Als ein Benchmark von 2026 neuronale Text-to-Speech-Systeme (TTS) bat, in zwei Versionen desselben Satzes das richtige Wort zu betonen, lagen die Pair-Correct-Werte bei nahezu allen Systemen nahe null, und das beste Ergebnis betrug 11,5%, selbst wenn die Betonung in der Eingabe ausdrücklich markiert war (Turetzky et al., CAST-Benchmark 2026). Dasselbe Muster zieht sich durch die übrige Prosodieforschung: In einer Studie zu japanischen Hörbüchern verdoppelte sich der Tonhöhenfehler ungefähr zwischen der Vocoder-Resynthese und dem vollständigen TTS, ein Emotionsklassifikator, der auf menschlichen Aufnahmen 99,64% erreichte, kam auf synthetisierten nur auf 15,31%, und Closed-Source-Modelle lagen bei der Ausdrucksvielfalt im Vorlesen langer Texte 0,93 Punkte hinter echten Aufnahmen. Die allgemeinen Natürlichkeitswerte liegen heute nahe an menschlichen Aufnahmen (siehe unsere MOS-Statistiken zu synthetischer Sprache), aber Melodie, Timing und Betonung sind der Bereich, in dem die verbleibende Lücke liegt. Wir haben Daten aus dem Journal of the Brazilian Computer Society, von Interspeech und den ISCA Speech Synthesis Workshops, der Blizzard Challenge, ACL 2026 Findings, dem Journal of the Acoustical Society of America, LabPhon und mehr als einem Dutzend arXiv-Papers zusammengetragen.
TL;DR
- 95 von 100 Prosodie-Bewertungsstudien von 2020 bis 2024 analysierten die Tonhöhe (F0), und der F0-RMSE war die am häufigsten verwendete Metrik (Galdino et al., JBCS 2025).
- Der logarithmische F0-RMSE korreliert nur mit r = 0,30 mit menschlichen Prosodiebewertungen (Yang et al., ProsodyEval 2025).
- Der Tonhöhenfehler (F0-RMSE) lag bei 14,03 für die reine HiFi-GAN-Vocoder-Zeile gegenüber 27,93 für das beste vollständige TTS-Modell (Xin et al., Hörbuch-TTS 2022).
- Ein kantonesisches Basis-TTS machte bei Deklarativfragen 32,76% F0-Frame-Fehler gegenüber 13,53% bei Aussagen (Bai et al., Interspeech 2022).
- Hörer nahmen nur 21,83% der vom Basissystem synthetisierten Deklarativfragen als Fragen wahr (Bai et al., Interspeech 2022).
- Die paarweise korrekte Betonung (Pair-Correct) erreichte über alle getesteten TTS-Systeme höchstens 11,5%, während ein reines Textmodell 76,1% schaffte (Turetzky et al., CAST 2026).
- Hörer erkannten Wut in 37% der menschlichen Aufnahmen, aber nur in 7% der synthetisierten Clips (Abilbekov et al., KazEmoTTS 2024).
- Die Emotionserkennung bei der Ausgabe von CosyVoice 2 fiel von 83,93% (echte Sprache) auf 34,57%, wenn die Prosodie aus dem Text stammen musste (Ge et al., 2026).
- Bewertungen isolierter Sätze erklärten nur etwa 12% der Varianz der Absatzbewertungen (Clark et al., SSW10 2019).
- Closed-Source-TTS für lange Texte erreichte im Schnitt 3,42 bei der Ausdrucksvielfalt gegenüber 4,35 bei echter Sprache (Pan et al., SwanBench-Speech, ACL 2026 Findings).
- Menschliche Leser sprachen beim Vorlesen mit 3,20 Silben pro Sekunde gegenüber 4,96 beim freien Sprechen (Jacewicz et al., JASA 2010).
1. Prosodie messen: das Metrikproblem
Das Fachgebiet misst Prosodie überwiegend mit einer einzigen Zahl, und diese Zahl bildet kaum ab, was Hörer wahrnehmen. Der logarithmische F0-RMSE, die Standardmetrik für den Tonhöhenfehler, korrelierte mit r = 0,30 mit menschlichen Prosodiebewertungen, weniger als die Hälfte der Korrelation einer neueren tokenbasierten Metrik (Yang et al., ProsodyEval 2025). F0 (Grundfrequenz) ist das akustische Maß hinter der wahrgenommenen Tonhöhe, und der RMSE (Wurzel aus dem mittleren quadratischen Fehler) vergleicht die synthetische Tonhöhenkurve Frame für Frame mit einer einzigen menschlichen Aufnahme desselben Satzes.
Das Problem ist struktureller Natur: Ein Satz kann mit vielen verschiedenen Melodien gut gelesen werden, daher bestraft der Abstand zu einer einzigen Referenz gültige Variationen. Auch große Audio-Sprachmodelle sind noch keine Lösung, denn Gemini 2.5 Pro erreichte im selben Benchmark mit 1.000 Beispielen, 7 TTS-Systemen und 2.000 menschlichen Bewertungen nur eine Korrelation von r = 0,27 mit menschlichen Prosodiebewertungen.
| Metrik | Wert | Quelle |
|---|---|---|
| Ausgewertete Prosodie-Bewertungsstudien (veröffentlicht 2020 bis 2024) | 100 | Galdino et al., JBCS 2025 |
| Studien, die die Tonhöhe (F0) analysierten | 95 von 100 | Galdino et al., JBCS 2025 |
| Studien nach Sprache: Englisch / Mandarin-Chinesisch / Japanisch | 48 / 27 / 15 | Galdino et al., JBCS 2025 |
| Korrelation mit menschlichen Prosodiebewertungen: logarithmischer F0-RMSE | r = 0,30 [0,19; 0,40] | Yang et al., ProsodyEval 2025 |
| Korrelation mit menschlichen Prosodiebewertungen: DS-WED (tokenbasierte Metrik) | r = 0,77 [0,73; 0,81] | Yang et al., ProsodyEval 2025 |
| Gemini 2.5 Pro als Prosodie-Richter, Korrelation mit menschlichen Bewertungen | r = 0,27 | Yang et al., ProsodyEval 2025 |
Kontext: Der systematische Überblick im Journal of the Brazilian Computer Society stellte außerdem fest, dass LJ Speech, ein englisches Einzelsprecher-Korpus mit vorgelesenen Sachtexten, der am häufigsten verwendete Datensatz war, sodass ein guter Teil der veröffentlichten Evidenz einen einzigen Lesestil in einer einzigen Sprache beschreibt. Ein separater Benchmark mit 35 TTS-Systemen von 2008 bis 2024 berichtet, dass Prosodie bei späteren Systemen wichtiger wird, und seine Autoren vermuten, dass menschliche Bewerter sich stärker darauf konzentrieren, je mehr Rausch- und Verständlichkeitsprobleme verschwinden (Minixhofer et al., TTSDS 2024).
2. Gemessener Tonhöhen- und Dauerfehler gegenüber menschlichen Aufnahmen
Wenn eine Studie den Vocoder von der Stufe trennt, die die Prosodie aus dem Text vorhersagt, entsteht der größte Teil des Tonhöhenfehlers in der zweiten. In einer Studie zu japanischen Hörbüchern lag der F0-RMSE bei 14,03 für die reine HiFi-GAN-Vocoder-Zeile und bei 27,93 für das beste vollständige TTS-Modell, etwa 2-mal höher (27,93 / 14,03 = 1,99) (Xin et al., Hörbuch-TTS 2022). Ein Vocoder ist die letzte Stufe, die akustische Merkmale in eine Wellenform umwandelt, daher nähert ein reiner Vocoder-Wert die Fehleruntergrenze der Audiokette selbst an.
Neuere Prädiktoren verbessern das nur um wenige Punkte. Ein Prosodiemodell von 2025, trainiert mit rund 750 Stunden englischem Audio, traf die Referenztonhöhe in 43,9% der Frames, gegenüber 40,2% beim stärksten Basissystem. Auch die Prosodievielfalt ist fragil: Das Feintuning auf Präferenzen (DPO) verringerte die gemessene Prosodievielfalt eines Systems um 18,8%.
| Metrik | Wert | Quelle |
|---|---|---|
| F0-RMSE: nur Vocoder (HiFi-GAN) gegenüber bestem vollständigem TTS-Modell (japanische Hörbücher) | 14,03 gegenüber 27,93 | Xin et al., Hörbuch-TTS 2022 |
| Grober Tonhöhenfehler: nur Vocoder (HiFi-GAN) gegenüber bestem TTS-Modell gegenüber Basissystem | 2,2 gegenüber 12,57 gegenüber 14,16 | Xin et al., Hörbuch-TTS 2022 |
| AB-Präferenz: kontextbewusstes Modell gegenüber Basissystem (40 Hörer) | 61,5% gegenüber 38,5% | Xin et al., Hörbuch-TTS 2022 |
| F0-RMSE: hierarchisches Modell für lange Texte gegenüber FastSpeech 2 mit BERT als Basissystem (Mandarin-Hörbücher) | 36,61 gegenüber 51,12 | Guo et al., HiGNN-TTS 2023 |
| Dauer-MSE: hierarchisches Modell für lange Texte gegenüber Basissystem | 0,1083 gegenüber 0,1421 | Guo et al., HiGNN-TTS 2023 |
| Rohe Tonhöhengenauigkeit (Anteil der Frames nahe der menschlichen Tonhöhe): ProMode gegenüber StyleTTS-2-Basissystem | 43,9% gegenüber 40,2% | Eren et al., ProMode 2025 |
| Veränderung der Prosodievielfalt nach DPO-Feintuning, CosyVoice 2 (LibriSpeech) | -18,8% | Yang et al., ProsodyEval 2025 |
Hinweis zu Ausreißern: F0-RMSE-Werte sind nur innerhalb eines Papers vergleichbar, weil Einheiten, Alignment und Datensätze abweichen. Das ProMode-Paper nennt keine Einheiten für seinen RMSE, und der HiGNN-TTS-Text beschreibt sein eigenes F0-Ergebnis mit Worten, die seiner Tabelle widersprechen, daher geben wir die Tabellenwerte an.
3. Fragen, Syntax und Homografe: den Satztyp richtig lesen
Die Frageintonation versagt dort, wo die Grammatik keinen Hinweis gibt. Ein kantonesisches Tacotron-2-Basissystem machte bei Deklarativfragen F0-Frame-Fehler in 32,76% der Frames, gegenüber 13,53% bei Aussagen, und Hörer identifizierten nur 21,83% seiner Deklarativfragen als Fragen (Bai et al., Interspeech 2022). Eine Deklarativfrage ist ein Satz in Aussageform, der mit steigender Tonhöhe enden sollte; im CanTTS-Korpus sind das rund 1.000 von 12.010 Äußerungen, sodass das Modell das Muster selten sieht. Der F0-Frame-Fehler zählt Frames, in denen die Tonhöhe oder das Vorliegen von Stimmhaftigkeit deutlich von der menschlichen Aufnahme abweicht.
Die Lösung in dieser Studie, ein separater Textklassifikator für Frage versus Aussage, hob die Erkennung auf 98,41%. Neuere Systeme bleiben uneinheitlich: Im EmergentTTS-Eval-Benchmark von 2025, bewertet von einem KI-Richter gegen eine kommerzielle Referenz, bei der 50% Gleichstand bedeuten, gewannen die Open-Source-Modelle Sesame1B, Orpheus-TTS und Qwen 2.5 Omni 31,78%, 39,64% und 49,28% der Fragen-Prompts (Manku et al., Boson AI, EmergentTTS-Eval 2025).
| Metrik | Wert | Quelle |
|---|---|---|
| Als Fragen erkannte Deklarativfragen: Tacotron-2-Basissystem gegenüber Modell mit Fragenklassifikator | 21,83% gegenüber 98,41% | Bai et al., Interspeech 2022 |
| F0-Frame-Fehler bei Deklarativfragen gegenüber Aussagen, Tacotron-2-Basissystem | 32,76% gegenüber 13,53% | Bai et al., Interspeech 2022 |
| Frageintonation korrekt wahrgenommen: Vocoder-Resynthese gegenüber zwei emotionalen TTS-Basissystemen | 99,2% gegenüber 81,6% und 85,9% | Tang et al., QI-TTS 2023 |
| Gewinnrate in der Kategorie Fragen gegen das Basissystem: GPT-4o-audio (insgesamt am besten) gegenüber Sesame1B | 56,96% gegenüber 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Gewinnrate bei syntaktischer Komplexität gegen das Basissystem: Orpheus-TTS gegenüber Sesame1B | 38,92% gegenüber 18,88% | Boson AI, EmergentTTS-Eval 2025 |
| Gewinnrate bei komplexer Aussprache gegen das Basissystem: Qwen 2.5 Omni | 3,30% | Boson AI, EmergentTTS-Eval 2025 |
| Übereinstimmung zwischen KI-Richter-Ranking und menschlichem Ranking (Spearman) | 90,5% | Boson AI, EmergentTTS-Eval 2025 |
| Französischer Homograf-Test (Blizzard 2023): Zufallsniveau gegenüber den besten Systemen | 50% gegenüber mehr als 80% | Perrotin et al., Blizzard Challenge 2023 |
Kontext: Homografe (gleich geschriebene, aber unterschiedlich ausgesprochene Wörter, etwa französisch ‘est’ als Verb oder als Himmelsrichtung) wurden von 218 Hörern in einem ABX-Test bei der Blizzard Challenge 2023 bewertet, und die Organisatoren brachten die besten Ergebnisse mit Systemen in Verbindung, die ein großes Sprachmodell im Textencoder einsetzten. Die QI-TTS-Studie stammt von März 2023; aktuellste verfügbare Daten für dieses Maß.
4. Betonung und kontrastiver Akzent
Das richtige Wort zu betonen ist derzeit der deutlichste Fehler. Im CAST-Benchmark mit 113 kontrastiven Paaren (226 Items) lagen die Pair-Correct-Werte (das richtige Wort in beiden Versionen eines Paares betont) bei nahezu allen Systemen nahe null, und der beste Wert betrug 11,5%, erreicht nur bei ausdrücklich markierter Betonung in der Eingabe (Turetzky et al., CAST 2026). Derselbe Benchmark zeigte, dass ein reines Textsprachmodell die beabsichtigte Betonung in 76,1% der Fälle aus dem Kontext ableiten kann; die Information ist also vorhanden, TTS-Systeme setzen sie nur nicht in Klang um.
Den vorangehenden Kontext an das TTS-Modell zu geben, brachte bei keinem System eine klare Verbesserung. Ältere Hörerstudien weisen in dieselbe Richtung: Fehlermarkierungen bei synthetischer Sprache häufen sich um prosodische Grenzen, und zusätzliche prosodische Variation wird oft als Fehler gehört, wenn sie nicht zum Kontext passt.
| Metrik | Wert | Quelle |
|---|---|---|
| Zielwort betont (Hit) / beide Seiten korrekt (Pair-Correct): Kokoro | 38,1% / 0,0% | Turetzky et al., CAST 2026 |
| Hit / Pair-Correct: GPT-4o-mini-tts mit ausdrücklicher Betonungsmarkierung | 51,8% / 11,5% | Turetzky et al., CAST 2026 |
| Hit / Pair-Correct: reines Text-Modell Claude Haiku 4.5, das die Betonung aus dem Kontext vorhersagt | 88,1% / 76,1% | Turetzky et al., CAST 2026 |
| Von Hörern erkanntes betontes Wort, EME-TTS: Mittelwert gegenüber Überraschung | 78% gegenüber 64% | Li et al., EME-TTS 2025 |
| Korrelation zwischen Prosodiebewertung und von Hörern markierter Fehlerrate | R = -0,75 | Gutierrez et al., SSW11 2021 |
| Anteil der Fälle, in denen das am häufigsten als fehlerhaft markierte Wort von FastPitch direkt vor einem Satzzeichen stand (Hörbuchtext) | 73% | Gutierrez et al., SSW11 2021 |
Kontext: Die Übereinstimmung der Hörer darüber, wo die Betonung in synthetischer Sprache liegt, ist selbst bescheiden (Fleiss’ Kappa = 0,36 unter drei Hörern im selben Benchmark), was ein Grund dafür ist, dass Betonung schwer zu messen ist. Bei EME-TTS (11 Hörer) schnitt Überraschung am schlechtesten ab, und die Autoren führen das auf den häufigen Tonhöhenanstieg am Ende überraschter Sprache zurück, der Hörer das letzte Wort als betont wahrnehmen ließ. Die Studie zur schnellen Prosodietranskription stammt von 2021; aktuellste verfügbare Daten für die Fehlermarkierung durch Hörer.
5. Emotionale Prosodie: Was Hörer und Klassifikatoren erkennen
Emotion wird zu einem großen Teil durch Prosodie vermittelt, und synthetische Emotion wird weit seltener erkannt als aufgenommene. In einer kasachischen Studie mit 64 Hörern wurde die beabsichtigte Emotion in 43% der menschlichen Aufnahmen erkannt, aber nur in 32% der synthetisierten Clips, und Wut sank von 37% auf 7% (Abilbekov et al., KazEmoTTS 2024).
Eine Analyse von 2026 verfolgte, wo die Emotion verloren geht. Bei CosyVoice 2 blieb die Emotionserkennung nach der Vocoder-Rekonstruktion bei 82,43% und bei 84,07%, wenn das Modell die echten Sprach-Tokens erhielt, nahe an den 83,93% für echte Sprache, fiel aber auf 34,57%, wenn das Modell die Sprache aus dem Text erzeugen musste (Ge et al., On the Emotion Understanding of Synthesized Speech, 2026). Der Verlust liegt im Schritt von Text zu Prosodie, nicht in der Audioqualität. Wie Erkennungsmodelle bei menschlichen Stimmen abschneiden, zeigen unsere Statistiken zur Spracherkennung von Emotionen.
| Metrik | Wert | Quelle |
|---|---|---|
| Emotionserkennung durch Hörer: menschliche Aufnahmen gegenüber synthetisierten (6 Emotionen) | 43% gegenüber 32% | Abilbekov et al., KazEmoTTS 2024 |
| Erkennung von Wut durch Hörer: menschliche Aufnahmen gegenüber synthetisierten | 37% gegenüber 7% | Abilbekov et al., KazEmoTTS 2024 |
| Genauigkeit des Emotionsklassifikators (emotion2vec): menschliche TESS-Aufnahmen gegenüber synthetisiertem TESS | 99,64% gegenüber 15,31% | Ge et al., 2026 |
| Genauigkeit des Emotionsklassifikators: menschliches IEMOCAP gegenüber synthetisiertem IEMOCAP | 71,28% gegenüber 49,58% | Ge et al., 2026 |
| CosyVoice 2 auf TESS: echte Sprache gegenüber nur Vocoder gegenüber textgesteuerter Erzeugung | 83,93% gegenüber 82,43% gegenüber 34,57% | Ge et al., 2026 |
| Genauigkeit des Emotionsklassifikators bei gpt-4o-tts-Ausgabe (CREMA-D- / TESS-Sätze) | 32,94% / 46,42% | Ge et al., 2026 |
| Genauigkeit der Emotions-Neuklassifikation: per Vocoder wiedergegebene menschliche Aufnahmen gegenüber bestem und schwächstem von drei TTS-Systemen | 0,931 gegenüber 0,749 und 0,623 | Tang et al., ED-TTS 2024 |
| Gewinnrate in der Kategorie Emotionen gegen das Basissystem: GPT-4o-audio gegenüber Sesame1B | 88,84% gegenüber 7,32% | Boson AI, EmergentTTS-Eval 2025 |
Hinweis zu Ausreißern: Die Klassifikatorwerte von 2026 sind Maschinenbewertungen, keine Hörerurteile, und ein auf synthetisierter Sprache trainierter Klassifikator erreichte 91,84% auf synthetisiertem TESS, aber 15,00% auf menschlichem TESS, was nahelegt, dass sich synthetische und menschliche Emotion akustisch unterscheiden. ED-TTS verwendete einen eigenen Emotionsklassifikator, daher ist seine Skala nicht direkt mit emotion2vec vergleichbar.
6. Vorlesen langer Texte: wo Satztests nicht mehr funktionieren
Prosodie, die Satz für Satz gut klingt, kann über einen Absatz hinweg abdriften, flacher werden oder Pausen falsch setzen. In einer Studie zum Vorlesen von Nachrichten erklärte selbst die beste Einzelsatzbewertung eines Absatzes nur etwa 12% der Varianz der Bewertung des gesamten Absatzes (maximaler Satz-MOS gegenüber Absatz-MOS, r = 0,345, p < 0,01) (Clark et al., Evaluating Long-form Text-to-Speech, SSW10 2019). Die Autoren folgerten, dass Bewertungen auf Satzebene »schlechte Prädiktoren für den Absatz-MOS« seien.
Das Bild von 2026 ist enger, aber nicht abgeschlossen. Bei SwanBench-Speech kam das beste Closed-Source-System beim Prosodie-Wert bis auf 0,09 an echte Aufnahmen heran (3,95 gegenüber 4,04), doch der Closed-Source-Durchschnitt lag sowohl bei der Ausdrucksvielfalt (emotionale Resonanz, Figurendarstellung, Erzählkunst) als auch bei der Ausdruckshierarchie (expressive Dynamik auf Absatzebene) 0,93 Punkte hinter echter Sprache, und die meisten Modelle wurden schlechter, sobald eine Passage 100 Wörter überschritt (Pan et al., SwanBench-Speech, ACL 2026 Findings). Für Produzenten, die mit vertonten Schulungs- und Erklärinhalten arbeiten, behandeln unsere Statistiken zu KI-Voiceover die Verbreitung, und ein KI-Stimmengenerator lässt sich am besten an einem ganzen Absatz beurteilen, nicht an einer einzelnen Zeile.
| Metrik | Wert | Quelle |
|---|---|---|
| Korrelation, mittlere Satzbewertung gegenüber Absatzbewertung (Nachrichten) | r = 0,296 (p < 0,05) | Clark et al., SSW10 2019 |
| Mittlere Bewertung, kurze Sätze gegenüber 40-Sekunden-Passagen, bestes Modell | 4,09 gegenüber 3,86 | Guo et al., HiGNN-TTS 2023 |
| Mittlere Bewertung, kurze Sätze gegenüber 40-Sekunden-Passagen, Basissystem | 3,52 gegenüber 3,34 | Guo et al., HiGNN-TTS 2023 |
| Hörbuch-Hörtest: Hörer / Bewertungen / Segmentlänge | 204 / 33.750 / etwa 2 Minuten | Zhang et al., SSW 2023 |
| Gesamtqualitätsgewinn durch Verbesserungen für lange Texte (Abstract) | +0,47 MOS | Zhang et al., SSW 2023 |
| Vergleichswert nach Entfernen des Mehrsatz-Kontexts: weibliche / männliche Stimme | -0,42 / -0,58 | Zhang et al., SSW 2023 |
| Ausdrucksvielfalt: echte Sprache gegenüber Closed-Source-Durchschnitt gegenüber Open-Source-Durchschnitt | 4,35 gegenüber 3,42 gegenüber 3,03 | Pan et al., SwanBench-Speech 2026 |
| Ausdruckshierarchie (Dynamik auf Absatzebene): echte Sprache gegenüber Closed-Source-Durchschnitt | 3,94 gegenüber 3,01 | Pan et al., SwanBench-Speech 2026 |
Kontext: Die SwanBench-Werte sind automatisch. Seine Prosodie-Metrik stimmte mit 10 menschlichen Bewertern bei SRCC = 0,82 über 50 Paare überein, und sein Richter für Ausdrucksvielfalt und Hierarchie (Gemini 3 Pro) bei 0,71 und 0,62. Das Paper zur Hörbuchsynthese erklärt, dass seine Verbesserungen »die große Lücke zwischen der Basissynthese und natürlichen Aufnahmen verringern«, ohne sie zu schließen. Die Studie von Clark et al. stammt von 2019; aktuellste verfügbare Daten für den Vergleich Satz gegenüber Absatz.
7. Die menschliche Baseline: wie stark echte Prosodie schwankt
Jede »Fehler«-Zahl setzt ein Ziel voraus, und menschliche Prosodie ist ein breites Ziel. Bei 192 Sprechern des amerikanischen Englisch lag die Artikulationsrate beim Vorlesen von Sätzen bei 3,20 Silben pro Sekunde und im Spontansprechen bei 4,96 (Jacewicz et al., JASA 2010). Die Artikulationsrate zählt Silben pro Sekunde ohne Pausen und trennt so das Tempo vom Zögern.
Die Schwankung innerhalb einer Person ist die größere Geschichte: In denselben Daten übertraf die Schwankung von Phrase zu Phrase innerhalb eines Sprechers die Schwankung zwischen Sprechern. Eine Korpusstudie, vorgestellt auf der LabPhon 19 mit knapp 120.000 Äußerungen, fand, dass einzelne Sprecher stärker variieren als Dialekte. Deshalb ist eine einzelne Referenzaufnahme ein schwacher Maßstab, wie Abschnitt 1 für den F0-RMSE gezeigt hat.
| Metrik | Wert | Quelle |
|---|---|---|
| Artikulationsrate, vorgelesene Sätze gegenüber Spontansprechen (Silben pro Sekunde) | 3,20 gegenüber 4,96 | Jacewicz et al., JASA 2010 |
| Spontane Rate, Sprecher aus Wisconsin gegenüber North Carolina (Silben pro Sekunde) | 5,21 gegenüber 4,80 | Jacewicz et al., JASA 2010 |
| Leserate, junge Erwachsene gegenüber den ältesten Erwachsenen (Silben pro Sekunde) | 3,58 gegenüber 3,0 | Jacewicz et al., JASA 2010 |
| Varianz der Sprechgeschwindigkeit: innerhalb eines Sprechers gegenüber zwischen Sprechern | 1,0 gegenüber 0,19 | Jacewicz et al., JASA 2010 |
| Korpusgröße: Äußerungen / Sprecher / Dialekte | 119.736 / 1.115 / 15 | Tanner et al., LabPhon 19 |
| Geschätzter Unterschied der Artikulationsrate zwischen englischen Dialekten | etwa 40% (etwa 2 Silben pro Sekunde) | Tanner et al., LabPhon 19 |
| Wahrscheinlichkeit, dass die Sprechervariation die Dialektvariation übersteigt | 0,98 | Tanner et al., LabPhon 19 |
Kontext: Das SPADE-Paper zur Artikulationsrate verwendete 14 Korpora spontaner Sprache aus britischem und nordamerikanischem Englisch. Die Daten von Jacewicz stammen von 2010; aktuellste verfügbare Daten für gelesenes gegenüber spontanem Tempo in einer einzigen kontrollierten Stichprobe. Zu einem weiteren prosodischen Merkmal, bei dem Hörerurteile von der Akustik abweichen, siehe unsere Statistiken zu Vocal Fry.
Zusammenfassung: Prosodie- und Intonationsfehler bei neuronalem TTS in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Prosodiestudien (2020 bis 2024), die die Tonhöhe analysierten | 95 von 100 | Galdino et al., JBCS 2025 |
| Korrelation des logarithmischen F0-RMSE mit menschlichen Prosodiebewertungen | r = 0,30 | Yang et al., ProsodyEval 2025 |
| F0-RMSE: nur Vocoder gegenüber bestem vollständigem TTS | 14,03 gegenüber 27,93 | Xin et al., 2022 |
| Rohe Tonhöhengenauigkeit eines Prosodie-Prädiktors von 2025 | 43,9% | Eren et al., ProMode 2025 |
| F0-Frame-Fehler, Deklarativfragen gegenüber Aussagen (Basissystem) | 32,76% gegenüber 13,53% | Bai et al., Interspeech 2022 |
| Als Fragen gehörte Deklarativfragen: Basissystem gegenüber Modell mit Klassifikator | 21,83% gegenüber 98,41% | Bai et al., Interspeech 2022 |
| Gewinnrate bei Fragen gegen das Basissystem: GPT-4o-audio gegenüber Sesame1B | 56,96% gegenüber 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Homograf-Test: Zufallsniveau gegenüber den besten Systemen | 50% gegenüber mehr als 80% | Perrotin et al., Blizzard 2023 |
| Pair-Correct bei kontrastiver Betonung: bestes TTS gegenüber reinem Textsprachmodell | 11,5% gegenüber 76,1% | Turetzky et al., CAST 2026 |
| Emotionserkennung durch Hörer: menschlich gegenüber synthetisiert | 43% gegenüber 32% | Abilbekov et al., KazEmoTTS 2024 |
| Emotionsklassifikator: menschliches gegenüber synthetisiertem TESS | 99,64% gegenüber 15,31% | Ge et al., 2026 |
| Emotionsgenauigkeit von CosyVoice 2: echte Sprache gegenüber textgesteuert | 83,93% gegenüber 34,57% | Ge et al., 2026 |
| Satzbewertung gegenüber Absatzbewertung, erklärte Varianz | etwa 12% | Clark et al., SSW10 2019 |
| Ausdrucksvielfalt: echte Sprache gegenüber Closed-Source-Durchschnitt | 4,35 gegenüber 3,42 | Pan et al., SwanBench-Speech 2026 |
| Kurze Sätze gegenüber 40-Sekunden-Passagen, bestes Modell | 4,09 gegenüber 3,86 | Guo et al., HiGNN-TTS 2023 |
| Artikulationsrate gelesen gegenüber spontan (Silben pro Sekunde) | 3,20 gegenüber 4,96 | Jacewicz et al., JASA 2010 |
| Unterschied der Artikulationsrate zwischen englischen Dialekten | etwa 40% | Tanner et al., LabPhon 19 |
Methodik und Quellen
Jede der obigen Zahlen wurde in dem Paper, der Tagungsseite oder dem Volltext gelesen, der sie berichtete. Wo ein Paper Ergebnisse nur in einem Diagramm zeigte, nutzten wir seine ausdrücklich genannten Schlussfolgerungen und verzichteten auf Näherungswerte. Maschinell bewertete Werte (KI-Richter, Emotionsklassifikatoren, automatische Benchmarks) sind im Text als solche gekennzeichnet und dürfen nicht als Hörer-Prozentwerte gelesen werden.
- Galdino, Matos, Svartman und Aluisio, “The evaluation of prosody in speech synthesis: a systematic review”, Journal of the Brazilian Computer Society, 9. Juli 2025
- Yang et al., “Measuring Prosody Diversity in Zero-Shot TTS” (ProsodyEval), arXiv 2509.19928, überarbeitet am 1. April 2026
- Minixhofer, Klejch und Bell, “TTSDS - Text-to-Speech Distribution Score”, arXiv 2407.12707, 2024
- Xin et al., “Improving Speech Prosody of Audiobook Text-to-Speech Synthesis with Acoustic and Textual Contexts”, arXiv 2211.02336, 2022
- Guo et al., “HiGNN-TTS: Hierarchical Prosody Modeling with Graph Neural Networks for Expressive Long-form TTS”, arXiv 2309.13907, 2023
- Eren et al., “ProMode: A Speech Prosody Model Conditioned on Acoustic and Textual Inputs”, arXiv 2508.09389, 2025
- Bai, Ko und Zhang, “A Study of Modeling Rising Intonation in Cantonese Neural Speech Synthesis”, Interspeech 2022
- Tang et al., “QI-TTS: Questioning Intonation Control for Emotional Speech Synthesis”, arXiv 2303.07682, 2023
- Manku et al. (Boson AI), “EmergentTTS-Eval”, arXiv 2505.23009, 29. Mai 2025
- Perrotin, Stephenson, Gerber und Bailly, “The Blizzard Challenge 2023”, ISCA Archive
- Turetzky et al., “Knowing What to Stress: A Discourse-Conditioned Text-to-Speech Benchmark” (CAST), arXiv 2604.10580, 12. April 2026
- Li et al., EME-TTS, zum Zusammenhang zwischen Betonung und Emotion in der Sprachsynthese, arXiv 2507.12015, 2025
- Gutierrez, Oplustil-Gallegos und Lai, “Location, Location”, ISCA SSW11, 2021
- Abilbekov et al., “KazEmoTTS: A Dataset for Kazakh Emotional Text-to-Speech Synthesis”, arXiv 2404.01033, 2024
- Ge et al., “On the Emotion Understanding of Synthesized Speech”, arXiv 2603.16483, 17. März 2026
- Tang et al., “ED-TTS: Multi-Scale Emotion Modeling using Cross-Domain Emotion Diarization”, arXiv 2401.08166, 2024
- Clark, Silen, Kenter und Leith, “Evaluating Long-form Text-to-Speech: Comparing the Ratings of Sentences and Paragraphs”, SSW10, arXiv 1909.03965, 2019
- Zhang et al., “Audiobook synthesis with long-form neural text-to-speech”, ISCA SSW12, 2023
- Pan et al., “Comprehensive Benchmarking of Long-Form Speech Generation in Diverse Scenarios” (SwanBench-Speech), ACL 2026 Findings, arXiv 2605.28618
- Jacewicz, Fox und Wei, “Between-speaker and within-speaker variation in speech tempo of American English”, Journal of the Acoustical Society of America, 2010
- Tanner et al. und das SPADE Data Consortium, “Exposing the anatomy of articulation rate across English dialects and speakers”, LabPhon 19
- Daten-Hinweis: F0-RMSE-Werte sind zwischen Papers nicht vergleichbar (unterschiedliche Einheiten, Alignments und Datensätze), und das ProMode-Paper nennt keine Einheiten. Xin et al. führen eine HiFi-GAN-Zeile auf, ohne sie zu beschreiben; wir lesen sie als reine Vocoder-Ausgabe, weil ihre spektrale Verzerrung weit unter den TTS-Zeilen liegt, was unsere eigene Schlussfolgerung ist. Jacewicz et al. nennen im Text 5,21 und 4,80 Silben pro Sekunde, in einer Tabelle für dieselben Dialekte aber 5,38 und 4,97; wir geben den Text wieder. Das SSW-2023-Hörbuch-Paper nennt im Abstract einen MOS-Gewinn von 0,47 und im Fließtext 0,46; die systembezogenen Werte seines Diagramms ließen sich nicht verlässlich zuordnen, daher haben wir sie weggelassen. SwanBench-Speech sagt, die Hierarchielücke betrage »über einen halben Punkt«, während die Durchschnitte seiner Tabelle 0,93 ergeben; wir geben die Tabelle wieder. Die Ergebnisse von EmergentTTS-Eval und SwanBench stammen von KI-Richtern, die an kleinen menschlichen Gruppen validiert wurden, und spätere technische Berichte, die die EmergentTTS-Texte umgeschrieben haben, sind mit dem Originalpaper nicht vergleichbar. Die Werte von QI-TTS (2023), Xin et al. (2022), Bai et al. (2022), Gutierrez et al. (2021), Clark et al. (2019) und Jacewicz et al. (2010) sind älter als drei Jahre und die aktuellsten verfügbaren Daten für diese konkreten Maße. Mehrere Quellen von 2026 sind Preprints und können sich nach dem Peer-Review ändern. Die nächsten Ergebnisse der Blizzard Challenge und die Tagungsbände von Speech Prosody könnten neuere Daten zu Frageintonation und langen Texten liefern.
Zuletzt aktualisiert: 31. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn die nächsten Ergebnisse der Blizzard Challenge im ISCA Archive veröffentlicht werden.