Tacotron 2 de Google a obtenu un score d’opinion moyen (MOS) de 4,53 contre 4,58 pour de la parole enregistrée par des professionnels en décembre 2017 (Google, article Tacotron 2 2017), et depuis, l’écart entre parole synthétique et parole humaine s’est refermé sur presque tous les benchmarks standard. En 2024, des systèmes zéro-shot comme VALL-E 2 et MaskGCT obtenaient des scores légèrement supérieurs aux enregistrements de référence auxquels ils étaient comparés (Microsoft, VALL-E 2 2024 ; MaskGCT 2024), et dans une étude d’écoute de 2025, 58% des clones vocaux ont été pris pour de vraies voix humaines (Queen Mary University of London, PLOS ONE 2025). La question plus difficile en 2026 n’est plus de savoir si les machines peuvent sonner humain, mais si le test MOS peut encore mesurer la différence. Nous avons agrégé des données de Google DeepMind, Microsoft Research, ByteDance, du Blizzard Challenge, du VoiceMOS Challenge, de l’ITU-T, de PLOS ONE, d’Artificial Analysis et de Hugging Face ; pour un tableau plus large du marché, consultez notre synthèse de statistiques sur la synthèse vocale.
TL;DR
- Tacotron 2 a obtenu un MOS de 4,53 contre 4,58 pour les enregistrements professionnels (Google, article Tacotron 2 2017).
- WaveNet a réduit de plus de 50% l’écart avec la parole humaine, avec 4,21 contre 4,55 en anglais américain (DeepMind, WaveNet 2016).
- NaturalSpeech a obtenu -0,01 CMOS face aux enregistrements de LJ Speech, sans différence significative (Microsoft Research, NaturalSpeech 2022).
- VALL-E 2 a obtenu +0,033 CMOS et 4,61 de SMOS contre 4,13 pour la référence sur LibriSpeech (Microsoft, VALL-E 2 2024).
- NaturalSpeech 3 a été entraîné sur 200 000 heures avec 1 milliard de paramètres (Microsoft, NaturalSpeech 3 2024).
- CosyVoice 3 a fait passer les données d’entraînement de 10 000 heures à 1 million d’heures sur 9 langues (Alibaba, CosyVoice 3 2025).
- Les enregistrements humains ont obtenu entre 4,30 et 4,58 de MOS selon quatre articles de référence (articles de Google, DeepMind, Kakao et Microsoft 2016-2021).
- Deux systèmes du Blizzard Challenge 2023 n’étaient pas statistiquement différents de la parole naturelle sur le MOS, une première pour le concours (synthèse du Blizzard Challenge 2023, Computer Speech and Language 2024).
- 58% des clones vocaux et 41% des voix d’IA génériques ont été jugés humains (Lavan et al., PLOS ONE 2025).
- Les auditeurs ont identifié correctement les deepfakes vocaux 73% du temps (Mai et al., PLOS ONE 2023).
- Le VoiceMOS Challenge 2022 couvrait 187 systèmes TTS et de conversion vocale issus de 22 équipes (VoiceMOS Challenge 2022).
- Le meilleur modèle de la Speech Arena a obtenu 1321 Elo avec un intervalle de plus ou moins 189 (Artificial Analysis, octobre 2026).
1. Le plafond humain n’est pas un nombre fixe
Toute revendication de parité repose sur un score de référence pour la parole réelle, et cette référence bouge. La parole humaine enregistrée a obtenu jusqu’à 4,58 et seulement 4,30 de MOS dans des articles TTS de référence, un écart de 0,28 point plus large que celui qui sépare de nombreux systèmes concurrents dans les mêmes tableaux. Le seul jeu de données LJ Speech a produit 4,46 dans l’article de VITS et 4,30 dans celui de FastSpeech 2, car les panels d’auditeurs, les consignes et la conception des tests diffèrent d’un laboratoire à l’autre.
La lecture pratique : un MOS de 4,4 ne veut rien dire isolément. Il ne devient significatif qu’à côté du score de référence issu du même test d’écoute, ce qui explique pourquoi les articles modernes rapportent de plus en plus le CMOS (MOS comparatif, un score côte à côte relatif à une référence) plutôt que le MOS brut. L’article de VITS en est une bonne illustration : il rapporte 4,46 pour la référence et 4,43 pour son propre système, un écart de 0,03 contenu dans les intervalles de confiance.
| Métrique | Valeur | Source |
|---|---|---|
| MOS de la parole enregistrée par des professionnels, test Tacotron 2 | 4,58 | Google, article Tacotron 2 2017 |
| MOS de la parole humaine, anglais américain, test WaveNet | 4,55 | DeepMind, WaveNet 2016 |
| MOS de la parole humaine, mandarin, test WaveNet | 4,21 | DeepMind, WaveNet 2016 |
| MOS de la référence LJ Speech, test VITS | 4,46 (plus ou moins 0,06) | Kim et al. (Kakao Enterprise), VITS 2021 |
| MOS de la référence VCTK, test VITS | 4,38 (plus ou moins 0,07) | Kim et al., VITS 2021 |
| MOS de la référence LJ Speech, test FastSpeech 2 | 4,30 (plus ou moins 0,07) | Microsoft et Université du Zhejiang, FastSpeech 2 2020 |
| Référence passée par un vocodeur, test FastSpeech 2 | 3,92 | FastSpeech 2 2020 |
Note de contexte : la ligne du vocodeur compte. Le simple fait de convertir des enregistrements réels en spectrogrammes mel puis de les reconvertir a coûté 0,38 point de MOS dans le test FastSpeech 2, ce qui montre à quel point l’écart historique tenait à la génération de la forme d’onde plutôt qu’à la modélisation du texte. La plupart de ces articles ont plus de trois ans et sont présentés comme les données les plus récentes disponibles pour leurs benchmarks.
2. De WaveNet à la parité : TTS mono-locuteur, 2016 à 2022
L’histoire du mono-locuteur a pris environ six ans. WaveNet a réduit de plus de 50% en 2016 l’écart entre les meilleurs systèmes existants et la parole humaine, avec 4,21 en anglais américain contre 3,86 pour la synthèse par concaténation et 3,67 pour la synthèse paramétrique (annonce de WaveNet par DeepMind). Tacotron 2 a ensuite ramené l’écart à 0,05 point, et en 2021 VITS égalait la référence sur le jeu multi-locuteurs VCTK à 4,38.
La ligne d’arrivée est venue avec NaturalSpeech de Microsoft, qui a obtenu -0,01 CMOS face aux enregistrements de LJ Speech au niveau de la phrase, avec un test des rangs signés de Wilcoxon ne montrant aucune différence significative. Le basculement intéressant est ce qui a suivi : une fois la parité atteinte sur la parole lue propre, le domaine a cessé de concourir sur le naturel mono-locuteur et s’est tourné vers le clonage de voix inconnues à partir de quelques secondes d’audio.
| Métrique | Valeur | Source |
|---|---|---|
| MOS de WaveNet contre humain, anglais américain | 4,21 contre 4,55 | DeepMind, WaveNet 2016 |
| MOS de WaveNet contre humain, mandarin | 4,08 contre 4,21 | DeepMind, WaveNet 2016 |
| MOS concaténation contre paramétrique, anglais américain (avant WaveNet) | 3,86 contre 3,67 | DeepMind, WaveNet 2016 |
| MOS de Tacotron 2 contre enregistrements | 4,53 contre 4,58 | Google, article Tacotron 2 2017 |
| MOS de VITS contre référence, LJ Speech | 4,43 contre 4,46 | Kim et al., VITS 2021 |
| MOS de VITS contre référence, VCTK multi-locuteurs | 4,38 contre 4,38 | Kim et al., VITS 2021 |
| Tacotron 2 + HiFi-GAN sur VCTK, même test | 3,14 | Kim et al., VITS 2021 |
| CMOS de NaturalSpeech contre enregistrements LJ Speech | -0,01 (p >> 0,05) | Microsoft Research, NaturalSpeech 2022 |
La vitesse a progressé en même temps que la qualité. VITS synthétisait à 67,12 fois le temps réel, contre 27,48 fois pour un pipeline Glow-TTS plus HiFi-GAN, et FastSpeech 2 s’entraînait en 17,02 heures contre 53,12 pour FastSpeech, soit une accélération de 3,12x (article de FastSpeech 2).
| Métrique | Valeur | Source |
|---|---|---|
| Facteur temps réel de VITS | 67,12x | Kim et al., VITS 2021 |
| Facteur temps réel de Glow-TTS + HiFi-GAN | 27,48x | Kim et al., VITS 2021 |
| MOS de FastSpeech 2 contre MOS de Tacotron 2 (20 évaluateurs natifs) | 3,83 contre 3,70 | FastSpeech 2 2020 |
| Temps d’entraînement de FastSpeech 2 contre FastSpeech | 17,02 h contre 53,12 h (3,12x plus rapide) | FastSpeech 2 2020 |
3. Le clonage vocal zéro-shot atteint et dépasse la référence
Le TTS zéro-shot, qui clone un locuteur inconnu à partir d’un court extrait, a comprimé le même parcours en environ deux ans. VALL-E 2 de Microsoft a obtenu +0,033 CMOS face à la référence sur LibriSpeech, et son score de similarité du locuteur (4,61) a dépassé celui des enregistrements réels (4,13) (article de VALL-E 2, 20 évaluateurs natifs d’anglais américain). Le VALL-E d’origine, publié en janvier 2023 et entraîné sur 60 000 heures d’anglais, restait quant à lui à 0,17 CMOS de la référence sur LibriSpeech.
L’échelle est le fil conducteur. NaturalSpeech 3 a utilisé 200 000 heures et 1 milliard de paramètres, MaskGCT 100 000 heures de parole en conditions réelles, et CosyVoice 3 d’Alibaba un million d’heures sur 9 langues et 18 dialectes chinois. La question pour les acheteurs de logiciels de clonage vocal en 2026 n’est plus de savoir si un clone peut égaler un enregistrement de référence dans un test de laboratoire, mais avec quelle constance il y parvient sur des extraits bruités, des accents et une parole expressive. Nos statistiques sur le clonage vocal couvrent l’adoption et les usages abusifs.
| Métrique | Valeur | Source |
|---|---|---|
| Données d’entraînement de VALL-E | 60 000 heures d’anglais | Microsoft, VALL-E 2023 |
| CMOS de VALL-E contre référence, LibriSpeech (référence +0,17) | -0,17 | Microsoft, VALL-E 2023 |
| CMOS de VALL-E 2 contre référence, LibriSpeech | +0,033 | Microsoft, VALL-E 2 2024 |
| SMOS de VALL-E 2 contre référence, LibriSpeech | 4,61 contre 4,13 | Microsoft, VALL-E 2 2024 |
| CMOS de NaturalSpeech 3 (référence à +0,08) | 0,00 | Microsoft, NaturalSpeech 3 2024 |
| SMOS de NaturalSpeech 3 contre référence | 4,01 contre 3,85 | Microsoft, NaturalSpeech 3 2024 |
| CMOS de MaskGCT contre référence, LibriSpeech | +0,10 | MaskGCT 2024 |
| CMOS de Seed-TTS contre humain, anglais / mandarin | -0,07 / -0,08 | ByteDance, Seed-TTS 2024 |
Les métriques objectives racontent la même histoire. CosyVoice 3 a affiché un taux d’erreur sur les mots (WER) de 1,45% sur le jeu de test anglais de Seed-TTS contre 2,14% pour les enregistrements humains (article de CosyVoice 3), ce qui signifie que la reconnaissance automatique de la parole transcrit l’audio synthétique plus fidèlement que la parole réelle. C’est le signe d’une articulation très nette, pas nécessairement d’un plus grand naturel, puisque les vrais locuteurs marmonnent, hésitent et varient.
| Métrique | Valeur | Source |
|---|---|---|
| Données d’entraînement et taille de NaturalSpeech 3 | 200 000 heures, 1 milliard de paramètres | Microsoft, NaturalSpeech 3 2024 |
| Données d’entraînement de MaskGCT | 100 000 heures (50 000 en anglais, 50 000 en chinois) | MaskGCT 2024 |
| Données d’entraînement de CosyVoice 3 | 1 million d’heures, 9 langues, 18 dialectes chinois | Alibaba, CosyVoice 3 2025 |
| WER de CosyVoice 3 contre humain, Seed-TTS test-en | 1,45% contre 2,14% | Alibaba, CosyVoice 3 2025 |
| WER de Seed-TTS DiT contre humain, anglais | 1,733 contre 2,143 | ByteDance, Seed-TTS 2024 |
| CMOS de F5-TTS contre référence, Seed-TTS test-en / test-zh | +0,31 / +0,21 | F5-TTS 2024 |
| WER de F5-TTS contre référence, LibriSpeech-PC | 2,42 contre 2,23 | F5-TTS 2024 |
Note de contexte : les résultats de VALL-E 2 sur VCTK montrent à quel point la parité est fragile. Avec des extraits de 3 secondes, son SMOS égalait la référence (4,47 contre 4,47), mais avec des extraits de 10 secondes, la référence obtenait 4,74 et VALL-E 2 entre 3,95 et 4,26. CosyVoice 3 rapporte aussi qu’en chinois tous ses modèles restent en deçà de la parole humaine, alors qu’en anglais le modèle de 1,5 milliard de paramètres la dépasse.
4. Le Blizzard Challenge : la parité sous test indépendant
Les tests menés par les auteurs présentent un conflit d’intérêts évident, d’où l’importance du Blizzard Challenge : les organisateurs conduisent un test d’écoute commun à tous les participants. L’édition 2023, la dix-huitième, a réuni 18 équipes sur sa tâche Hub (51 heures d’audio en français) et 14 sur sa tâche Spoke (2 heures), toutes utilisant des approches neuronales (The Blizzard Challenge 2023, ISCA). MuLanTTS de Microsoft, étiqueté système F, a obtenu 4,3 de MOS contre 4,4 pour l’enregistrement naturel sur la tâche Hub, et 4,5 contre 4,5 sur la tâche Spoke (article de MuLanTTS).
La synthèse de suivi des organisateurs a tiré une conclusion plus tranchée : deux systèmes ont été jugés statistiquement indifférenciables de la parole naturelle sur le MOS, une première dans l’histoire du concours, mais dans un test MUSHRA plus fin, tous les systèmes ont été jugés significativement différents de la parole naturelle (Refining the evaluation of speech synthesis, Computer Speech and Language 2024). Autrement dit, l’échelle MOS à 5 points a saturé avant que les voix ne deviennent réellement identiques. La même synthèse a constaté que les auditeurs non natifs et les non-experts donnaient des notes plus élevées que les auditeurs natifs et les experts de la parole.
| Métrique | Valeur | Source |
|---|---|---|
| Équipes Hub / Spoke, Blizzard 2023 | 18 / 14 | Perrotin et al., Blizzard Challenge 2023 |
| Données d’entraînement Hub / Spoke (français) | 51 heures / 2 heures | Perrotin et al., Blizzard Challenge 2023 |
| MOS de MuLanTTS contre enregistrement naturel, Hub | 4,3 contre 4,4 | Microsoft, MuLanTTS 2023 |
| MOS de MuLanTTS contre enregistrement naturel, Spoke | 4,5 contre 4,5 | Microsoft, MuLanTTS 2023 |
| Systèmes statistiquement indifférenciables de la parole naturelle sur le MOS | 2 (première fois au Blizzard) | Synthèse du Blizzard Challenge 2023, CSL 2024 |
| Systèmes jugés différents de la parole naturelle en MUSHRA | Tous | Synthèse du Blizzard Challenge 2023, CSL 2024 |
| MOS / SMOS de DelightfulTTS, tâche SH1 du Blizzard 2021 | 4,17 / 4,35 | Microsoft, DelightfulTTS 2021 |
L’édition 2025 a déplacé le problème difficile vers les langues à faibles ressources. Elle a demandé aux équipes de construire des voix pour le bildts, une variété du néerlandais comptant environ 6 000 locuteurs natifs, à partir d’un jeu de données de 7 heures, ainsi qu’une tâche zéro-shot avec 10 secondes de parole de référence (The Blizzard Challenge 2025, Université de Groningue). Sept équipes ont participé à la tâche principale et cinq à la tâche zéro-shot.
| Métrique | Valeur | Source |
|---|---|---|
| Locuteurs natifs de la langue cible du Blizzard 2025 | Environ 6 000 (bildts) | Do et al., Blizzard Challenge 2025 |
| Données d’entraînement de la tâche principale | 7 heures, un seul locuteur | Do et al., Blizzard Challenge 2025 |
| Audio de référence de la tâche zéro-shot | 10 secondes par locuteur | Do et al., Blizzard Challenge 2025 |
| Équipes de la tâche principale / zéro-shot | 7 / 5 | Do et al., Blizzard Challenge 2025 |
5. Pourquoi les chiffres MOS divergent : méthodes, normes et prédiction automatique
La méthode MOS a été conçue pour les lignes téléphoniques, pas pour les voix neuronales. L’ITU-T P.800, approuvée en août 1996, régit toujours les tests subjectifs de qualité de transmission ; la P.800.1 (juillet 2016) normalise la terminologie MOS ; et la P.808 (juin 2018, révisée en juin 2021) couvre les tests de qualité de la parole par crowdsourcing (ITU-T P.808). Une revue d’articles d’Interspeech et du SSW de 2021-2022 a constaté que la plupart des auteurs ne précisent ni les libellés d’échelle, ni les pas, ni les consignes données aux auditeurs (Kirkland et al., Stuck in the MOS pit, SSW 2023), et que les MOS de qualité sont en moyenne plus élevés que les MOS de naturel pour une même parole naturelle.
La même équipe a mené des tests d’écoute contrôlés avec des stimuli identiques et constaté que modifier uniquement le pas de l’échelle ou la consigne de notation faisait varier le MOS de certains systèmes. Les choix de benchmark divergent aussi : un article de position de 2025 relevait que VALL-E évalue sur 1 234 énoncés de LibriSpeech, NaturalSpeech 3 et MaskGCT sur 40, et F5-TTS sur 1 127, et que le WER de MaskGCT est de 2,63% sur le jeu de 40 énoncés mais de 4,22% sur celui de 1 234 (Towards Responsible Evaluation for Text-to-Speech, 2025).
| Métrique | Valeur | Source |
|---|---|---|
| Approbation de l’ITU-T P.800 | Août 1996 (en vigueur) | ITU-T |
| Terminologie MOS de l’ITU-T P.800.1, dernière version | Juillet 2016 | ITU-T |
| Tests par crowdsourcing de l’ITU-T P.808 | Juin 2018, révisée en juin 2021 | ITU-T |
| Articles précisant les libellés d’échelle, les pas ou les consignes | Minorité (Interspeech et SSW 2021-2022) | Kirkland et al., SSW 2023 |
| Énoncés LibriSpeech test-clean utilisés : VALL-E / NaturalSpeech 3 / F5-TTS | 1 234 / 40 / 1 127 | Yang et al., 2025 |
| WER de MaskGCT sur 40 contre 1 234 énoncés | 2,63% contre 4,22% | Yang et al., 2025 |
| Similarité du locuteur avec contre sans l’extrait inclus | 0,905 contre 0,754 | Yang et al., 2025 |
| Panel MOS de CosyVoice 3 | 200 phrases, 10 évaluateurs natifs, pas de 0,5 point | Alibaba, CosyVoice 3 2025 |
Les tests humains étant lents et peu cohérents, le domaine a construit des prédicteurs automatiques de MOS. Le premier VoiceMOS Challenge en 2022 a réuni 22 équipes pour prédire les notes humaines de 187 systèmes TTS et de conversion vocale couvrant plus d’une décennie de recherche (VoiceMOS Challenge 2022), et les modèles de parole auto-supervisés affinés se sont révélés les plus efficaces. La participation s’est depuis réduite à 10 équipes en 2023 et 8 en 2024, dont la première piste ciblait la synthèse de haute qualité à granularité fine, là où les prédicteurs peinent le plus.
| Métrique | Valeur | Source |
|---|---|---|
| Équipes / systèmes de la piste principale du VoiceMOS 2022 | 22 / 187 | Huang et al., VoiceMOS Challenge 2022 |
| Équipes du VoiceMOS 2023 | 10 issues de 7 pays | VoiceMOS Challenge 2023 (ASRU 2023) |
| Équipes du VoiceMOS 2024 | 8 | Huang et al., VoiceMOS Challenge 2024 |
| Jeux d’entraînement / de test de MOS-Bench | 8 / 17 | MOS-Bench 2024 (révisé en 2026) |
| UTMOS de NaturalSpeech 3 contre référence | 4,30 contre 4,14 | Microsoft, NaturalSpeech 3 2024 |
Note de contexte : des scores automatiques comme l’UTMOS notent désormais couramment la parole synthétique au-dessus des enregistrements réels, comme le montre le tableau de NaturalSpeech 3, ce qui justifie de les traiter comme des outils de tri plutôt que comme une preuve de naturel.
6. Les auditeurs peuvent-ils encore faire la différence ? Études de perception
La parité sur une échelle de notation est une chose ; tromper un auditeur à qui l’on pose directement la question en est une autre. Dans une étude de 2025 de la Queen Mary University of London, 58% des clones vocaux et 41% des voix d’IA génériques ont été jugés humains, tandis que les voix humaines réelles étaient reconnues comme humaines 62% à 81% du temps selon l’expérience (Lavan et al., PLOS ONE 2025). Les clones ont été créés à partir d’environ 4 minutes d’enregistrements par locuteur avec des outils disponibles dans le commerce. Les auteurs ont intitulé l’article ‘réalistes mais pas (encore) hyperréalistes’ : les clones n’ont pas surpassé les voix réelles dans l’ensemble, mais ils s’en approchaient assez pour que le jugement d’un auditeur isolé ne soit pas fiable.
Les impressions sociales sont le résultat dont on parle le moins. Les voix d’IA génériques ont été jugées plus dominantes que les voix humaines (58,1 contre 40,4 sur une échelle de 0 à 100) et légèrement plus dignes de confiance (57,9 contre 53,8). Pour quiconque produit une narration synthétique ou utilise un générateur de voix IA, cela signifie que les auditeurs réagissent à ces voix comme à des personnes, ce qui renforce l’enjeu de la transparence.
| Métrique | Valeur | Source |
|---|---|---|
| Clones vocaux jugés humains | 58% | Lavan et al., PLOS ONE 2025 |
| Voix d’IA génériques jugées humaines | 41% | Lavan et al., PLOS ONE 2025 |
| Voix humaines réelles jugées humaines | 62% à 81% (selon l’expérience) | Lavan et al., PLOS ONE 2025 |
| Durée d’enregistrement utilisée par clone vocal | Environ 4 minutes | Lavan et al., PLOS ONE 2025 |
| Participants par expérience / voix par expérience | 50 / 80 | Lavan et al., PLOS ONE 2025 |
| Note de dominance, voix d’IA génériques contre voix humaines | 58,1 contre 40,4 | Lavan et al., PLOS ONE 2025 |
| Note de confiance, voix d’IA génériques contre voix humaines | 57,9 contre 53,8 | Lavan et al., PLOS ONE 2025 |
Les données de détection plus anciennes vont dans le même sens. Une étude de 2023 portant sur 529 participants a constaté que les auditeurs n’identifiaient correctement les deepfakes vocaux que 73% du temps, les locuteurs d’anglais et de mandarin obtenant à peu près les mêmes résultats, et que leur montrer cinq exemples de deepfakes au préalable n’améliorait la précision que de 3,84% (Mai et al., PLOS ONE 2023). Nos statistiques sur la précision de la détection des deepfakes audio suivent la comparaison avec les détecteurs automatiques.
| Métrique | Valeur | Source |
|---|---|---|
| Participants | 529 | Mai et al., PLOS ONE 2023 |
| Deepfakes correctement identifiés, extraits isolés | 73% | Mai et al., PLOS ONE 2023 |
| Extraits authentiques correctement identifiés, extraits isolés | 67,78% | Mai et al., PLOS ONE 2023 |
| Deepfakes reconnus lorsqu’ils sont associés à un extrait réel | 85,59% | Mai et al., PLOS ONE 2023 |
| Gain de précision apporté par 5 exemples d’entraînement | 3,84% | Mai et al., PLOS ONE 2023 |
7. Les arènes de préférence et le marché derrière les scores
Le MOS de laboratoire arrivant à saturation, les classements se sont déplacés vers la préférence par paires en aveugle. Hugging Face a lancé la TTS Arena le 27 février 2024 avec six modèles, en demandant aux utilisateurs de choisir le plus naturel de deux échantillons anonymes et en classant les résultats avec un système de type Elo (Hugging Face, lancement de la TTS Arena). Dans le classement Artificial Analysis Speech Arena consulté le 3 octobre 2026, Eleven v4 d’ElevenLabs arrivait en tête à 1321 Elo, mais avec un intervalle de plus ou moins 189 qui recoupe tous les autres modèles du top 10 (classement TTS d’Artificial Analysis). Lu honnêtement, le haut du classement est une égalité statistique entre au moins six fournisseurs.
La réponse propre de Hugging Face à la lenteur de la collecte de votes, l’Open TTS Leaderboard lancé le 30 septembre 2026, remplace les votes humains par des métriques objectives (WER, similarité du locuteur, vitesse) et indique que l’évaluation d’un modèle passe de quelques semaines à quelques heures, sur un Hub qui héberge désormais plus de 8 000 modèles TTS (Hugging Face, Open TTS Leaderboard).
| Métrique | Valeur | Source |
|---|---|---|
| Modèles de la TTS Arena au lancement (février 2024) | 6 | Hugging Face, février 2024 |
| N°1 de la Speech Arena : Eleven v4 (ElevenLabs) | 1321 Elo (plus ou moins 189), 1 930 échantillons | Artificial Analysis, octobre 2026 |
| N°2 : Qwen-Audio-3.1-TTS-Plus (Alibaba) | 1292 Elo (plus ou moins 189) | Artificial Analysis, octobre 2026 |
| N°3 / N°4 : Sonic 3.6 (Cartesia) / Gemini 3.8 Flash TTS (Google) | 1278 / 1275 Elo | Artificial Analysis, octobre 2026 |
| N°10 : Breeze TTS 2 (BreezeBlue) | 1216 Elo | Artificial Analysis, octobre 2026 |
| Modèles TTS hébergés sur le Hugging Face Hub | Plus de 8 000 | Hugging Face, septembre 2026 |
Les enjeux commerciaux expliquent la course. Les voix neuronales et d’IA représentent déjà 67,18% du chiffre d’affaires du marché de la synthèse vocale, que Mordor Intelligence évalue à USD 4,36 milliards en 2026, pour atteindre USD 7,92 milliards d’ici 2031 (Mordor Intelligence, Text to Speech Market). Research and Markets situe la base 2023 à USD 3,8 milliards, avec une prévision de USD 9,3 milliards en 2030 (communiqué GlobeNewswire, décembre 2024).
| Métrique | Valeur | Source |
|---|---|---|
| Taille du marché TTS, 2025 / 2026 | USD 3,87 milliards / USD 4,36 milliards | Mordor Intelligence, 2026 |
| Prévision du marché TTS, 2031 | USD 7,92 milliards (TCAC de 12,66%) | Mordor Intelligence, 2026 |
| Part du chiffre d’affaires des voix neuronales / d’IA | 67,18% (TCAC de 15,08%) | Mordor Intelligence, 2026 |
| Part de l’Amérique du Nord, 2025 | 36,78% | Mordor Intelligence, 2026 |
| Marché TTS, 2023 à 2030 | USD 3,8 milliards à USD 9,3 milliards (TCAC de 13,4%) | Research and Markets, décembre 2024 |
| Prévision du marché TTS en Chine, 2030 | USD 2,3 milliards (TCAC de 17,5%) | Research and Markets, décembre 2024 |
Résumé : le MOS de la parole synthétique en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| MOS de Tacotron 2 contre enregistrements professionnels | 4,53 contre 4,58 | Google, 2017 |
| Réduction de l’écart avec la parole humaine par WaveNet | Plus de 50% | DeepMind, 2016 |
| Plage de MOS de la parole humaine dans les articles de référence | 4,30 à 4,58 | Google, DeepMind, Kakao, Microsoft, 2016-2021 |
| MOS de VITS contre référence, VCTK | 4,38 contre 4,38 | Kakao Enterprise, 2021 |
| CMOS de NaturalSpeech contre enregistrements | -0,01 (non significatif) | Microsoft Research, 2022 |
| CMOS de VALL-E 2 contre référence, LibriSpeech | +0,033 | Microsoft, 2024 |
| SMOS de VALL-E 2 contre référence | 4,61 contre 4,13 | Microsoft, 2024 |
| CMOS de MaskGCT contre référence | +0,10 | MaskGCT, 2024 |
| CMOS de Seed-TTS contre humain, anglais | -0,07 | ByteDance, 2024 |
| WER de CosyVoice 3 contre humain, anglais | 1,45% contre 2,14% | Alibaba, 2025 |
| Données d’entraînement de CosyVoice 3 | 1 million d’heures | Alibaba, 2025 |
| Systèmes du Blizzard 2023 égaux à la parole naturelle sur le MOS | 2 (première fois) | Synthèse du Blizzard Challenge 2023, 2024 |
| MuLanTTS contre enregistrement naturel, Blizzard 2023 Hub | 4,3 contre 4,4 | Microsoft, 2023 |
| Articles décrivant complètement la méthode MOS | Minorité | Kirkland et al., SSW 2023 |
| Systèmes / équipes du VoiceMOS 2022 | 187 / 22 | VoiceMOS Challenge 2022 |
| Clones vocaux jugés humains | 58% | Lavan et al., PLOS ONE 2025 |
| Deepfakes correctement identifiés par les auditeurs | 73% | Mai et al., PLOS ONE 2023 |
| Elo du premier de la Speech Arena | 1321 (plus ou moins 189) | Artificial Analysis, octobre 2026 |
| Part des voix neuronales / d’IA dans le chiffre d’affaires du TTS | 67,18% | Mordor Intelligence, 2026 |
| Marché TTS, 2026 | USD 4,36 milliards | Mordor Intelligence, 2026 |
Méthodologie et sources
Chaque chiffre de MOS, CMOS et SMOS ci-dessus provient de l’article ou du rapport de concours qui a mené le test d’écoute, lu dans le résumé arXiv ou dans les tableaux du texte intégral. Lorsqu’un article ne présentait ses résultats que sous forme de graphique (par exemple les barres de MOS de CosyVoice 3), nous avons retenu la conclusion du texte et écarté les valeurs approximatives. Les revendications de parité déclarées par les développeurs de modèles sont étiquetées avec le nom du développeur afin que les lecteurs puissent les confronter à des tests indépendants comme le Blizzard Challenge.
- DeepMind : annonce de WaveNet (sept. 2016) et article de WaveNet
- Google : article de Tacotron 2 (déc. 2017)
- Microsoft et Université du Zhejiang : FastSpeech 2 (2020)
- Kakao Enterprise : VITS (juin 2021)
- Microsoft Research : NaturalSpeech (mai 2022), NaturalSpeech 3 (mars 2024), VALL-E (janv. 2023), VALL-E 2 (juin 2024), MuLanTTS (sept. 2023), DelightfulTTS (oct. 2021)
- ByteDance : Seed-TTS (juin 2024)
- MaskGCT (sept. 2024) et F5-TTS (oct. 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 (oct. 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 (août 2023)
- Hugging Face : lancement de la TTS Arena (févr. 2024), Open TTS Leaderboard (sept. 2026)
- Artificial Analysis : classement Text to Speech (consulté le 3 oct. 2026)
- Mordor Intelligence : Text to Speech Market ; Research and Markets via GlobeNewswire (déc. 2024)
- Note sur les données : les valeurs de MOS, CMOS et SMOS ne sont pas comparables d’un article à l’autre, car les panels d’auditeurs, les échelles et les consignes diffèrent ; les échelles de CMOS varient aussi (F5-TTS utilise de -3 à +3). La plupart des revendications de parité des sections 2 et 3 proviennent de tests menés par les développeurs eux-mêmes avec de petits panels (par exemple 12 évaluateurs pour le CMOS de VALL-E et 20 pour VALL-E 2), et les résultats de WaveNet, Tacotron 2, FastSpeech 2 et VITS ont plus de trois ans, présentés comme les données les plus récentes disponibles pour ces benchmarks. Les conclusions du Blizzard 2023 sur la parité statistique et le MUSHRA proviennent du résumé de la synthèse publiée par les organisateurs. Les scores Elo d’Artificial Analysis changent chaque jour à mesure que les votes arrivent et leurs intervalles de confiance se recoupent dans tout le top 10. Les estimations de marché divergent : Mordor Intelligence situe 2025 à USD 3,87 milliards avec un TCAC de 12,66% jusqu’en 2031, tandis que Research and Markets projette USD 9,3 milliards d’ici 2030 avec un TCAC de 13,4% à partir d’une base 2023 de USD 3,8 milliards ; l’écart reflète des définitions de périmètre différentes. Les résultats complets du test d’écoute du Blizzard 2025 et le prochain VoiceMOS Challenge sont les principales données plus récentes attendues.
Dernière mise à jour : 3 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lors de la publication des résultats du prochain VoiceMOS Challenge et de l’analyse complète du test d’écoute du Blizzard Challenge 2025.