Googles Tacotron 2 erzielte im Dezember 2017 eine mittlere Bewertung (MOS) von 4,53 gegenüber 4,58 für professionell aufgenommene Sprache (Google, Tacotron-2-Paper, 2017), und seither hat sich der Abstand zwischen synthetischer und menschlicher Sprache auf fast allen Standard-Benchmarks geschlossen. Bis 2024 lagen Zero-Shot-Systeme wie VALL-E 2 und MaskGCT leicht über den Referenzaufnahmen, mit denen sie verglichen wurden (Microsoft, VALL-E 2, 2024; MaskGCT, 2024), und in einer Hörstudie von 2025 wurden 58% der Stimmklone für echte menschliche Stimmen gehalten (Queen Mary University of London, PLOS ONE 2025). Die schwierigere Frage lautet 2026 nicht mehr, ob Maschinen menschlich klingen können, sondern ob der MOS-Test den Unterschied überhaupt noch messen kann. Wir haben Daten von Google DeepMind, Microsoft Research, ByteDance, der Blizzard Challenge, der VoiceMOS Challenge, ITU-T, PLOS ONE, Artificial Analysis und Hugging Face zusammengeführt; für das größere Marktbild siehe unsere Zusammenstellung der Text-to-Speech-Statistiken.
TL;DR
- Tacotron 2 erzielte einen MOS von 4,53 gegenüber 4,58 für professionelle Aufnahmen (Google, Tacotron-2-Paper, 2017).
- WaveNet verringerte den Abstand zur menschlichen Sprache um über 50%, mit 4,21 gegenüber 4,55 im US-Englischen (DeepMind, WaveNet 2016).
- NaturalSpeech erzielte -0,01 CMOS gegenüber den LJ-Speech-Aufnahmen, ohne signifikanten Unterschied (Microsoft Research, NaturalSpeech 2022).
- VALL-E 2 erzielte +0,033 CMOS und 4,61 SMOS gegenüber 4,13 für die Referenzaufnahme auf LibriSpeech (Microsoft, VALL-E 2, 2024).
- NaturalSpeech 3 wurde mit 200.000 Stunden und 1 Milliarde Parametern trainiert (Microsoft, NaturalSpeech 3, 2024).
- CosyVoice 3 steigerte die Trainingsdaten von 10.000 auf 1 Million Stunden in 9 Sprachen (Alibaba, CosyVoice 3, 2025).
- Menschliche Aufnahmen erzielten in vier maßgeblichen Papern zwischen 4,30 und 4,58 MOS (Paper von Google, DeepMind, Kakao und Microsoft, 2016-2021).
- Zwei Systeme der Blizzard Challenge 2023 waren im MOS statistisch nicht von natürlicher Sprache zu unterscheiden, ein Novum für den Wettbewerb (Zusammenfassung der Blizzard Challenge 2023, Computer Speech and Language 2024).
- 58% der Stimmklone und 41% der generischen KI-Stimmen wurden als menschlich eingestuft (Lavan et al., PLOS ONE 2025).
- Hörer erkannten Sprach-Deepfakes in 73% der Fälle richtig (Mai et al., PLOS ONE 2023).
- Die VoiceMOS Challenge 2022 umfasste 187 TTS- und Stimmkonvertierungssysteme von 22 Teams (VoiceMOS Challenge 2022).
- Das beste Modell der Speech Arena erzielte 1321 Elo bei einem Intervall von plus/minus 189 (Artificial Analysis, Oktober 2026).
1. Die menschliche Obergrenze ist keine feste Zahl
Jede Paritätsaussage hängt von einem Referenzwert für echte Sprache ab, und dieser Referenzwert bewegt sich. Aufgenommene menschliche Sprache erzielte in maßgeblichen TTS-Papern zwischen 4,30 und 4,58 MOS, eine Spanne von 0,28 Punkten, die breiter ist als der Abstand zwischen vielen konkurrierenden Systemen in denselben Tabellen. Allein der Datensatz LJ Speech lieferte 4,46 im VITS-Paper und 4,30 im FastSpeech-2-Paper, weil Hörergruppen, Anweisungen und Testdesign von Labor zu Labor unterschiedlich sind.
Die praktische Lesart: Ein MOS von 4,4 sagt für sich genommen nichts aus. Er wird erst neben dem Wert der Referenzaufnahme aus demselben Hörtest aussagekräftig, weshalb moderne Paper zunehmend CMOS (vergleichender MOS, eine direkte Gegenüberstellung relativ zu einer Referenz) statt des rohen MOS angeben. Das VITS-Paper ist ein gutes Beispiel: Es nennt 4,46 für die Referenzaufnahme und 4,43 für das eigene System, einen Abstand von 0,03 innerhalb der Konfidenzintervalle.
| Metrik | Wert | Quelle |
|---|---|---|
| MOS professionell aufgenommener Sprache, Tacotron-2-Test | 4,58 | Google, Tacotron-2-Paper, 2017 |
| MOS menschlicher Sprache, US-Englisch, WaveNet-Test | 4,55 | DeepMind, WaveNet 2016 |
| MOS menschlicher Sprache, Mandarin, WaveNet-Test | 4,21 | DeepMind, WaveNet 2016 |
| MOS der LJ-Speech-Referenzaufnahme, VITS-Test | 4,46 (plus/minus 0,06) | Kim et al. (Kakao Enterprise), VITS 2021 |
| MOS der VCTK-Referenzaufnahme, VITS-Test | 4,38 (plus/minus 0,07) | Kim et al., VITS 2021 |
| MOS der LJ-Speech-Referenzaufnahme, FastSpeech-2-Test | 4,30 (plus/minus 0,07) | Microsoft und Zhejiang-Universität, FastSpeech 2 2020 |
| Referenzaufnahme durch einen Vocoder geschickt, FastSpeech-2-Test | 3,92 | FastSpeech 2 2020 |
Kontexthinweis: Die Vocoder-Zeile ist wichtig. Allein das Umwandeln echter Aufnahmen in Mel-Spektrogramme und zurück kostete im FastSpeech-2-Test 0,38 MOS-Punkte, was zeigt, wie viel des historischen Abstands von der Wellenformerzeugung und nicht von der Textmodellierung herrührte. Die meisten dieser Paper sind älter als drei Jahre und werden als jüngste verfügbare Daten für ihre Benchmarks gezeigt.
2. Von WaveNet zur Parität: Einzelsprecher-TTS, 2016 bis 2022
Die Einzelsprecher-Geschichte dauerte etwa sechs Jahre. WaveNet verringerte 2016 den Abstand zwischen den besten bestehenden Systemen und menschlicher Sprache um über 50%, mit 4,21 im US-Englischen gegenüber 3,86 für konkatenative und 3,67 für parametrische Synthese (WaveNet-Ankündigung von DeepMind). Tacotron 2 senkte den Abstand dann auf 0,05 Punkte, und 2021 erreichte VITS auf dem Mehrsprecher-Datensatz VCTK mit 4,38 die Referenzaufnahme.
Die Ziellinie kam mit Microsofts NaturalSpeech, das auf Satzebene -0,01 CMOS gegenüber den LJ-Speech-Aufnahmen erzielte, wobei ein Wilcoxon-Vorzeichen-Rang-Test keinen signifikanten Unterschied zeigte. Interessant ist, was danach kam: Sobald auf sauberer Vorlesesprache Parität erreicht war, hörte das Feld auf, bei der Einzelsprecher-Natürlichkeit zu konkurrieren, und wandte sich dem Klonen unbekannter Stimmen aus wenigen Sekunden Audio zu.
| Metrik | Wert | Quelle |
|---|---|---|
| WaveNet-MOS gegenüber Mensch, US-Englisch | 4,21 gegenüber 4,55 | DeepMind, WaveNet 2016 |
| WaveNet-MOS gegenüber Mensch, Mandarin | 4,08 gegenüber 4,21 | DeepMind, WaveNet 2016 |
| Konkatenativer gegenüber parametrischem MOS, US-Englisch (vor WaveNet) | 3,86 gegenüber 3,67 | DeepMind, WaveNet 2016 |
| Tacotron-2-MOS gegenüber Aufnahmen | 4,53 gegenüber 4,58 | Google, Tacotron-2-Paper, 2017 |
| VITS-MOS gegenüber Referenzaufnahme, LJ Speech | 4,43 gegenüber 4,46 | Kim et al., VITS 2021 |
| VITS-MOS gegenüber Referenzaufnahme, VCTK Mehrsprecher | 4,38 gegenüber 4,38 | Kim et al., VITS 2021 |
| Tacotron 2 + HiFi-GAN auf VCTK, gleicher Test | 3,14 | Kim et al., VITS 2021 |
| NaturalSpeech-CMOS gegenüber LJ-Speech-Aufnahmen | -0,01 (p >> 0,05) | Microsoft Research, NaturalSpeech 2022 |
Die Geschwindigkeit verbesserte sich zusammen mit der Qualität. VITS synthetisierte mit dem 67,12-Fachen der Echtzeit, gegenüber dem 27,48-Fachen einer Glow-TTS-plus-HiFi-GAN-Pipeline, und FastSpeech 2 trainierte in 17,02 Stunden gegenüber 53,12 bei FastSpeech, eine Beschleunigung um das 3,12-Fache (FastSpeech-2-Paper).
| Metrik | Wert | Quelle |
|---|---|---|
| VITS-Echtzeitfaktor | 67,12x | Kim et al., VITS 2021 |
| Glow-TTS + HiFi-GAN-Echtzeitfaktor | 27,48x | Kim et al., VITS 2021 |
| FastSpeech-2-MOS gegenüber Tacotron-2-MOS (20 muttersprachliche Bewerter) | 3,83 gegenüber 3,70 | FastSpeech 2 2020 |
| Trainingszeit FastSpeech 2 gegenüber FastSpeech | 17,02 h gegenüber 53,12 h (3,12x schneller) | FastSpeech 2 2020 |
3. Zero-Shot-Stimmklonen erreicht und übertrifft die Referenz
Zero-Shot-TTS, das einen unbekannten Sprecher aus einer kurzen Probe klont, hat denselben Weg in etwa zwei Jahren zurückgelegt. Microsofts VALL-E 2 erzielte +0,033 CMOS gegenüber der Referenzaufnahme auf LibriSpeech, und sein Wert für die Sprecherähnlichkeit (4,61) übertraf die echten Aufnahmen (4,13) (VALL-E-2-Paper, 20 muttersprachliche Bewerter für amerikanisches Englisch). Das ursprüngliche VALL-E, im Januar 2023 veröffentlicht und mit 60.000 Stunden Englisch trainiert, lag auf LibriSpeech noch 0,17 CMOS hinter der Referenzaufnahme.
Der gemeinsame Faden ist die Skalierung. NaturalSpeech 3 nutzte 200.000 Stunden und 1 Milliarde Parameter, MaskGCT 100.000 Stunden Sprache unter realen Bedingungen und Alibabas CosyVoice 3 eine Million Stunden in 9 Sprachen und 18 chinesischen Dialekten. Die Frage für Käufer von Software zum Stimmklonen im Jahr 2026 lautet nicht mehr, ob ein Klon in einem Labortest eine Referenzaufnahme erreichen kann, sondern wie konsistent er das bei verrauschten Referenzproben, Akzenten und ausdrucksstarker Sprache schafft. Unsere Statistiken zum Stimmklonen behandeln Verbreitung und Missbrauch.
| Metrik | Wert | Quelle |
|---|---|---|
| VALL-E-Trainingsdaten | 60.000 Stunden Englisch | Microsoft, VALL-E 2023 |
| VALL-E-CMOS gegenüber Referenzaufnahme, LibriSpeech (Referenz +0,17) | -0,17 | Microsoft, VALL-E 2023 |
| VALL-E-2-CMOS gegenüber Referenzaufnahme, LibriSpeech | +0,033 | Microsoft, VALL-E 2, 2024 |
| VALL-E-2-SMOS gegenüber Referenzaufnahme, LibriSpeech | 4,61 gegenüber 4,13 | Microsoft, VALL-E 2, 2024 |
| NaturalSpeech-3-CMOS (Referenz bei +0,08) | 0,00 | Microsoft, NaturalSpeech 3, 2024 |
| NaturalSpeech-3-SMOS gegenüber Referenzaufnahme | 4,01 gegenüber 3,85 | Microsoft, NaturalSpeech 3, 2024 |
| MaskGCT-CMOS gegenüber Referenzaufnahme, LibriSpeech | +0,10 | MaskGCT 2024 |
| Seed-TTS-CMOS gegenüber Mensch, Englisch / Mandarin | -0,07 / -0,08 | ByteDance, Seed-TTS 2024 |
Objektive Metriken erzählen dieselbe Geschichte. CosyVoice 3 erzielte auf dem englischen Seed-TTS-Testset eine Wortfehlerrate von 1,45% gegenüber 2,14% bei den menschlichen Aufnahmen (CosyVoice-3-Paper), das heißt, die automatische Spracherkennung transkribiert das synthetische Audio genauer als die echte Sprache. Das ist ein Zeichen für sehr saubere Artikulation, nicht zwingend für größere Natürlichkeit, denn echte Sprecher nuscheln, zögern und variieren.
| Metrik | Wert | Quelle |
|---|---|---|
| NaturalSpeech-3-Trainingsdaten und Größe | 200.000 Stunden, 1 Mrd. Parameter | Microsoft, NaturalSpeech 3, 2024 |
| MaskGCT-Trainingsdaten | 100.000 Stunden (50.000 Englisch, 50.000 Chinesisch) | MaskGCT 2024 |
| CosyVoice-3-Trainingsdaten | 1 Million Stunden, 9 Sprachen, 18 chinesische Dialekte | Alibaba, CosyVoice 3, 2025 |
| CosyVoice-3-WER gegenüber Mensch, Seed-TTS test-en | 1,45% gegenüber 2,14% | Alibaba, CosyVoice 3, 2025 |
| Seed-TTS-DiT-WER gegenüber Mensch, Englisch | 1,733 gegenüber 2,143 | ByteDance, Seed-TTS 2024 |
| F5-TTS-CMOS gegenüber Referenzaufnahme, Seed-TTS test-en / test-zh | +0,31 / +0,21 | F5-TTS 2024 |
| F5-TTS-WER gegenüber Referenzaufnahme, LibriSpeech-PC | 2,42 gegenüber 2,23 | F5-TTS 2024 |
Kontexthinweis: Die eigenen VCTK-Ergebnisse von VALL-E 2 zeigen, wie fragil Parität ist. Mit 3-Sekunden-Proben entsprach sein SMOS der Referenzaufnahme (4,47 gegenüber 4,47), aber mit 10-Sekunden-Proben erzielte die Referenzaufnahme 4,74 und VALL-E 2 zwischen 3,95 und 4,26. CosyVoice 3 berichtet außerdem, dass auf Chinesisch alle seine Modelle noch hinter der menschlichen Sprache zurückbleiben, während auf Englisch das 1,5B-Modell sie übertrifft.
4. Die Blizzard Challenge: Parität unter unabhängigen Tests
Von den Autoren selbst durchgeführte Tests haben einen offensichtlichen Interessenkonflikt, weshalb die Blizzard Challenge wichtig ist: Die Organisatoren führen einen gemeinsamen Hörtest über alle Einreichungen durch. Die Ausgabe 2023, die achtzehnte, zog 18 Teams in ihre Hub-Aufgabe (51 Stunden französisches Audio) und 14 in ihre Spoke-Aufgabe (2 Stunden), alle mit neuronalen Ansätzen (The Blizzard Challenge 2023, ISCA). Microsofts MuLanTTS, als System F bezeichnet, erzielte in der Hub-Aufgabe einen MOS von 4,3 gegenüber 4,4 für die natürliche Aufnahme und in der Spoke-Aufgabe 4,5 gegenüber 4,5 (MuLanTTS-Paper).
Die anschließende Zusammenfassung der Organisatoren zog den schärferen Schluss: Zwei Systeme wurden im MOS als statistisch nicht von natürlicher Sprache verschieden bewertet, ein Novum in der Geschichte des Wettbewerbs, doch in einem feineren MUSHRA-Test wurde jedes System als signifikant verschieden von natürlicher Sprache beurteilt (Refining the evaluation of speech synthesis, Computer Speech and Language 2024). Mit anderen Worten: Die 5-Punkte-MOS-Skala war gesättigt, bevor die Stimmen tatsächlich identisch wurden. Dieselbe Zusammenfassung stellte fest, dass nicht muttersprachliche Hörer und Laien höhere Werte vergaben als Muttersprachler und Sprachexperten.
| Metrik | Wert | Quelle |
|---|---|---|
| Hub- / Spoke-Teams, Blizzard 2023 | 18 / 14 | Perrotin et al., Blizzard Challenge 2023 |
| Hub- / Spoke-Trainingsdaten (Französisch) | 51 Stunden / 2 Stunden | Perrotin et al., Blizzard Challenge 2023 |
| MuLanTTS-MOS gegenüber natürlicher Aufnahme, Hub | 4,3 gegenüber 4,4 | Microsoft, MuLanTTS 2023 |
| MuLanTTS-MOS gegenüber natürlicher Aufnahme, Spoke | 4,5 gegenüber 4,5 | Microsoft, MuLanTTS 2023 |
| Im MOS statistisch nicht von natürlicher Sprache verschiedene Systeme | 2 (erstmals bei Blizzard) | Zusammenfassung der Blizzard Challenge 2023, CSL 2024 |
| Im MUSHRA als verschieden von natürlicher Sprache beurteilte Systeme | Alle | Zusammenfassung der Blizzard Challenge 2023, CSL 2024 |
| DelightfulTTS-MOS / -SMOS, Blizzard-2021-Aufgabe SH1 | 4,17 / 4,35 | Microsoft, DelightfulTTS 2021 |
Die Ausgabe 2025 verlagerte das schwierige Problem auf ressourcenarme Sprachen. Teams sollten Stimmen für Bildts bauen, eine niederländische Sprachvarietät mit rund 6.000 Muttersprachlern, aus einem Datensatz von 7 Stunden, dazu eine Zero-Shot-Aufgabe mit 10 Sekunden Referenzsprache (The Blizzard Challenge 2025, Universität Groningen). Sieben Teams nahmen an der Hauptaufgabe teil und fünf an der Zero-Shot-Aufgabe.
| Metrik | Wert | Quelle |
|---|---|---|
| Muttersprachler der Zielsprache, Blizzard 2025 | Rund 6.000 (Bildts) | Do et al., Blizzard Challenge 2025 |
| Trainingsdaten der Hauptaufgabe | 7 Stunden, ein Sprecher | Do et al., Blizzard Challenge 2025 |
| Referenzaudio der Zero-Shot-Aufgabe | 10 Sekunden pro Sprecher | Do et al., Blizzard Challenge 2025 |
| Teams Hauptaufgabe / Zero-Shot | 7 / 5 | Do et al., Blizzard Challenge 2025 |
5. Warum MOS-Werte voneinander abweichen: Methoden, Standards und automatische Vorhersage
Das MOS-Verfahren wurde für Telefonleitungen entwickelt, nicht für neuronale Stimmen. ITU-T P.800, im August 1996 verabschiedet, regelt noch immer subjektive Tests der Übertragungsqualität; P.800.1 (Juli 2016) standardisiert die MOS-Terminologie; und P.808 (Juni 2018, überarbeitet im Juni 2021) deckt Crowdsourcing-Tests der Sprachqualität ab (ITU-T P.808). Eine Übersicht über Interspeech- und SSW-Paper von 2021-2022 stellte fest, dass die meisten Autoren weder Skalenbeschriftungen noch Abstufungen oder Anweisungen an die Hörer angeben (Kirkland et al., Stuck in the MOS pit, SSW 2023), und dass der MOS für Qualität im Mittel höher liegt als der MOS für Natürlichkeit bei derselben natürlichen Sprache.
Dasselbe Team führte kontrollierte Hörtests mit identischen Stimuli durch und stellte fest, dass allein die Änderung der Skalenabstufung oder der Bewertungsanweisung den MOS einiger Systeme verschob. Auch die Benchmark-Wahl weicht ab: Ein Positionspapier von 2025 hielt fest, dass VALL-E auf 1.234 LibriSpeech-Äußerungen evaluiert, NaturalSpeech 3 und MaskGCT auf 40 und F5-TTS auf 1.127, und dass die WER von MaskGCT auf dem Satz mit 40 Äußerungen 2,63% beträgt, auf dem mit 1.234 aber 4,22% (Towards Responsible Evaluation for Text-to-Speech, 2025).
| Metrik | Wert | Quelle |
|---|---|---|
| Verabschiedung von ITU-T P.800 | August 1996 (in Kraft) | ITU-T |
| ITU-T P.800.1 MOS-Terminologie, neueste Version | Juli 2016 | ITU-T |
| ITU-T P.808 Crowdsourcing-Tests | Juni 2018, überarbeitet Juni 2021 | ITU-T |
| Paper, die Skalenbeschriftungen, Abstufungen oder Anweisungen angeben | Minderheit (Interspeech und SSW, 2021-2022) | Kirkland et al., SSW 2023 |
| Verwendete LibriSpeech-test-clean-Äußerungen: VALL-E / NaturalSpeech 3 / F5-TTS | 1.234 / 40 / 1.127 | Yang et al., 2025 |
| MaskGCT-WER auf 40 gegenüber 1.234 Äußerungen | 2,63% gegenüber 4,22% | Yang et al., 2025 |
| Sprecherähnlichkeit mit gegenüber ohne eingeschlossene Referenzprobe | 0,905 gegenüber 0,754 | Yang et al., 2025 |
| CosyVoice-3-MOS-Panel | 200 Sätze, 10 muttersprachliche Bewerter, Schritte von 0,5 Punkten | Alibaba, CosyVoice 3, 2025 |
Weil Tests mit Menschen langsam und inkonsistent sind, hat das Feld automatische MOS-Prädiktoren entwickelt. Die erste VoiceMOS Challenge 2022 zog 22 Teams an, die menschliche Bewertungen für 187 TTS- und Stimmkonvertierungssysteme vorhersagen sollten, die über ein Jahrzehnt Forschung abdeckten (VoiceMOS Challenge 2022), und feinabgestimmte selbstüberwachte Sprachmodelle erwiesen sich als am wirksamsten. Die Beteiligung ist seither auf 10 Teams 2023 und 8 Teams 2024 gesunken, deren erste Disziplin sich auf hochwertige Synthese unter der Lupe konzentrierte, bei der Prädiktoren am meisten Mühe haben.
| Metrik | Wert | Quelle |
|---|---|---|
| VoiceMOS-2022-Teams / Systeme in der Hauptdisziplin | 22 / 187 | Huang et al., VoiceMOS Challenge 2022 |
| VoiceMOS-2023-Teams | 10 aus 7 Ländern | VoiceMOS Challenge 2023 (ASRU 2023) |
| VoiceMOS-2024-Teams | 8 | Huang et al., VoiceMOS Challenge 2024 |
| MOS-Bench Trainings- / Testsätze | 8 / 17 | MOS-Bench 2024 (überarbeitet 2026) |
| NaturalSpeech-3-UTMOS gegenüber Referenzaufnahme | 4,30 gegenüber 4,14 | Microsoft, NaturalSpeech 3, 2024 |
Kontexthinweis: Automatische Werte wie UTMOS bewerten synthetische Sprache inzwischen routinemäßig über echten Aufnahmen, wie die Tabelle von NaturalSpeech 3 zeigt, was ein Grund ist, sie als Screening-Werkzeuge und nicht als Beleg für Natürlichkeit zu behandeln.
6. Können Hörer es noch unterscheiden? Wahrnehmungsstudien
Parität auf einer Bewertungsskala ist eine Sache; einen Hörer zu täuschen, der direkt gefragt wird, eine andere. In einer Studie der Queen Mary University of London von 2025 wurden 58% der Stimmklone und 41% der generischen KI-Stimmen als menschlich eingestuft, während echte menschliche Stimmen je nach Experiment in 62% bis 81% der Fälle als menschlich erkannt wurden (Lavan et al., PLOS ONE 2025). Die Klone wurden aus etwa 4 Minuten Aufnahmen pro Sprecher mit kommerziell erhältlichen Werkzeugen erstellt. Die Autoren betitelten das Paper mit ‘realistisch, aber (noch) nicht hyperrealistisch’: Die Klone übertrafen echte Stimmen insgesamt nicht, kamen ihnen aber nahe genug, dass das Urteil eines einzelnen Hörers unzuverlässig ist.
Die sozialen Eindrücke sind der weniger diskutierte Befund. Generische KI-Stimmen wurden als dominanter bewertet als menschliche Stimmen (58,1 gegenüber 40,4 auf einer Skala von 0 bis 100) und etwas vertrauenswürdiger (57,9 gegenüber 53,8). Für alle, die synthetische Erzählungen produzieren oder einen KI-Stimmgenerator nutzen, bedeutet das, dass Hörer auf diese Stimmen wie auf Menschen reagieren, was die Bedeutung der Offenlegung erhöht.
| Metrik | Wert | Quelle |
|---|---|---|
| Als menschlich eingestufte Stimmklone | 58% | Lavan et al., PLOS ONE 2025 |
| Als menschlich eingestufte generische KI-Stimmen | 41% | Lavan et al., PLOS ONE 2025 |
| Als menschlich eingestufte echte menschliche Stimmen | 62% bis 81% (je nach Experiment) | Lavan et al., PLOS ONE 2025 |
| Verwendete Aufnahmezeit pro Stimmklon | Etwa 4 Minuten | Lavan et al., PLOS ONE 2025 |
| Teilnehmer pro Experiment / Stimmen pro Experiment | 50 / 80 | Lavan et al., PLOS ONE 2025 |
| Dominanzbewertung, generische KI- gegenüber menschlichen Stimmen | 58,1 gegenüber 40,4 | Lavan et al., PLOS ONE 2025 |
| Vertrauenswürdigkeitsbewertung, generische KI- gegenüber menschlichen Stimmen | 57,9 gegenüber 53,8 | Lavan et al., PLOS ONE 2025 |
Frühere Daten zur Erkennung weisen in dieselbe Richtung. Eine Studie von 2023 mit 529 Teilnehmern ergab, dass Hörer Sprach-Deepfakes nur in 73% der Fälle richtig erkannten, wobei englisch- und mandarinsprachige Hörer ungefähr gleich abschnitten und fünf vorab gezeigte Deepfake-Beispiele die Genauigkeit nur um 3,84% steigerten (Mai et al., PLOS ONE 2023). Unsere Statistiken zur Genauigkeit der Audio-Deepfake-Erkennung verfolgen, wie maschinelle Detektoren im Vergleich abschneiden.
| Metrik | Wert | Quelle |
|---|---|---|
| Teilnehmer | 529 | Mai et al., PLOS ONE 2023 |
| Deepfakes richtig erkannt, Einzelclips | 73% | Mai et al., PLOS ONE 2023 |
| Echte Clips richtig erkannt, Einzelclips | 67,78% | Mai et al., PLOS ONE 2023 |
| Deepfakes erkannt, wenn mit einem echten Clip gepaart | 85,59% | Mai et al., PLOS ONE 2023 |
| Genauigkeitsgewinn durch 5 Trainingsbeispiele | 3,84% | Mai et al., PLOS ONE 2023 |
7. Präferenz-Arenen und der Markt hinter den Werten
Da der Labor-MOS sättigt, haben sich Rankings auf blinde paarweise Präferenz verlagert. Hugging Face startete die TTS Arena am 27. Februar 2024 mit sechs Modellen, ließ Nutzer die natürlichere von zwei anonymen Proben wählen und reihte die Ergebnisse mit einem Elo-ähnlichen System (Hugging Face, Start der TTS Arena). In der Artificial-Analysis-Rangliste Speech Arena vom 3. Oktober 2026 führte Eleven v4 von ElevenLabs mit 1321 Elo, aber mit einem Intervall von plus/minus 189, das sich mit jedem anderen Top-10-Modell überlappt (Artificial-Analysis-Rangliste für Text-to-Speech). Ehrlich gelesen ist die Spitzengruppe ein statistisches Unentschieden zwischen mindestens sechs Anbietern.
Hugging Faces eigene Antwort auf die langsame Stimmensammlung, das am 30. September 2026 gestartete Open TTS Leaderboard, ersetzt menschliche Stimmen durch objektive Metriken (WER, Sprecherähnlichkeit, Geschwindigkeit) und gibt an, dass die Evaluation eines Modells von etwa zwei Wochen auf etwa zwei Stunden sinkt, auf einem Hub, der inzwischen mehr als 8.000 TTS-Modelle beherbergt (Hugging Face, Open TTS Leaderboard).
| Metrik | Wert | Quelle |
|---|---|---|
| TTS-Arena-Modelle zum Start (Feb. 2024) | 6 | Hugging Face, Feb. 2024 |
| Nr. 1 der Speech Arena: Eleven v4 (ElevenLabs) | 1321 Elo (plus/minus 189), 1.930 Proben | Artificial Analysis, Okt. 2026 |
| Nr. 2: Qwen-Audio-3.1-TTS-Plus (Alibaba) | 1292 Elo (plus/minus 189) | Artificial Analysis, Okt. 2026 |
| Nr. 3 / Nr. 4: Sonic 3.6 (Cartesia) / Gemini 3.8 Flash TTS (Google) | 1278 / 1275 Elo | Artificial Analysis, Okt. 2026 |
| Nr. 10: Breeze TTS 2 (BreezeBlue) | 1216 Elo | Artificial Analysis, Okt. 2026 |
| Auf dem Hugging Face Hub gehostete TTS-Modelle | Mehr als 8.000 | Hugging Face, Sept. 2026 |
Die kommerziellen Einsätze erklären das Rennen. Neuronale und KI-Stimmen halten bereits 67,18% des Umsatzes im Text-to-Speech-Markt, den Mordor Intelligence 2026 auf 4,36 Milliarden USD beziffert und bis 2031 auf 7,92 Milliarden USD wachsen sieht (Mordor Intelligence, Text to Speech Market). Research and Markets setzt die Basis von 2023 bei 3,8 Milliarden USD an, mit einer Prognose von 9,3 Milliarden USD für 2030 (GlobeNewswire-Mitteilung, Dez. 2024).
| Metrik | Wert | Quelle |
|---|---|---|
| TTS-Marktgröße, 2025 / 2026 | 3,87 Mrd. USD / 4,36 Mrd. USD | Mordor Intelligence, 2026 |
| TTS-Marktprognose, 2031 | 7,92 Mrd. USD (12,66% CAGR) | Mordor Intelligence, 2026 |
| Umsatzanteil neuronaler / KI-Stimmen | 67,18% (15,08% CAGR) | Mordor Intelligence, 2026 |
| Anteil Nordamerikas, 2025 | 36,78% | Mordor Intelligence, 2026 |
| TTS-Markt, 2023 bis 2030 | 3,8 Mrd. USD bis 9,3 Mrd. USD (13,4% CAGR) | Research and Markets, Dez. 2024 |
| Prognose des chinesischen TTS-Markts, 2030 | 2,3 Mrd. USD (17,5% CAGR) | Research and Markets, Dez. 2024 |
Zusammenfassung: MOS synthetischer Sprache in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Tacotron-2-MOS gegenüber professionellen Aufnahmen | 4,53 gegenüber 4,58 | Google, 2017 |
| Abstandsverringerung von WaveNet zur menschlichen Sprache | Über 50% | DeepMind, 2016 |
| MOS-Spanne menschlicher Sprache in maßgeblichen Papern | 4,30 bis 4,58 | Google, DeepMind, Kakao, Microsoft, 2016-2021 |
| VITS-MOS gegenüber Referenzaufnahme, VCTK | 4,38 gegenüber 4,38 | Kakao Enterprise, 2021 |
| NaturalSpeech-CMOS gegenüber Aufnahmen | -0,01 (nicht signifikant) | Microsoft Research, 2022 |
| VALL-E-2-CMOS gegenüber Referenzaufnahme, LibriSpeech | +0,033 | Microsoft, 2024 |
| VALL-E-2-SMOS gegenüber Referenzaufnahme | 4,61 gegenüber 4,13 | Microsoft, 2024 |
| MaskGCT-CMOS gegenüber Referenzaufnahme | +0,10 | MaskGCT, 2024 |
| Seed-TTS-CMOS gegenüber Mensch, Englisch | -0,07 | ByteDance, 2024 |
| CosyVoice-3-WER gegenüber Mensch, Englisch | 1,45% gegenüber 2,14% | Alibaba, 2025 |
| CosyVoice-3-Trainingsdaten | 1 Million Stunden | Alibaba, 2025 |
| Blizzard-2023-Systeme auf Niveau natürlicher Sprache im MOS | 2 (erstmals) | Zusammenfassung der Blizzard Challenge 2023, 2024 |
| MuLanTTS gegenüber natürlicher Aufnahme, Blizzard-2023-Hub | 4,3 gegenüber 4,4 | Microsoft, 2023 |
| Paper mit vollständiger Angabe der MOS-Methode | Minderheit | Kirkland et al., SSW 2023 |
| VoiceMOS-2022-Systeme / Teams | 187 / 22 | VoiceMOS Challenge 2022 |
| Als menschlich eingestufte Stimmklone | 58% | Lavan et al., PLOS ONE 2025 |
| Von Hörern richtig erkannte Deepfakes | 73% | Mai et al., PLOS ONE 2023 |
| Höchster Elo der Speech Arena | 1321 (plus/minus 189) | Artificial Analysis, Okt. 2026 |
| Anteil neuronaler / KI-Stimmen am TTS-Umsatz | 67,18% | Mordor Intelligence, 2026 |
| TTS-Markt, 2026 | 4,36 Mrd. USD | Mordor Intelligence, 2026 |
Methodik und Quellen
Jede MOS-, CMOS- und SMOS-Zahl oben stammt aus dem Paper oder dem Wettbewerbsbericht, der den Hörtest durchgeführt hat, gelesen aus dem arXiv-Abstract oder den Tabellen im Volltext. Wo ein Paper Ergebnisse nur in einer Grafik zeigte (zum Beispiel die MOS-Balken von CosyVoice 3), haben wir die Schlussfolgerung im Text verwendet und die ungefähren Werte weggelassen. Von den Modellentwicklern selbst berichtete Paritätsaussagen sind mit dem Namen des Entwicklers gekennzeichnet, damit Leser sie gegen unabhängige Tests wie die Blizzard Challenge abwägen können.
- DeepMind: WaveNet-Ankündigung (Sept. 2016) und WaveNet-Paper
- Google: Tacotron-2-Paper (Dez. 2017)
- Microsoft und Zhejiang-Universität: FastSpeech 2 (2020)
- Kakao Enterprise: VITS (Juni 2021)
- Microsoft Research: NaturalSpeech (Mai 2022), NaturalSpeech 3 (März 2024), VALL-E (Jan. 2023), VALL-E 2 (Juni 2024), MuLanTTS (Sept. 2023), DelightfulTTS (Okt. 2021)
- ByteDance: Seed-TTS (Juni 2024)
- MaskGCT (Sept. 2024) und F5-TTS (Okt. 2024)
- Alibaba: CosyVoice 3 (Mai 2025)
- Blizzard Challenge: The Blizzard Challenge 2023 (ISCA), Refining the evaluation of speech synthesis, Computer Speech and Language (2024), The Blizzard Challenge 2025
- ITU-T: P.800, P.800.1, P.808
- Kirkland et al.: Stuck in the MOS pit, SSW 2023
- Yang et al.: Towards Responsible Evaluation for Text-to-Speech (Okt. 2025)
- VoiceMOS Challenge: 2022, 2023, 2024; MOS-Bench
- Lavan et al.: Voice clones sound realistic but not (yet) hyperrealistic, PLOS ONE (Sept. 2025)
- Mai et al.: Warning: Humans cannot reliably detect speech deepfakes, PLOS ONE (Aug. 2023)
- Hugging Face: Start der TTS Arena (Feb. 2024), Open TTS Leaderboard (Sept. 2026)
- Artificial Analysis: Text-to-Speech-Rangliste (abgerufen am 3. Okt. 2026)
- Mordor Intelligence: Text to Speech Market; Research and Markets über GlobeNewswire (Dez. 2024)
- Daten-Hinweis: MOS-, CMOS- und SMOS-Werte sind zwischen Papern nicht vergleichbar, weil Hörergruppen, Skalen und Anweisungen abweichen; auch die CMOS-Skalen unterscheiden sich (F5-TTS nutzt -3 bis +3). Die meisten Paritätsaussagen in den Abschnitten 2 und 3 stammen aus Tests der Entwickler selbst mit kleinen Panels (zum Beispiel 12 Bewerter für den VALL-E-CMOS und 20 für VALL-E 2), und die Ergebnisse von WaveNet, Tacotron 2, FastSpeech 2 und VITS sind älter als drei Jahre und werden als jüngste verfügbare Daten für diese Benchmarks gezeigt. Die Befunde der Blizzard Challenge 2023 zu statistischer Parität und MUSHRA stammen aus dem veröffentlichten Abstract der Zusammenfassung der Organisatoren. Die Elo-Werte von Artificial Analysis ändern sich täglich, sobald Stimmen eingehen, und ihre Konfidenzintervalle überlappen sich in den Top 10. Die Marktschätzungen widersprechen sich: Mordor Intelligence setzt 2025 bei 3,87 Milliarden USD mit 12,66% CAGR bis 2031 an, während Research and Markets 9,3 Milliarden USD bis 2030 mit 13,4% CAGR ab einer Basis von 3,8 Milliarden USD im Jahr 2023 prognostiziert; die Differenz spiegelt unterschiedliche Abgrenzungen wider. Die vollständigen Ergebnisse des Hörtests der Blizzard Challenge 2025 und die nächste VoiceMOS Challenge sind die wichtigsten erwarteten neuen Daten.
Zuletzt aktualisiert: 3. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn die Ergebnisse der nächsten VoiceMOS Challenge und die vollständige Analyse des Hörtests der Blizzard Challenge 2025 veröffentlicht werden.