北京
在TTS或声音克隆的技术选型中，一个绕不开的问题始终存在：哪个模型听感自然、吐字清晰、能真正克隆参考说话人，同时还能在纯CPU环境下保持可用速度？本文完整呈现了四款模型在纯CPU机器上的客观评测过程，包括数据集与指标设计、运行中遇到的问题、数据含义解读，以及如何用Neo克隆项目并扩展。 **为什么需要这场评测** 厂商演示和单说话人样本太容易被美化。一份可信的对比需要覆盖多说话人、性别平衡和口音多样性，需要确保评测文本从未出现在参考音频中，还需要用指标将克隆保真度、自然度、可懂度和延迟分开衡量。更需要诚实地区分真正的零样本克隆模型和固定音色TTS。 本次评测由Neo（可在VS Code或Cursor中运行的自主AI工程代理）端到端完成。从高层目标出发，Neo自主规划了测试框架，完成模型集成、数据管线搭建、批量测试运行、真实数据质量缺陷修复、报告重新生成及仓库推送。 **被测模型** 这一区分至关重要：本次评测中只有Audio8和XTTS是真正的零样本克隆模型。Pocket TTS和Kokoro作为CPU质量和速度基线仍有价值，但它们的说话人相似度分数不能作为克隆保真度的证据。 **指标说明** 全部评分均为自动化完成，本轮没有设置人工听感评定。 **说话人相似度**：使用WavLM-Large x-vector嵌入，计算余弦相似度，两个音频流均统一为16kHz采样。分数越高表示与参考说话人越接近。实际运行中，四款模型的这项指标都饱和在接近1.0的位置，因此它更适合作为基准校验而非排名依据。 **自然度（UTMOSv2）**：预测MOS分，1至5分，分数越高代表听感越自然。正是在这项指标上，固定音色的Kokoro领先于真正的克隆模型。 **可懂度（WER / CER）**：通过faster-whisper small（CTranslate2的CPU int8版本）转写，然后进行文本标准化，再用jiwer计算词错误率和字符错误率，数值越低越好。评测过程中，模型生成的真实WAV文件被逐一抽查，以确保假设与实际情况一致，因此最终的WER/CER数据具有完整的可追溯性。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
