: ارزیابی مقیاس‌پذیر برای مدل‌های چندزبانه و شبیه‌سازی صدا
خلاصه هوش مصنوعی
لیدربورد متن‌باز TTS (Open TTS Leaderboard) به حل مشکل کمبود ارزیابی‌های مقیاس‌پذیر برای مدل‌های متن‌باز و چندزبانه تبدیل متن به گفتار می‌پردازد. روش‌های سنتی مبتنی بر ارجحیت انسانی نمی‌توانند با سرعت انتشار هزاران مدل همگام شوند. این لیدربورد از معیارهای عینی مانند نرخ خطا در کلمه و کاراکتر (WER و CER) با استفاده از Qwen3 ASR برای درک‌پذیری، فاکتور معکوس زمان واقعی (RTFx) و زمان تا اولین صوت (TTFA) برای سرعت، و شباهت گوینده WavLM (SIM) برای شبیه‌سازی صدا استفاده می‌کند. همچنین شامل یک تب شنیداری برای بازخورد جامعه و معیارهای عملکرد استریمینگ روی پردازنده‌های گرافیکی H200 و پردازنده‌های مرکزی (CPU) است.
نکات کلیدی
- ارزیابی درک‌پذیری با استفاده از Qwen3 ASR برای محاسبه نرخ خطای کلمه و کاراکتر.
- سنجش سرعت از طریق RTFx برای استنتاج دسته‌ای آفلاین و TTFA برای تاخیر استریمینگ روی پردازنده‌های H200 و CPU.
- ارزیابی قابلیت‌های شبیه‌سازی صدا با استفاده از شباهت کسینوسی امبیدینگ‌های گوینده WavLM.
چرا مهم است
آرناهای سنتی مبتنی بر ارجحیت انسانی کند، پرهزینه و به شدت به سمت مدل‌های تجاری API گرایش دارند که باعث کم‌فروغ ماندن مدل‌های متن‌باز می‌شود. لیدربورد جدید ارزیابی‌های عینی، سریع و قابل تکراری را در چندین زبان، شبیه‌سازی صدا و تاخیر استریمینگ ارائه می‌دهد که به مهندسان امکان می‌دهد مدل‌های بهینه را به طور موثر انتخاب کنند.
گفتگو 0
آغازگر گفتگو باشید.