tts-bench 第三期:91 个开源 TTS 模型与 28 个付费 API 同题横评
UkieTechie · reddit · 2026-11-11
Reddit 用户 UkieTechie 发布 tts-bench 第三轮结果，用统一 Python harness 和相同提示词公平对比 TTS 模型，本轮新增付费 API 独立榜单。
测试设置
- 91 个开源模型，跑在 RTX 5090 32GB、RTX 3090 24GB、Apple M4 16GB 上
- 28 个托管 API 单独成榜，同样 6 条提示词，取数日暖调用中位数
- 支持英语、西班牙语、法语；提供音频样本、首音频延迟、realtime factor、UTMOS、WER、音色克隆相似度及 API 价格
开源榜亮点
- 最快（CUDA）：Vaniq-Edge，5090 上首音频 30ms、298x 实时
- UTMOS 最高：Maya1（4.487）、Underdog Woof（4.442）、Phonon 31m（4.424）、Chatterbox（4.423）
- 克隆相似度最佳：LongCat-AudioDiT 3.5B（约 0.875），其后 FireRedTTS3（约 0.843）
API 榜亮点
- 首语音最快：AssemblyAI 30ms、Gradium 53ms、Palabra 77ms
- UTMOS 最佳：VUI Labs Luna（4.488），自测音色克隆相似度也是 21 个 API 中最高，但启动约 1.2s
- 最便宜约 $9–10/百万字符（Async、Giggy、Fish、Murf）；ElevenLabs v4 为 $80
注意事项：UTMOS 是自动自然度预测而非人类偏好；WER 只测可懂度；本地与 API 榜不互排名次。配套提供盲听投票 Arena。
「多模态」频道最新
- 海螺官宣：SOTA 品质、多风格出色且完全开放可构建 — Hailuo_AI · 2026-11-11
- Seedream 5.5 生成显微手术图像：1.2mm 血管与监护仪数据都不穿帮 — aftahi_ai · 2026-11-11
- 实测 MiniMax H3-Image 渲染满版文字招牌:4 次生成全部零错字 — Ok_annbae · 2026-11-11
- 用 Fable 5.2 Max 把伊斯坦布尔变成可探索 3D 世界，用量约 46 美元 — minchoi · 2026-11-11
- Claude Fable 5.2 发布不到24小时，玩家已用单条提示做出完整游戏与3D世界 — minchoi · 2026-11-11
- Fable 5.2 音乐多样性大增，一条视频演绎华语乐坛 1980s-2010s 风格变迁 — dotey · 2026-11-11