TTS 发音鲁棒性新基准:Gemini 3.1 Flash 以 88.1% 居首
ArtificialAnlys · x · 2026-09-22
Artificial Analysis 发布 Pronunciation Robustness 基准,测量 TTS 模型朗读困难文本的准确率,454 句含 701 个目标词,覆盖四类挑战:语境相关读音、缩写展开、精确序列保留、独立术语。
- 总榜:Google Gemini 3.1 Flash TTS 以 88.1% 领先,SpaceXAI TTS 87.6%、ElevenLabs Eleven v3 85.6%、Eleven v3 Conversational 84.8%、阿里 Qwen-Audio-3.0-TTS-Plus 81.6%。
- 分项:Gemini 在语境相关(96.4%)和缩写展开(84.4%)领先;SpaceXAI TTS 在精确序列领先(85.7%),Qwen 在独立术语领先(95.5%);精确序列类模型间差距最大(5.3%85.7%)。
- 难点:缩写展开(62.4%)和精确序列(62.9%)远低于其他两类,输入归一化有望显著提升。
- 偏好≠准确:Provider Voice Arena 第一的 Sonic 3.6(Elo 1276)发音鲁棒性仅排第 11(74.5%),而榜上第 9 的 Gemini 3.1 Flash 反而夺冠。
该指标对语音 agent 至关重要:账号、姓名、金额读错会直接摧毁用户信任。
所属事件:Artificial Analysis 发布 TTS 发音鲁棒性基准，Gemini 3.8 Flash 以 89.5% 登顶(12 条相关)→
「多模态」频道最新
- Reddit 用户用 AI 生成分集短剧：异常体已删掉她父母，正在重写整座城市 — Crazy-Baker-8828 · 2026-11-12
- Runway 发布 27B MoE 世界行动模型 Praxis-1,Fast 版中位延迟仅 73ms — ChongZzZhang · 2026-11-12
- MiniMax H3 Image 生成 3D 游戏场景比 GPT Image 快 3 倍 — HeyToha · 2026-11-12
- Ditto 视频换人工具发布:任意视频主角可换成任何人 — yoobinray · 2026-11-12
- Fable 5.2 像素艺术+高斯泼溅惊艳出圈，网友晒生成效果图 — Flomerboy · 2026-11-12
- Reddit 用户分享 AI 生成动画《Bubblegum Adventures》万圣节特集 — Zard-Oz · 2026-11-12