
راهاندازی رتبهبندی باز مدلهای گفتار به متن
هاگینگ فیس رتبهبندی باز جدیدی برای مقایسه مدلهای متنبهگفتار چندزبانه و قابلیت شبیهسازی صدا راهاندازی کرده است. این رتبهبندی از معیارهای خوانایی، سرعت، تأخیر تولید و شباهت گوینده استفاده میکند و در کنار ارزیابی انسانی قرار میگیرد.
هاگینگ فیس در ۳۰ سپتامبر ۲۰۲۶ «رتبهبندی باز متنبهگفتار» (Open TTS Leaderboard) را معرفی کرد؛ سامانهای برای ارزیابی مقیاسپذیر مدلهای متنبهگفتار (Text-to-Speech) متنباز و چندزبانه. این ابتکار در شرایطی ارائه شده است که بیش از ۸ هزار مدل TTS در مخزن Hugging Face Hub قرار دارند و ارزیابی آنها همچنان میان معیارها و سامانههای مختلف پراکنده است. این رتبهبندی سه گروه معیار اصلی دارد. برای سنجش خوانایی، نرخ خطای واژه (WER) و نرخ خطای نویسه (CER) با استفاده از مدل تشخیص خودکار گفتار (ASR) Qwen3 محاسبه میشود؛ سرعت تولید نیز با ضریب بلادرنگ معکوس (RTFx) و زمان تا نخستین صوت (TTFA) ارزیابی میشود. همچنین برای مدلهای دارای شبیهسازی صدا، شباهت گوینده با محاسبه شباهت کسینوسی (SIM) میان تعبیههای صوتی WavLM سنجیده میشود. ارزیابیها زبانهای مختلفی را پوشش میدهند و امکان مقایسه جداگانه مدلها بر اساس عملکرد چندزبانه و قابلیت شبیهسازی صدا وجود دارد. بخش «Listen» نیز به کاربران اجازه میدهد نمونههای صوتی مدلها را مستقیماً مقایسه کنند و درباره کیفیت خروجی رأی دهند. بخش «Streaming» مدلها را بر اساس TTFA در پردازش جریانی مقایسه میکند؛ قابلیتی که برای عاملهای صوتی و برنامههای تعاملی اهمیت دارد. هاگینگ فیس تأکید میکند که معیارهای کمّی جایگزین ارزیابی ترجیح انسانی نیستند. WER و CER بیشتر نمایندهای برای خوانایی هستند و SIM حفظ هویت صوتی را تخمین میزند، اما طبیعیبودن، بیانگری و ترجیح شنونده را مستقیماً اندازهگیری نمیکنند. هدف اصلی این رتبهبندی کاهش زمان ارزیابی مدلها از چند هفته جمعآوری رأی به چند ساعت محاسبه معیارهای استاندارد است. برای توسعهدهندگان ایرانی، تمرکز این سامانه بر مدلهای چندزبانه اهمیت ویژهای دارد، زیرا عملکرد یک مدل در انگلیسی الزاماً عملکرد آن در زبانهای دیگر را نشان نمیدهد. وجود ارزیابیهای چندزبانه و امکان بررسی معیارهای سرعت، خوانایی و شبیهسازی صدا میتواند مقایسه مدلهای متنباز مورد استفاده در دستیارهای صوتی، سامانههای تبدیل متن به گفتار و برنامههای تعاملی را برای پروژههای فارسیزبان دقیقتر کند.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




