Cuando un benchmark de 2026 pidió a sistemas neuronales de conversión de texto a voz (TTS, por sus siglas en inglés) que acentuaran la palabra correcta en dos versiones de la misma frase, las puntuaciones Pair-Correct fueron casi nulas para casi todos ellos, y el mejor resultado fue del 11,5% incluso con el acento marcado explícitamente en la entrada (Turetzky et al., benchmark CAST 2026). El mismo patrón recorre el resto de la investigación sobre prosodia: en un estudio con audiolibros en japonés, el error de tono casi se duplicó entre la resíntesis con vocoder y el TTS completo, un clasificador de emociones que acertó el 99,64% en grabaciones humanas acertó el 15,31% en las sintetizadas, y los modelos de código cerrado quedaron 0,93 puntos por detrás de las grabaciones reales en riqueza expresiva en la lectura de textos largos. Las puntuaciones generales de naturalidad ya se sitúan cerca de las grabaciones humanas (consulta nuestras estadísticas de MOS del habla sintética), pero la melodía, el ritmo y el énfasis son donde queda la brecha restante. Reunimos datos del Journal of the Brazilian Computer Society, de Interspeech y de los ISCA Speech Synthesis Workshops, del Blizzard Challenge, de ACL 2026 Findings, del Journal of the Acoustical Society of America, de LabPhon y de más de una docena de artículos de arXiv.
TL;DR
- 95 de 100 estudios de evaluación de prosodia de 2020 a 2024 analizaron el tono (F0), y el RMSE de F0 fue la métrica más usada (Galdino et al., JBCS 2025).
- El RMSE de F0 en escala logarítmica correlaciona con las valoraciones humanas de prosodia en solo r = 0,30 (Yang et al., ProsodyEval 2025).
- El error de tono (RMSE de F0) fue 14,03 en la fila solo de vocoder HiFi-GAN frente a 27,93 en el mejor modelo de TTS completo (Xin et al., TTS de audiolibros 2022).
- Un TTS de referencia en cantonés cometió un 32,76% de errores de trama de F0 en preguntas declarativas frente a un 13,53% en afirmaciones (Bai et al., Interspeech 2022).
- Los oyentes percibieron como preguntas solo el 21,83% de las preguntas declarativas sintetizadas por el sistema de referencia (Bai et al., Interspeech 2022).
- La colocación correcta del acento en ambos miembros del par (Pair-Correct) alcanzó como máximo el 11,5% entre todos los sistemas de TTS probados, mientras que un modelo solo de texto llegó al 76,1% (Turetzky et al., CAST 2026).
- Los oyentes reconocieron la ira en el 37% de las grabaciones humanas, pero en el 7% de los fragmentos sintetizados (Abilbekov et al., KazEmoTTS 2024).
- El reconocimiento de emociones en la salida de CosyVoice 2 cayó del 83,93% (habla real) al 34,57% cuando la prosodia debía provenir del texto (Ge et al., 2026).
- Las valoraciones de frases aisladas explicaron solo cerca del 12% de la varianza de las valoraciones de párrafos (Clark et al., SSW10 2019).
- El TTS de textos largos de código cerrado promedió 3,42 en riqueza expresiva frente a 4,35 del habla real (Pan et al., SwanBench-Speech, ACL 2026 Findings).
- Los lectores humanos iban a 3,20 sílabas por segundo al leer frente a 4,96 al hablar con libertad (Jacewicz et al., JASA 2010).
1. Medir la Prosodia: El Problema de las Métricas
El campo mide la prosodia sobre todo con un solo número, y ese número apenas refleja lo que oyen los oyentes. El RMSE de F0 en escala logarítmica, la métrica predeterminada de error de tono, correlacionó con las valoraciones humanas de prosodia en r = 0,30, menos de la mitad de la correlación de una métrica más reciente basada en tokens (Yang et al., ProsodyEval 2025). F0 (frecuencia fundamental) es la medida acústica detrás del tono percibido, y el RMSE (raíz del error cuadrático medio) compara la curva de tono sintética, trama a trama, con una única grabación humana de la misma frase.
El problema es estructural: una frase puede leerse bien con muchas melodías distintas, así que la distancia a una sola referencia penaliza variaciones válidas. Ni siquiera los grandes modelos de lenguaje de audio son aún una solución, ya que Gemini 2.5 Pro obtuvo una correlación de r = 0,27 con las valoraciones humanas de prosodia en el mismo benchmark de 1.000 muestras, 7 sistemas de TTS y 2.000 valoraciones humanas.
| Métrica | Valor | Fuente |
|---|---|---|
| Estudios de evaluación de prosodia revisados (publicados de 2020 a 2024) | 100 | Galdino et al., JBCS 2025 |
| Estudios que analizaron el tono (F0) | 95 de 100 | Galdino et al., JBCS 2025 |
| Estudios por idioma: inglés / chino mandarín / japonés | 48 / 27 / 15 | Galdino et al., JBCS 2025 |
| Correlación con las valoraciones humanas de prosodia: RMSE de F0 en escala logarítmica | r = 0,30 [0,19; 0,40] | Yang et al., ProsodyEval 2025 |
| Correlación con las valoraciones humanas de prosodia: DS-WED (métrica basada en tokens) | r = 0,77 [0,73; 0,81] | Yang et al., ProsodyEval 2025 |
| Gemini 2.5 Pro como juez de prosodia, correlación con las valoraciones humanas | r = 0,27 | Yang et al., ProsodyEval 2025 |
Contexto: la revisión sistemática del Journal of the Brazilian Computer Society también encontró que LJ Speech, un corpus de inglés con un solo hablante y lectura de textos de no ficción, fue el conjunto de datos más utilizado, de modo que buena parte de la evidencia publicada describe un único estilo de lectura en un único idioma. Un benchmark aparte, con 35 sistemas de TTS de 2008 a 2024, reporta que la prosodia importa más en los sistemas más recientes, y sus autores sugieren que los evaluadores humanos se centran más en ella a medida que se desvanecen los problemas de ruido e inteligibilidad (Minixhofer et al., TTSDS 2024).
2. Error de Tono y de Duración Medido Frente a Grabaciones Humanas
Cuando un estudio separa el vocoder de la etapa que predice la prosodia a partir del texto, la mayor parte del error de tono aparece en la segunda. En un estudio con audiolibros en japonés, el RMSE de F0 fue 14,03 en la fila solo de vocoder HiFi-GAN y 27,93 en el mejor modelo de TTS completo, unas 2 veces mayor (27,93 / 14,03 = 1,99) (Xin et al., TTS de audiolibros 2022). Un vocoder es la etapa final que convierte las características acústicas en una forma de onda, así que una puntuación solo de vocoder aproxima el piso de error de la propia cadena de audio.
Los predictores más recientes recortan apenas unos puntos. Un modelo de prosodia de 2025 entrenado con unas 750 horas de audio en inglés igualó el tono de referencia en el 43,9% de las tramas, frente al 40,2% de la línea base más fuerte. La variedad de la prosodia también es frágil: el ajuste fino por preferencias (DPO) redujo un 18,8% la diversidad de prosodia medida en un sistema.
| Métrica | Valor | Fuente |
|---|---|---|
| RMSE de F0: solo vocoder (HiFi-GAN) frente al mejor modelo de TTS completo (audiolibros en japonés) | 14,03 frente a 27,93 | Xin et al., TTS de audiolibros 2022 |
| Error grueso de tono: solo vocoder (HiFi-GAN) frente al mejor modelo de TTS frente a la línea base | 2,2 frente a 12,57 frente a 14,16 | Xin et al., TTS de audiolibros 2022 |
| Preferencia AB: modelo sensible al contexto frente a la línea base (40 oyentes) | 61,5% frente a 38,5% | Xin et al., TTS de audiolibros 2022 |
| RMSE de F0: modelo jerárquico para textos largos frente a la línea base FastSpeech 2 con BERT (audiolibros en mandarín) | 36,61 frente a 51,12 | Guo et al., HiGNN-TTS 2023 |
| MSE de duración: modelo jerárquico para textos largos frente a la línea base | 0,1083 frente a 0,1421 | Guo et al., HiGNN-TTS 2023 |
| Precisión bruta de tono (proporción de tramas cercanas al tono humano): ProMode frente a la línea base StyleTTS 2 | 43,9% frente a 40,2% | Eren et al., ProMode 2025 |
| Cambio en la diversidad de prosodia tras el ajuste fino por DPO, CosyVoice 2 (LibriSpeech) | -18,8% | Yang et al., ProsodyEval 2025 |
Nota sobre valores atípicos: los valores de RMSE de F0 solo son comparables dentro de un mismo artículo, porque las unidades, el alineamiento y los conjuntos de datos difieren. El artículo de ProMode no indica las unidades de su RMSE, y el texto de HiGNN-TTS describe su propio resultado de F0 con palabras que contradicen su tabla, por lo que reportamos los valores de la tabla.
3. Preguntas, Sintaxis y Homógrafos: Leer Bien el Tipo de Frase
La entonación de pregunta falla donde la gramática no da ninguna pista. Un sistema Tacotron 2 de referencia en cantonés cometió errores de trama de F0 en el 32,76% de las tramas de preguntas declarativas, frente al 13,53% en afirmaciones, y los oyentes identificaron como preguntas solo el 21,83% de sus preguntas declarativas (Bai et al., Interspeech 2022). Una pregunta declarativa es una frase con forma de afirmación que debería terminar con un tono ascendente; en el corpus CanTTS son unas 1.000 de 12.010 emisiones, por lo que el modelo rara vez ve el patrón. El error de trama de F0 cuenta las tramas en las que el tono, o la presencia de sonoridad, se aparta claramente de la grabación humana.
La solución en ese estudio, un clasificador de texto aparte que distingue pregunta de afirmación, elevó la identificación al 98,41%. Los sistemas más recientes siguen siendo irregulares: en el benchmark EmergentTTS-Eval de 2025, puntuado por un juez de IA frente a una referencia comercial en la que el 50% significa empate, los modelos de código abierto Sesame1B, Orpheus-TTS y Qwen 2.5 Omni ganaron el 31,78%, el 39,64% y el 49,28% de las muestras de preguntas (Manku et al., Boson AI, EmergentTTS-Eval 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Preguntas declarativas identificadas como preguntas: Tacotron 2 de referencia frente a modelo con clasificador de preguntas | 21,83% frente a 98,41% | Bai et al., Interspeech 2022 |
| Error de trama de F0 en preguntas declarativas frente a afirmaciones, Tacotron 2 de referencia | 32,76% frente a 13,53% | Bai et al., Interspeech 2022 |
| Entonación de pregunta percibida correctamente: resíntesis con vocoder frente a dos líneas base de TTS emocional | 99,2% frente a 81,6% y 85,9% | Tang et al., QI-TTS 2023 |
| Tasa de victoria en la categoría Preguntas frente a la línea base: GPT-4o-audio (el mejor en general) frente a Sesame1B | 56,96% frente a 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Tasa de victoria en complejidad sintáctica frente a la línea base: Orpheus-TTS frente a Sesame1B | 38,92% frente a 18,88% | Boson AI, EmergentTTS-Eval 2025 |
| Tasa de victoria en pronunciación compleja frente a la línea base: Qwen 2.5 Omni | 3,30% | Boson AI, EmergentTTS-Eval 2025 |
| Concordancia entre el ranking del juez de IA y el ranking humano (Spearman) | 90,5% | Boson AI, EmergentTTS-Eval 2025 |
| Prueba de homógrafos en francés (Blizzard 2023): nivel del azar frente a los mejores sistemas | 50% frente a más del 80% | Perrotin et al., Blizzard Challenge 2023 |
Contexto: los homógrafos (palabras que se escriben igual pero se pronuncian distinto, como el francés ‘est’, verbo o punto cardinal) fueron evaluados por 218 oyentes en una prueba ABX en el Blizzard Challenge 2023, y los organizadores vincularon los mejores resultados con sistemas que usaban un modelo de lenguaje grande en el codificador de texto. El estudio de QI-TTS es de marzo de 2023; dato más reciente disponible para esta medida.
4. Énfasis y Acento Contrastivo
Poner el acento en la palabra correcta es el fallo más claro en la actualidad. En el benchmark CAST de 113 pares contrastivos (226 elementos), las puntuaciones Pair-Correct (la palabra correcta acentuada en las dos versiones de un par) fueron casi nulas para casi todos los sistemas, y la mejor fue del 11,5%, alcanzada solo cuando el acento se marcaba explícitamente en la entrada (Turetzky et al., CAST 2026). El mismo benchmark mostró que un modelo de lenguaje solo de texto puede deducir el acento previsto a partir del contexto el 76,1% de las veces, de modo que la información está disponible: los sistemas de TTS no la convierten en sonido.
Dar al modelo de TTS el contexto previo no produjo una mejora clara en ningún sistema. Los estudios más antiguos con oyentes apuntan en la misma dirección: las marcas de error en el habla sintética se concentran alrededor de los límites prosódicos, y la variación prosódica adicional suele oírse como un error cuando no encaja con el contexto.
| Métrica | Valor | Fuente |
|---|---|---|
| Palabra objetivo acentuada (Hit) / ambos lados correctos (Pair-Correct): Kokoro | 38,1% / 0,0% | Turetzky et al., CAST 2026 |
| Hit / Pair-Correct: GPT-4o-mini-tts con marcado explícito del acento | 51,8% / 11,5% | Turetzky et al., CAST 2026 |
| Hit / Pair-Correct: Claude Haiku 4.5 solo de texto prediciendo el acento a partir del contexto | 88,1% / 76,1% | Turetzky et al., CAST 2026 |
| Palabra enfatizada identificada por los oyentes, EME-TTS: emoción media frente a sorpresa | 78% frente a 64% | Li et al., EME-TTS 2025 |
| Correlación entre la valoración de prosodia y la tasa de error marcada por los oyentes | R = -0,75 | Gutierrez et al., SSW11 2021 |
| Proporción de veces en que la palabra más marcada como error en FastPitch estaba justo antes de un signo de puntuación (texto de audiolibro) | 73% | Gutierrez et al., SSW11 2021 |
Contexto: el acuerdo de los oyentes sobre dónde cae el acento en el habla sintética es de por sí modesto (kappa de Fleiss = 0,36 entre tres oyentes en el mismo benchmark), lo cual es una de las razones por las que el énfasis es difícil de medir. En EME-TTS (11 oyentes), la sorpresa obtuvo la puntuación más baja, y los autores lo atribuyen a la frecuente subida de tono al final del habla sorprendida, que llevó a los oyentes a percibir la última palabra como acentuada. El estudio de transcripción prosódica rápida es de 2021; dato más reciente disponible para el marcado de errores por los oyentes.
5. Prosodia Emocional: Lo Que Reconocen los Oyentes y los Clasificadores
La emoción se transmite en gran parte por la prosodia, y la emoción sintética se reconoce mucho menos que la grabada. En un estudio en kazajo con 64 oyentes, la emoción prevista se reconoció en el 43% de las grabaciones humanas, pero en el 32% de los fragmentos sintetizados, y la ira cayó del 37% al 7% (Abilbekov et al., KazEmoTTS 2024).
Un análisis de 2026 rastreó dónde se pierde la emoción. En CosyVoice 2, el reconocimiento de emociones se mantuvo en el 82,43% tras la reconstrucción con el vocoder y en el 84,07% cuando se alimentó al modelo con los tokens de habla reales, cerca del 83,93% del habla real, pero cayó al 34,57% cuando el modelo tuvo que generar el habla a partir del texto (Ge et al., On the Emotion Understanding of Synthesized Speech, 2026). La pérdida está en el paso de texto a prosodia, no en la calidad del audio. Para ver cómo rinden los modelos de reconocimiento con voces humanas, consulta nuestras estadísticas de reconocimiento de emociones en el habla.
| Métrica | Valor | Fuente |
|---|---|---|
| Reconocimiento de emociones por los oyentes: grabaciones humanas frente a sintetizadas (6 emociones) | 43% frente a 32% | Abilbekov et al., KazEmoTTS 2024 |
| Reconocimiento de la ira por los oyentes: grabaciones humanas frente a sintetizadas | 37% frente a 7% | Abilbekov et al., KazEmoTTS 2024 |
| Precisión del clasificador de emociones (emotion2vec): grabaciones humanas de TESS frente a TESS sintetizado | 99,64% frente a 15,31% | Ge et al., 2026 |
| Precisión del clasificador de emociones: IEMOCAP humano frente a IEMOCAP sintetizado | 71,28% frente a 49,58% | Ge et al., 2026 |
| CosyVoice 2 en TESS: habla real frente a solo vocoder frente a generación guiada por texto | 83,93% frente a 82,43% frente a 34,57% | Ge et al., 2026 |
| Precisión del clasificador de emociones en la salida de gpt-4o-tts (frases de CREMA-D / TESS) | 32,94% / 46,42% | Ge et al., 2026 |
| Precisión de reclasificación de emociones: grabaciones humanas pasadas por vocoder frente al mejor y al peor de tres sistemas de TTS | 0,931 frente a 0,749 y 0,623 | Tang et al., ED-TTS 2024 |
| Tasa de victoria en la categoría Emociones frente a la línea base: GPT-4o-audio frente a Sesame1B | 88,84% frente a 7,32% | Boson AI, EmergentTTS-Eval 2025 |
Nota sobre valores atípicos: las cifras de los clasificadores de 2026 son puntuaciones de máquina, no juicios de oyentes, y un clasificador entrenado con habla sintetizada alcanzó el 91,84% en TESS sintetizado pero el 15,00% en TESS humano, lo que sugiere que la emoción sintética y la humana difieren acústicamente. ED-TTS usó su propio clasificador de emociones, por lo que su escala no es directamente comparable con la de emotion2vec.
6. Lectura de Textos Largos: Donde Dejan de Funcionar las Pruebas con Frases
Una prosodia que suena bien frase a frase puede desviarse, aplanarse o colocar mal las pausas a lo largo de un párrafo. En un estudio de lectura de noticias, incluso la mejor valoración de una sola frase de un párrafo explicó apenas cerca del 12% de la varianza de la valoración del párrafo completo (MOS máximo de frase frente a MOS del párrafo, r = 0,345, p < 0,01) (Clark et al., Evaluating Long-form Text-to-Speech, SSW10 2019). Los autores concluyeron que las valoraciones a nivel de frase son «malos predictores del MOS del párrafo».
El panorama de 2026 es más acotado, pero no está cerrado. En SwanBench-Speech, el mejor sistema de código cerrado quedó a 0,09 de las grabaciones reales en la puntuación de prosodia (3,95 frente a 4,04), pero el promedio de los sistemas de código cerrado quedó 0,93 puntos por detrás del habla real tanto en riqueza expresiva (resonancia emocional, caracterización de personajes, narración) como en jerarquía expresiva (dinámica expresiva a nivel de párrafo), y la mayoría de los modelos empeoraba cuando el pasaje superaba las 100 palabras (Pan et al., SwanBench-Speech, ACL 2026 Findings). Para los productores que trabajan con contenido narrado de formación y explicativo, nuestras estadísticas de locución con IA cubren la adopción, y un generador de voz con IA es más fácil de juzgar con un párrafo completo, no con una sola línea.
| Métrica | Valor | Fuente |
|---|---|---|
| Correlación, valoración media de las frases frente a valoración del párrafo (noticias) | r = 0,296 (p < 0,05) | Clark et al., SSW10 2019 |
| Valoración media, frases cortas frente a pasajes de 40 segundos, mejor modelo | 4,09 frente a 3,86 | Guo et al., HiGNN-TTS 2023 |
| Valoración media, frases cortas frente a pasajes de 40 segundos, línea base | 3,52 frente a 3,34 | Guo et al., HiGNN-TTS 2023 |
| Prueba de escucha de audiolibro: oyentes / valoraciones / duración del segmento | 204 / 33.750 / unos 2 minutos | Zhang et al., SSW 2023 |
| Mejora de la calidad global con las mejoras para textos largos (resumen) | +0,47 MOS | Zhang et al., SSW 2023 |
| Puntuación comparativa tras eliminar el contexto de varias frases: voz femenina / masculina | -0,42 / -0,58 | Zhang et al., SSW 2023 |
| Riqueza expresiva: habla real frente a promedio de código cerrado frente a promedio de código abierto | 4,35 frente a 3,42 frente a 3,03 | Pan et al., SwanBench-Speech 2026 |
| Jerarquía expresiva (dinámica a nivel de párrafo): habla real frente a promedio de código cerrado | 3,94 frente a 3,01 | Pan et al., SwanBench-Speech 2026 |
Contexto: las puntuaciones de SwanBench son automáticas. Su métrica de prosodia coincidió con 10 evaluadores humanos con un SRCC = 0,82 en 50 pares, y su juez de riqueza y jerarquía (Gemini 3 Pro) con 0,71 y 0,62. El artículo sobre síntesis de audiolibros afirma que sus mejoras «reducen la enorme brecha entre la síntesis de referencia y las grabaciones naturales» sin cerrarla. El estudio de Clark et al. es de 2019; dato más reciente disponible para la comparación entre frase y párrafo.
7. La Línea Base Humana: Cuánto Varía la Prosodia Real
Cualquier cifra de «error» presupone un objetivo, y la prosodia humana es un objetivo amplio. En 192 hablantes de inglés estadounidense, la tasa de articulación fue de 3,20 sílabas por segundo al leer frases y de 4,96 en el habla espontánea (Jacewicz et al., JASA 2010). La tasa de articulación cuenta las sílabas por segundo sin las pausas, por lo que aísla el tempo de la vacilación.
La variación dentro de una misma persona es la mayor historia: en los mismos datos, la variación de una frase a otra dentro de un hablante superó la variación entre hablantes. Un estudio de corpus presentado en LabPhon 19, con casi 120.000 emisiones, encontró que los hablantes individuales varían más que los dialectos. Por eso una única grabación de referencia es una vara de medir débil, como mostró la sección 1 para el RMSE de F0.
| Métrica | Valor | Fuente |
|---|---|---|
| Tasa de articulación, frases leídas frente a habla espontánea (sílabas por segundo) | 3,20 frente a 4,96 | Jacewicz et al., JASA 2010 |
| Tasa en el habla espontánea, hablantes de Wisconsin frente a Carolina del Norte (sílabas por segundo) | 5,21 frente a 4,80 | Jacewicz et al., JASA 2010 |
| Tasa de lectura, adultos jóvenes frente a adultos de mayor edad (sílabas por segundo) | 3,58 frente a 3,0 | Jacewicz et al., JASA 2010 |
| Varianza de la velocidad del habla: dentro del hablante frente a entre hablantes | 1,0 frente a 0,19 | Jacewicz et al., JASA 2010 |
| Tamaño del corpus: emisiones / hablantes / dialectos | 119.736 / 1.115 / 15 | Tanner et al., LabPhon 19 |
| Diferencia estimada en la tasa de articulación entre dialectos del inglés | cerca del 40% (cerca de 2 sílabas por segundo) | Tanner et al., LabPhon 19 |
| Probabilidad de que la variación entre hablantes supere la variación entre dialectos | 0,98 | Tanner et al., LabPhon 19 |
Contexto: el artículo sobre la tasa de articulación de SPADE usó 14 corpus de habla espontánea del inglés británico y norteamericano. Los datos de Jacewicz son de 2010; dato más reciente disponible para el tempo de lectura frente al espontáneo en una única muestra controlada. Para otro rasgo prosódico en el que los juicios de los oyentes divergen de la acústica, consulta nuestras estadísticas de vocal fry.
Resumen: Error de Prosodia y Entonación en TTS Neuronal en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Estudios de prosodia (2020 a 2024) que analizaron el tono | 95 de 100 | Galdino et al., JBCS 2025 |
| Correlación del RMSE de F0 en escala logarítmica con las valoraciones humanas de prosodia | r = 0,30 | Yang et al., ProsodyEval 2025 |
| RMSE de F0: solo vocoder frente al mejor TTS completo | 14,03 frente a 27,93 | Xin et al., 2022 |
| Precisión bruta de tono de un predictor de prosodia de 2025 | 43,9% | Eren et al., ProMode 2025 |
| Error de trama de F0, preguntas declarativas frente a afirmaciones (línea base) | 32,76% frente a 13,53% | Bai et al., Interspeech 2022 |
| Preguntas declarativas percibidas como preguntas: línea base frente a modelo con clasificador | 21,83% frente a 98,41% | Bai et al., Interspeech 2022 |
| Tasa de victoria en Preguntas frente a la línea base: GPT-4o-audio frente a Sesame1B | 56,96% frente a 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Prueba de homógrafos: nivel del azar frente a los mejores sistemas | 50% frente a más del 80% | Perrotin et al., Blizzard 2023 |
| Acento contrastivo Pair-Correct: mejor TTS frente a modelo de lenguaje solo de texto | 11,5% frente a 76,1% | Turetzky et al., CAST 2026 |
| Reconocimiento de emociones por los oyentes: habla humana frente a sintetizada | 43% frente a 32% | Abilbekov et al., KazEmoTTS 2024 |
| Clasificador de emociones: TESS humano frente a TESS sintetizado | 99,64% frente a 15,31% | Ge et al., 2026 |
| Precisión de emociones de CosyVoice 2: habla real frente a guiada por texto | 83,93% frente a 34,57% | Ge et al., 2026 |
| Valoración de frase frente a valoración de párrafo, varianza explicada | cerca del 12% | Clark et al., SSW10 2019 |
| Riqueza expresiva: habla real frente a promedio de código cerrado | 4,35 frente a 3,42 | Pan et al., SwanBench-Speech 2026 |
| Frases cortas frente a pasajes de 40 segundos, mejor modelo | 4,09 frente a 3,86 | Guo et al., HiGNN-TTS 2023 |
| Tasa de articulación leída frente a espontánea (sílabas por segundo) | 3,20 frente a 4,96 | Jacewicz et al., JASA 2010 |
| Diferencia en la tasa de articulación entre dialectos del inglés | cerca del 40% | Tanner et al., LabPhon 19 |
Metodología y Fuentes
Todas las cifras anteriores se leyeron en el artículo, la página de actas o el texto completo que las reportaba. Cuando un artículo mostraba resultados solo en un gráfico, usamos sus conclusiones declaradas y descartamos los valores aproximados. Las puntuaciones asignadas por máquina (jueces de IA, clasificadores de emociones, benchmarks automáticos) se identifican como tales en el texto y no deben leerse como porcentajes de oyentes.
- Galdino, Matos, Svartman y Aluisio, “The evaluation of prosody in speech synthesis: a systematic review”, Journal of the Brazilian Computer Society, 9 de julio de 2025
- Yang et al., “Measuring Prosody Diversity in Zero-Shot TTS” (ProsodyEval), arXiv 2509.19928, revisado el 1 de abril de 2026
- Minixhofer, Klejch y 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 y 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 de mayo de 2025
- Perrotin, Stephenson, Gerber y 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 de abril de 2026
- Li et al., EME-TTS, sobre la relación entre énfasis y emoción en la síntesis de voz, arXiv 2507.12015, 2025
- Gutierrez, Oplustil-Gallegos y 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 de marzo de 2026
- Tang et al., “ED-TTS: Multi-Scale Emotion Modeling using Cross-Domain Emotion Diarization”, arXiv 2401.08166, 2024
- Clark, Silen, Kenter y 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 y Wei, “Between-speaker and within-speaker variation in speech tempo of American English”, Journal of the Acoustical Society of America, 2010
- Tanner et al. y el SPADE Data Consortium, “Exposing the anatomy of articulation rate across English dialects and speakers”, LabPhon 19
- Atención a los datos: los valores de RMSE de F0 no son comparables entre artículos (unidades, alineamiento y conjuntos de datos distintos), y el artículo de ProMode no indica las unidades. Xin et al. enumeran una fila HiFi-GAN sin describirla; la interpretamos como salida solo de vocoder porque su distorsión espectral es muy inferior a la de las filas de TTS, lo cual es una inferencia nuestra. Jacewicz et al. dan 5,21 y 4,80 sílabas por segundo en el texto, pero 5,38 y 4,97 en una tabla para los mismos dialectos; reportamos el texto. El artículo de audiolibros de SSW 2023 da una mejora de 0,47 MOS en su resumen y de 0,46 en el cuerpo del texto; los valores por sistema de su gráfico no pudieron asociarse con fiabilidad, así que los omitimos. SwanBench-Speech dice que la brecha de jerarquía es «de más de medio punto», mientras que los promedios de su tabla implican 0,93; reportamos la tabla. Los resultados de EmergentTTS-Eval y SwanBench provienen de jueces de IA validados con pequeños paneles humanos, y los informes técnicos posteriores que reescribieron los textos de EmergentTTS no son comparables con el artículo original. Las cifras de QI-TTS (2023), Xin et al. (2022), Bai et al. (2022), Gutierrez et al. (2021), Clark et al. (2019) y Jacewicz et al. (2010) tienen más de tres años y son los datos más recientes disponibles para esas medidas concretas. Varias fuentes de 2026 son preprints y pueden cambiar tras la revisión por pares. Los próximos resultados del Blizzard Challenge y las actas de Speech Prosody podrían aportar datos más recientes sobre entonación de preguntas y textos largos.
Última actualización: 31 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se publiquen los próximos resultados del Blizzard Challenge en el ISCA Archive.