Hugging Face เปิด Open TTS Leaderboard — วัดโมเดลสร้างเสียงพูดด้วยตัวชี้วัดอัตโนมัติแทนการโหวต ใช้เวลาไม่กี่ชั่วโมงแทนหลายสัปดาห์ มีความเร็ว time-to-first-audio และ voice cloning แต่ 9 ภาษาแรกยังไม่มีภาษาไทย

30 ก.ย. 2026 ทีม audio ของ Hugging Face (Eric Bezzam, Steven Zheng, Eustache Le Bihan และคนอื่น ๆ) เปิด Open TTS Leaderboard เป็น leaderboard สำหรับโมเดล text-to-speech (TTS) ที่เน้นโมเดลแบบเปิดและหลายภาษา และเป็นคู่กับ Open ASR Leaderboard ที่วงการถอดเสียงใช้อ้างอิงกันอยู่แล้ว

เหตุผลที่ทำ บล็อกให้ตัวเลขไว้ชัด: บน Hub มีโมเดล TTS กว่า 8,000 ตัว แต่ leaderboard แบบโหวต (TTS Arena v2, Artificial Analysis, Voice Arena) ไล่ตามไม่ทัน และเอียงไปทางโมเดลปิด ณ 30 ก.ย. 2026 Artificial Analysis มีโมเดลเปิดแค่ 16 จาก 92 ตัว เพราะการใส่โมเดล API ใช้แค่ API key แต่โมเดลเปิดต้องให้ผู้ดูแล arena รันเอง การวัดด้วยตัวชี้วัดอัตโนมัติจึงช่วยลดเวลาเพิ่มโมเดลหนึ่งตัว “จากสองสามสัปดาห์เหลือสองสามชั่วโมง”

วัดอะไรบ้าง

• ความชัด (Intelligibility): สร้างเสียงจากข้อความ แล้วถอดเสียงกลับด้วย Qwen3 ASR (โมเดลเปิดอันดับต้นของ Open ASR Leaderboard) มาคิด WER/CER เทียบกับข้อความต้นฉบับ ใช้ชุด Seed TTS Eval และ CV3 Eval (zero-shot)
• ความคล้ายเสียงผู้พูด (SIM): cosine similarity ของ speaker embedding จาก WavLM ระหว่างเสียงที่สร้างกับเสียงต้นแบบ ใช้กับโหมด voice cloning
• ความเร็ว: RTFx แบบ batch บน H200 และ TTFA (time-to-first-audio) ที่ batch size 1 บน H200 และ CPU ใช้ prompt ภาษาอังกฤษชุดเดียวกัน 50 ประโยค ตัด 3 รอบแรกทิ้งเพื่อ warm-up แล้วรายงานค่า median ถ้าโมเดลไม่รองรับ streaming จะนับเวลาจนสร้างเสียงเสร็จทั้งประโยค

นอกจากตาราง ยังมีแท็บ Listen ให้ฟังเสียงจริงที่อยู่เบื้องหลังตัวเลขแต่ละตัวและโหวตได้ (ต้องล็อกอิน) ทีมบอกว่าอาจนำผลโหวตเข้ามาใช้ในอนาคต

ผลรอบแรก

ภาษาอังกฤษ (ค่าเฉลี่ย WER ของสองชุด): Kokoro-82M, Supertone supertonic-3 และ fishaudio s2-pro นำอยู่ โมเดลหลายภาษาที่เด่นคือ k2-fsa OmniVoice, s2-pro และ Fun-CosyVoice3-0.5B บางโมเดลอย่าง higgs-tts-3-4b และ VoxCPM2 ได้ WER ดีขึ้นเมื่อให้เสียงต้นแบบ (โหมด cloning) ส่วนด้าน streaming บล็อกยกให้ kyutai/pocket-tts ว่าเด่นทั้งบน GPU และ CPU

ภาษาที่รองรับตอนเปิดตัวมี 9 ภาษา ได้แก่ อังกฤษ จีน ฝรั่งเศส สเปน เยอรมัน อิตาลี ญี่ปุ่น เกาหลี และรัสเซีย (ภาษาจีน ญี่ปุ่น และเกาหลีใช้ CER) ยังไม่มีภาษาไทย

มุมมอง AI Curator

ทีมฝั่ง Hugging Face พูดไว้ตรง ๆ ว่า WER กับ SIM เป็นแค่ตัวแทนของความชัดและความเหมือนเสียง ไม่ได้วัดความเป็นธรรมชาติหรืออารมณ์ ซึ่งเป็นเหตุผลหลักที่คนเลือกโมเดล TTS การที่ Kokoro ขนาด 82M ขึ้นนำภาษาอังกฤษจึงบอกได้แค่ว่ามันพูดชัดจนเครื่องถอดกลับได้ถูก ไม่ได้บอกว่าฟังเหมือนคนที่สุด ยังมีข้อสังเกตอีกข้อ คือการใช้ ASR ตัวเดียว (Qwen3 ASR) เป็นกรรมการ อาจได้เปรียบโมเดลที่สร้างเสียงสไตล์ที่ ASR ตัวนั้นถอดได้ง่าย เวลาอ่านอันดับควรใช้ leaderboard นี้ “คัดตัวเลือก” แล้วค่อยฟังเองในแท็บ Listen

ส่วนที่มีประโยชน์ที่สุดสำหรับนักพัฒนาคือแท็บ Streaming/TTFA ใครทำ voice agent หรือ call center bot รู้ดีว่าความหน่วงก่อนได้ยินเสียงแรกสำคัญกว่าคุณภาพเสียงที่ดีขึ้นอีกนิด และตัวเลข TTFA บน CPU ก็หาจากแหล่งอื่นได้ยากมาก

สำหรับไทย การที่ไม่มีภาษาไทยใน 9 ภาษาแรกเป็นเรื่องที่คาดได้ เพราะ leaderboard ผูกกับชุดทดสอบที่มีอยู่แล้ว (Seed TTS Eval มีแค่อังกฤษกับจีน ส่วนภาษาอื่นมาจาก CV3 Eval) แต่ leaderboard ตั้งใจให้ “community shape” และโค้ดของ Space ก็เปิดอยู่ ผลลัพธ์ทั้งหมดเก็บใน dataset hf-audio/tts_leaderboard_results ซึ่งแยกคอลัมน์ตามภาษา ถ้าทีมในไทยอย่าง Typhoon หรือ VISTEC ช่วยกันทำชุดทดสอบ TTS ภาษาไทยแบบเปิด (ข้อความ + เสียงต้นแบบ) แล้วเสนอเข้าไป โมเดล TTS ไทยจะมีที่ให้เทียบกันได้อย่างเป็นธรรมเป็นครั้งแรก ทุกวันนี้ทีมไทยยังต้องเลือกโมเดลจากเดโมหรือการฟังเองเป็นส่วนใหญ่

แหล่งข่าว

• Open TTS Leaderboard: Scalable Evaluation for Multilingual Text-to-Speech and Voice Cloning — Hugging Face Blog (30 ก.ย. 2026)
• Open TTS Leaderboard — Hugging Face Space
• Open ASR Leaderboard — Hugging Face Space