Tacotron 2 firmy Google uzyskał w grudniu 2017 roku średnią ocenę opinii (MOS) 4,53 wobec 4,58 dla profesjonalnie nagranej mowy (Google, publikacja o Tacotron 2, 2017), a od tego czasu różnica między mową syntetyczną a ludzką zniknęła w niemal każdym standardowym teście. Do 2024 roku systemy zero-shot, takie jak VALL-E 2 i MaskGCT, osiągały wyniki nieznacznie wyższe niż nagrania wzorcowe, z którymi je porównywano (Microsoft, VALL-E 2, 2024; MaskGCT, 2024), a w badaniu odsłuchowym z 2025 roku 58% klonów głosu uznano za prawdziwe ludzkie głosy (Queen Mary University of London, PLOS ONE 2025). Trudniejsze pytanie w 2026 roku brzmi już nie: czy maszyny potrafią brzmieć jak ludzie, lecz: czy test MOS nadal potrafi zmierzyć różnicę. Zebraliśmy dane z Google DeepMind, Microsoft Research, ByteDance, Blizzard Challenge, VoiceMOS Challenge, ITU-T, PLOS ONE, Artificial Analysis i Hugging Face; szerszy obraz rynku znajdziesz w naszym zestawieniu statystyk zamiany tekstu na mowę.
TL;DR
- Tacotron 2 uzyskał 4,53 MOS wobec 4,58 dla profesjonalnych nagrań (Google, publikacja o Tacotron 2, 2017).
- WaveNet zmniejszył dystans do mowy ludzkiej o ponad 50%, uzyskując 4,21 wobec 4,55 w amerykańskim angielskim (DeepMind, WaveNet 2016).
- NaturalSpeech uzyskał -0,01 CMOS względem nagrań LJ Speech, bez istotnej różnicy (Microsoft Research, NaturalSpeech 2022).
- VALL-E 2 uzyskał +0,033 CMOS i 4,61 SMOS wobec 4,13 dla nagrań wzorcowych na LibriSpeech (Microsoft, VALL-E 2, 2024).
- NaturalSpeech 3 trenowano na 200 000 godzin z 1 miliardem parametrów (Microsoft, NaturalSpeech 3, 2024).
- CosyVoice 3 zwiększył dane treningowe z 10 000 do 1 miliona godzin w 9 językach (Alibaba, CosyVoice 3, 2025).
- Nagrania ludzkie uzyskały od 4,30 do 4,58 MOS w czterech przełomowych publikacjach (publikacje Google, DeepMind, Kakao i Microsoft, 2016-2021).
- Dwa systemy z Blizzard Challenge 2023 nie różniły się statystycznie od mowy naturalnej pod względem MOS, co było pierwszym takim przypadkiem w konkursie (podsumowanie Blizzard Challenge 2023, Computer Speech and Language 2024).
- 58% klonów głosu i 41% ogólnych głosów AI uznano za ludzkie (Lavan i in., PLOS ONE 2025).
- Słuchacze prawidłowo rozpoznawali deepfake’i mowy w 73% przypadków (Mai i in., PLOS ONE 2023).
- VoiceMOS Challenge 2022 objął 187 systemów TTS i konwersji głosu od 22 zespołów (VoiceMOS Challenge 2022).
- Najlepszy model w Speech Arena uzyskał 1321 Elo przy przedziale ± 189 (Artificial Analysis, październik 2026).
1. Ludzki pułap nie jest stałą liczbą
Każde twierdzenie o parytecie opiera się na wyniku wzorcowym dla prawdziwej mowy, a ten wzorzec się przesuwa. Nagrana mowa ludzka uzyskiwała w przełomowych publikacjach o TTS od 4,58 do nawet 4,30 MOS, czyli rozrzut 0,28 punktu, szerszy niż różnica dzieląca wiele konkurencyjnych systemów w tych samych tabelach. Sam zbiór LJ Speech dał 4,46 w publikacji o VITS i 4,30 w publikacji o FastSpeech 2, ponieważ pule słuchaczy, instrukcje i projekt testu różnią się między laboratoriami.
Praktyczny wniosek: MOS równy 4,4 nic nie znaczy w oderwaniu od reszty. Nabiera sensu dopiero obok wyniku nagrań wzorcowych z tego samego testu odsłuchowego, dlatego nowoczesne publikacje coraz częściej podają CMOS (porównawczy MOS, czyli ocenę zestawioną z wzorcem) zamiast surowego MOS. Dobrą ilustracją jest publikacja o VITS: podaje ona 4,46 dla nagrań wzorcowych i 4,43 dla własnego systemu, czyli różnicę 0,03 mieszczącą się w przedziałach ufności.
| Metryka | Wartość | Źródło |
|---|---|---|
| MOS profesjonalnie nagranej mowy, test Tacotron 2 | 4,58 | Google, publikacja o Tacotron 2, 2017 |
| MOS mowy ludzkiej, amerykański angielski, test WaveNet | 4,55 | DeepMind, WaveNet 2016 |
| MOS mowy ludzkiej, mandaryński, test WaveNet | 4,21 | DeepMind, WaveNet 2016 |
| MOS nagrań wzorcowych LJ Speech, test VITS | 4,46 (± 0,06) | Kim i in. (Kakao Enterprise), VITS 2021 |
| MOS nagrań wzorcowych VCTK, test VITS | 4,38 (± 0,07) | Kim i in., VITS 2021 |
| MOS nagrań wzorcowych LJ Speech, test FastSpeech 2 | 4,30 (± 0,07) | Microsoft i Uniwersytet Zhejiang, FastSpeech 2, 2020 |
| Nagrania wzorcowe przepuszczone przez wokoder, test FastSpeech 2 | 3,92 | FastSpeech 2, 2020 |
Uwaga kontekstowa: wiersz z wokoderem ma znaczenie. Samo przekształcenie prawdziwych nagrań w mel-spektrogramy i z powrotem kosztowało 0,38 punktu MOS w teście FastSpeech 2, co pokazuje, jak duża część historycznej różnicy wynikała z generowania przebiegu fali, a nie z modelowania tekstu. Większość tych publikacji ma ponad trzy lata i jest pokazana jako najnowsze dostępne dane dla swoich testów.
2. Od WaveNet do parytetu: TTS z jednym mówcą, 2016-2022
Historia systemów z jednym mówcą zajęła około sześciu lat. WaveNet zmniejszył w 2016 roku dystans między najlepszymi istniejącymi systemami a mową ludzką o ponad 50%, uzyskując 4,21 w amerykańskim angielskim wobec 3,86 dla syntezy konkatenacyjnej i 3,67 dla parametrycznej (ogłoszenie DeepMind o WaveNet). Tacotron 2 zmniejszył następnie różnicę do 0,05 punktu, a do 2021 roku VITS zrównał się z nagraniami wzorcowymi w wielomówcowym zbiorze VCTK, uzyskując 4,38.
Linię mety przyniósł NaturalSpeech firmy Microsoft, który uzyskał -0,01 CMOS względem nagrań LJ Speech na poziomie zdania, a test rangowanych znaków Wilcoxona nie wykazał istotnej różnicy. Ciekawsza jest zmiana, która nastąpiła potem: po osiągnięciu parytetu na czystej mowie czytanej dziedzina przestała rywalizować o naturalność w przypadku jednego mówcy i przeniosła się do klonowania nieznanych głosów z kilku sekund nagrania.
| Metryka | Wartość | Źródło |
|---|---|---|
| MOS WaveNet wobec człowieka, amerykański angielski | 4,21 wobec 4,55 | DeepMind, WaveNet 2016 |
| MOS WaveNet wobec człowieka, mandaryński | 4,08 wobec 4,21 | DeepMind, WaveNet 2016 |
| MOS syntezy konkatenacyjnej wobec parametrycznej, amerykański angielski (przed WaveNet) | 3,86 wobec 3,67 | DeepMind, WaveNet 2016 |
| MOS Tacotron 2 wobec nagrań | 4,53 wobec 4,58 | Google, publikacja o Tacotron 2, 2017 |
| MOS VITS wobec nagrań wzorcowych, LJ Speech | 4,43 wobec 4,46 | Kim i in., VITS 2021 |
| MOS VITS wobec nagrań wzorcowych, VCTK wielomówcowy | 4,38 wobec 4,38 | Kim i in., VITS 2021 |
| Tacotron 2 + HiFi-GAN na VCTK, ten sam test | 3,14 | Kim i in., VITS 2021 |
| CMOS NaturalSpeech względem nagrań LJ Speech | -0,01 (p >> 0,05) | Microsoft Research, NaturalSpeech 2022 |
Szybkość poprawiała się razem z jakością. VITS syntezował mowę z prędkością 67,12 razy szybszą niż czas rzeczywisty, wobec 27,48 raza dla potoku Glow-TTS plus HiFi-GAN, a FastSpeech 2 trenował się 17,02 godziny wobec 53,12 dla FastSpeech, czyli 3,12 raza szybciej (publikacja o FastSpeech 2).
| Metryka | Wartość | Źródło |
|---|---|---|
| Współczynnik czasu rzeczywistego VITS | 67,12× | Kim i in., VITS 2021 |
| Współczynnik czasu rzeczywistego Glow-TTS + HiFi-GAN | 27,48× | Kim i in., VITS 2021 |
| MOS FastSpeech 2 wobec MOS Tacotron 2 (20 natywnych oceniających) | 3,83 wobec 3,70 | FastSpeech 2, 2020 |
| Czas treningu FastSpeech 2 wobec FastSpeech | 17,02 godz. wobec 53,12 godz. (3,12 raza szybciej) | FastSpeech 2, 2020 |
3. Klonowanie głosu zero-shot dogania nagrania wzorcowe i je przekracza
Zero-shot TTS, który klonuje nieznanego mówcę z krótkiej próbki, skrócił tę samą drogę do mniej więcej dwóch lat. VALL-E 2 firmy Microsoft uzyskał +0,033 CMOS względem nagrań wzorcowych na LibriSpeech, a jego wynik podobieństwa mówcy (4,61) przebił prawdziwe nagrania (4,13) (publikacja o VALL-E 2, 20 natywnych oceniających amerykański angielski). Pierwotny VALL-E, wydany w styczniu 2023 roku i trenowany na 60 000 godzin angielskiego, nadal ustępował nagraniom wzorcowym o 0,17 CMOS na LibriSpeech.
Wspólnym mianownikiem jest skala. NaturalSpeech 3 wykorzystał 200 000 godzin i 1 miliard parametrów, MaskGCT 100 000 godzin mowy z naturalnych źródeł, a CosyVoice 3 firmy Alibaba milion godzin w 9 językach i 18 dialektach chińskiego. Pytanie dla osób kupujących w 2026 roku oprogramowanie do klonowania głosu nie brzmi już: czy klon potrafi dorównać nagraniu wzorcowemu w teście laboratoryjnym, lecz: jak konsekwentnie robi to przy zaszumionych próbkach, akcentach i mowie ekspresyjnej. Nasze statystyki klonowania głosu obejmują upowszechnienie i nadużycia.
| Metryka | Wartość | Źródło |
|---|---|---|
| Dane treningowe VALL-E | 60 000 godzin angielskiego | Microsoft, VALL-E 2023 |
| CMOS VALL-E wobec nagrań wzorcowych, LibriSpeech (nagrania wzorcowe +0,17) | -0,17 | Microsoft, VALL-E 2023 |
| CMOS VALL-E 2 wobec nagrań wzorcowych, LibriSpeech | +0,033 | Microsoft, VALL-E 2, 2024 |
| SMOS VALL-E 2 wobec nagrań wzorcowych, LibriSpeech | 4,61 wobec 4,13 | Microsoft, VALL-E 2, 2024 |
| CMOS NaturalSpeech 3 (nagrania wzorcowe przy +0,08) | 0,00 | Microsoft, NaturalSpeech 3, 2024 |
| SMOS NaturalSpeech 3 wobec nagrań wzorcowych | 4,01 wobec 3,85 | Microsoft, NaturalSpeech 3, 2024 |
| CMOS MaskGCT wobec nagrań wzorcowych, LibriSpeech | +0,10 | MaskGCT 2024 |
| CMOS Seed-TTS wobec człowieka, angielski / mandaryński | -0,07 / -0,08 | ByteDance, Seed-TTS 2024 |
Metryki obiektywne opowiadają tę samą historię. CosyVoice 3 uzyskał współczynnik błędów słów (WER) 1,45% na angielskim zbiorze testowym Seed-TTS wobec 2,14% dla nagrań ludzkich (publikacja o CosyVoice 3), co oznacza, że automatyczne rozpoznawanie mowy transkrybuje dźwięk syntetyczny dokładniej niż prawdziwą mowę. To oznaka bardzo czystej artykulacji, niekoniecznie większej naturalności, ponieważ prawdziwi mówcy mamroczą, wahają się i różnią się od siebie.
| Metryka | Wartość | Źródło |
|---|---|---|
| Dane treningowe i rozmiar NaturalSpeech 3 | 200 000 godzin, 1 mld parametrów | Microsoft, NaturalSpeech 3, 2024 |
| Dane treningowe MaskGCT | 100 000 godzin (50 tys. angielskiego, 50 tys. chińskiego) | MaskGCT 2024 |
| Dane treningowe CosyVoice 3 | 1 milion godzin, 9 języków, 18 dialektów chińskiego | Alibaba, CosyVoice 3, 2025 |
| WER CosyVoice 3 wobec człowieka, Seed-TTS test-en | 1,45% wobec 2,14% | Alibaba, CosyVoice 3, 2025 |
| WER Seed-TTS DiT wobec człowieka, angielski | 1,733 wobec 2,143 | ByteDance, Seed-TTS 2024 |
| CMOS F5-TTS wobec nagrań wzorcowych, Seed-TTS test-en / test-zh | +0,31 / +0,21 | F5-TTS 2024 |
| WER F5-TTS wobec nagrań wzorcowych, LibriSpeech-PC | 2,42 wobec 2,23 | F5-TTS 2024 |
Uwaga kontekstowa: własne wyniki VALL-E 2 na VCTK pokazują, jak krucha jest parytet. Przy próbkach 3-sekundowych jego SMOS zrównał się z nagraniami wzorcowymi (4,47 wobec 4,47), ale przy próbkach 10-sekundowych nagrania wzorcowe uzyskały 4,74, a VALL-E 2 od 3,95 do 4,26. CosyVoice 3 podaje też, że w chińskim wszystkie jego modele nadal ustępują mowie ludzkiej, podczas gdy w angielskim model 1,5 mld parametrów ją przewyższa.
4. Blizzard Challenge: parytet w niezależnym teście
Testy przeprowadzane przez samych autorów mają oczywisty konflikt interesów, dlatego Blizzard Challenge ma znaczenie: organizatorzy przeprowadzają jeden wspólny test odsłuchowy dla wszystkich zgłoszeń. Edycja 2023, osiemnasta, przyciągnęła 18 zespołów do zadania Hub (51 godzin nagrań francuskich) i 14 do zadania Spoke (2 godziny), wszystkie z użyciem podejść neuronowych (The Blizzard Challenge 2023, ISCA). MuLanTTS firmy Microsoft, oznaczony jako system F, uzyskał 4,3 MOS wobec 4,4 dla nagrania naturalnego w zadaniu Hub oraz 4,5 wobec 4,5 w zadaniu Spoke (publikacja o MuLanTTS).
Późniejsze podsumowanie organizatorów wyciągnęło ostrzejszy wniosek: dwa systemy zostały ocenione jako statystycznie nieodróżnialne od mowy naturalnej pod względem MOS, po raz pierwszy w historii konkursu, a mimo to w dokładniejszym teście MUSHRA każdy system uznano za istotnie różny od mowy naturalnej (Refining the evaluation of speech synthesis, Computer Speech and Language 2024). Innymi słowy, 5-stopniowa skala MOS uległa nasyceniu, zanim głosy faktycznie stały się identyczne. To samo podsumowanie wykazało, że słuchacze niebędący native speakerami i osoby niebędące ekspertami wystawiały wyższe oceny niż native speakerzy i eksperci od mowy.
| Metryka | Wartość | Źródło |
|---|---|---|
| Zespoły Blizzard 2023 w Hub / Spoke | 18 / 14 | Perrotin i in., Blizzard Challenge 2023 |
| Dane treningowe Hub / Spoke (francuski) | 51 godzin / 2 godziny | Perrotin i in., Blizzard Challenge 2023 |
| MOS MuLanTTS wobec nagrania naturalnego, Hub | 4,3 wobec 4,4 | Microsoft, MuLanTTS 2023 |
| MOS MuLanTTS wobec nagrania naturalnego, Spoke | 4,5 wobec 4,5 | Microsoft, MuLanTTS 2023 |
| Systemy statystycznie nieodróżnialne od mowy naturalnej pod względem MOS | 2 (pierwszy raz w Blizzard) | Podsumowanie Blizzard Challenge 2023, CSL 2024 |
| Systemy uznane za różne od mowy naturalnej w MUSHRA | Wszystkie | Podsumowanie Blizzard Challenge 2023, CSL 2024 |
| MOS / SMOS DelightfulTTS, zadanie SH1 Blizzard 2021 | 4,17 / 4,35 | Microsoft, DelightfulTTS 2021 |
Edycja 2025 przeniosła trudny problem na języki o ograniczonych zasobach. Zespoły miały zbudować głosy dla języka Bildts, odmiany niderlandzkiego z około 6000 rodzimych użytkowników, na podstawie 7-godzinnego zbioru danych, a także wykonać zadanie zero-shot z 10 sekundami mowy referencyjnej (The Blizzard Challenge 2025, Uniwersytet w Groningen). W zadaniu głównym wystartowało siedem zespołów, a w zero-shot pięć.
| Metryka | Wartość | Źródło |
|---|---|---|
| Liczba rodzimych użytkowników języka docelowego Blizzard 2025 | Około 6000 (Bildts) | Do i in., Blizzard Challenge 2025 |
| Dane treningowe zadania głównego | 7 godzin, jeden mówca | Do i in., Blizzard Challenge 2025 |
| Nagranie referencyjne w zadaniu zero-shot | 10 sekund na mówcę | Do i in., Blizzard Challenge 2025 |
| Zespoły zadania głównego / zero-shot | 7 / 5 | Do i in., Blizzard Challenge 2025 |
5. Dlaczego liczby MOS się rozjeżdżają: metody, normy i automatyczna predykcja
Metodę MOS zbudowano dla linii telefonicznych, nie dla głosów neuronowych. ITU-T P.800, zatwierdzone w sierpniu 1996 roku, nadal reguluje subiektywne testy jakości transmisji; P.800.1 (lipiec 2016) ujednolica terminologię MOS; a P.808 (czerwiec 2018, wersja poprawiona w czerwcu 2021) obejmuje crowdsourcingowe testy jakości mowy (ITU-T P.808). Przegląd publikacji z Interspeech i SSW z lat 2021-2022 wykazał, że większość autorów nie podaje etykiet skali, jej podziałki ani instrukcji dla słuchaczy (Kirkland i in., Stuck in the MOS pit, SSW 2023), a także że średnie MOS dla jakości są wyższe niż MOS dla naturalności w przypadku tej samej mowy naturalnej.
Ten sam zespół przeprowadził kontrolowane testy odsłuchowe z identycznymi bodźcami i stwierdził, że sama zmiana podziałki skali lub instrukcji oceny przesuwała MOS niektórych systemów. Różnią się też wybory testów porównawczych: publikacja stanowiskowa z 2025 roku zauważyła, że VALL-E ocenia na 1234 wypowiedziach z LibriSpeech, NaturalSpeech 3 i MaskGCT na 40, a F5-TTS na 1127, oraz że WER MaskGCT wynosi 2,63% na zbiorze 40 wypowiedzi, ale 4,22% na zbiorze 1234 wypowiedzi (Towards Responsible Evaluation for Text-to-Speech, 2025).
| Metryka | Wartość | Źródło |
|---|---|---|
| Zatwierdzenie ITU-T P.800 | sierpień 1996 (obowiązuje) | ITU-T |
| Terminologia MOS w ITU-T P.800.1, najnowsza wersja | lipiec 2016 | ITU-T |
| Testy crowdsourcingowe wg ITU-T P.808 | czerwiec 2018, wersja poprawiona w czerwcu 2021 | ITU-T |
| Publikacje podające etykiety skali, podziałkę lub instrukcje | Mniejszość (Interspeech i SSW 2021-2022) | Kirkland i in., SSW 2023 |
| Liczba użytych wypowiedzi LibriSpeech test-clean: VALL-E / NaturalSpeech 3 / F5-TTS | 1234 / 40 / 1127 | Yang i in., 2025 |
| WER MaskGCT na 40 wobec 1234 wypowiedzi | 2,63% wobec 4,22% | Yang i in., 2025 |
| Podobieństwo mówcy z próbką referencyjną wobec bez niej | 0,905 wobec 0,754 | Yang i in., 2025 |
| Panel MOS CosyVoice 3 | 200 zdań, 10 natywnych oceniających, kroki co 0,5 punktu | Alibaba, CosyVoice 3, 2025 |
Ponieważ testy z udziałem ludzi są powolne i niespójne, dziedzina zbudowała automatyczne predyktory MOS. Pierwszy VoiceMOS Challenge w 2022 roku przyciągnął 22 zespoły, które miały przewidywać oceny ludzi dla 187 systemów TTS i konwersji głosu obejmujących ponad dekadę badań (VoiceMOS Challenge 2022), a najskuteczniejsze okazały się dostrojone samonadzorowane modele mowy. Udział od tego czasu zmalał do 10 zespołów w 2023 roku i 8 w 2024, którego pierwsza ścieżka koncentrowała się na wysokiej jakości syntezie ocenianej w powiększeniu, gdzie predyktory radzą sobie najgorzej.
| Metryka | Wartość | Źródło |
|---|---|---|
| Zespoły VoiceMOS 2022 / systemy w ścieżce głównej | 22 / 187 | Huang i in., VoiceMOS Challenge 2022 |
| Zespoły VoiceMOS 2023 | 10 z 7 krajów | VoiceMOS Challenge 2023 (ASRU 2023) |
| Zespoły VoiceMOS 2024 | 8 | Huang i in., VoiceMOS Challenge 2024 |
| Zbiory treningowe / testowe MOS-Bench | 8 / 17 | MOS-Bench 2024 (wersja poprawiona 2026) |
| UTMOS NaturalSpeech 3 wobec nagrań wzorcowych | 4,30 wobec 4,14 | Microsoft, NaturalSpeech 3, 2024 |
Uwaga kontekstowa: automatyczne oceny, takie jak UTMOS, rutynowo oceniają dziś mowę syntetyczną wyżej niż prawdziwe nagrania, co widać w tabeli NaturalSpeech 3, i to powód, by traktować je jako narzędzia przesiewowe, a nie dowód naturalności.
6. Czy słuchacze nadal potrafią odróżnić? Badania percepcji
Parytet na skali ocen to jedno, a oszukanie słuchacza pytanego wprost to drugie. W badaniu Queen Mary University of London z 2025 roku 58% klonów głosu i 41% ogólnych głosów AI uznano za ludzkie, podczas gdy prawdziwe głosy ludzkie rozpoznawano jako ludzkie w 62% do 81% przypadków, zależnie od eksperymentu (Lavan i in., PLOS ONE 2025). Klony zbudowano z około 4 minut nagrań na mówcę przy użyciu komercyjnie dostępnych narzędzi. Autorzy zatytułowali publikację ‘realistyczne, ale jeszcze nie hiperrealistyczne’: klony nie pokonały prawdziwych głosów ogółem, ale były na tyle bliskie, że ocena pojedynczego słuchacza jest niewiarygodna.
Mniej omawianym wnioskiem są wrażenia społeczne. Ogólne głosy AI oceniono jako bardziej dominujące niż głosy ludzkie (58,1 wobec 40,4 w skali 0-100) i nieco bardziej godne zaufania (57,9 wobec 53,8). Dla każdego, kto tworzy syntetyczną narrację lub używa generatora głosu AI, oznacza to, że słuchacze reagują na te głosy jak na ludzi, co podnosi stawkę ujawniania.
| Metryka | Wartość | Źródło |
|---|---|---|
| Klony głosu uznane za ludzkie | 58% | Lavan i in., PLOS ONE 2025 |
| Ogólne głosy AI uznane za ludzkie | 41% | Lavan i in., PLOS ONE 2025 |
| Prawdziwe głosy ludzkie uznane za ludzkie | od 62% do 81% (zależnie od eksperymentu) | Lavan i in., PLOS ONE 2025 |
| Czas nagrania użyty na jeden klon głosu | Około 4 minut | Lavan i in., PLOS ONE 2025 |
| Uczestnicy na eksperyment / głosy na eksperyment | 50 / 80 | Lavan i in., PLOS ONE 2025 |
| Ocena dominacji, ogólne głosy AI wobec ludzkich | 58,1 wobec 40,4 | Lavan i in., PLOS ONE 2025 |
| Ocena wiarygodności, ogólne głosy AI wobec ludzkich | 57,9 wobec 53,8 | Lavan i in., PLOS ONE 2025 |
Wcześniejsze dane o wykrywaniu wskazują ten sam kierunek. Badanie z 2023 roku z udziałem 529 uczestników wykazało, że słuchacze prawidłowo rozpoznawali deepfake’i mowy tylko w 73% przypadków, przy zbliżonych wynikach mówców angielskiego i mandaryńskiego, a pokazanie im wcześniej pięciu przykładów deepfake’ów podniosło trafność zaledwie o 3,84% (Mai i in., PLOS ONE 2023). Nasze statystyki trafności wykrywania deepfake’ów audio pokazują, jak wypadają detektory maszynowe.
| Metryka | Wartość | Źródło |
|---|---|---|
| Uczestnicy | 529 | Mai i in., PLOS ONE 2023 |
| Deepfake’i prawidłowo rozpoznane, pojedyncze nagrania | 73% | Mai i in., PLOS ONE 2023 |
| Prawdziwe nagrania prawidłowo rozpoznane, pojedyncze nagrania | 67,78% | Mai i in., PLOS ONE 2023 |
| Deepfake’i rozpoznane w parze z prawdziwym nagraniem | 85,59% | Mai i in., PLOS ONE 2023 |
| Wzrost trafności po 5 przykładach treningowych | 3,84% | Mai i in., PLOS ONE 2023 |
7. Areny preferencji i rynek stojący za wynikami
Gdy laboratoryjny MOS się nasyca, rankingi przeniosły się na ślepe porównania parami. Hugging Face uruchomił TTS Arena 27 lutego 2024 roku z sześcioma modelami, prosząc użytkowników o wybór bardziej naturalnej z dwóch anonimowych próbek i szeregując wyniki systemem podobnym do Elo (Hugging Face, uruchomienie TTS Arena). W rankingu Artificial Analysis Speech Arena odczytanym 3 października 2026 roku Eleven v4 firmy ElevenLabs prowadził z 1321 Elo, ale z przedziałem ± 189, który pokrywa się z każdym innym modelem z pierwszej dziesiątki (ranking TTS Artificial Analysis). Mówiąc uczciwie, czołówka to statystyczny remis między co najmniej sześcioma dostawcami.
Własna odpowiedź Hugging Face na powolne zbieranie głosów, Open TTS Leaderboard uruchomiony 30 września 2026 roku, zastępuje głosy ludzi metrykami obiektywnymi (WER, podobieństwo mówcy, szybkość) i zapewnia, że ocena modelu skraca się z kilku tygodni do kilku godzin, w Hubie, który obecnie gości ponad 8000 modeli TTS (Hugging Face, Open TTS Leaderboard).
| Metryka | Wartość | Źródło |
|---|---|---|
| Modele w TTS Arena na starcie (luty 2024) | 6 | Hugging Face, luty 2024 |
| Nr 1 w Speech Arena: Eleven v4 (ElevenLabs) | 1321 Elo (± 189), 1930 próbek | Artificial Analysis, październik 2026 |
| Nr 2: Qwen-Audio-3.1-TTS-Plus (Alibaba) | 1292 Elo (± 189) | Artificial Analysis, październik 2026 |
| Nr 3 / nr 4: Sonic 3.6 (Cartesia) / Gemini 3.8 Flash TTS (Google) | 1278 / 1275 Elo | Artificial Analysis, październik 2026 |
| Nr 10: Breeze TTS 2 (BreezeBlue) | 1216 Elo | Artificial Analysis, październik 2026 |
| Modele TTS hostowane w Hugging Face Hub | Ponad 8000 | Hugging Face, wrzesień 2026 |
Stawki handlowe tłumaczą ten wyścig. Głosy neuronowe i AI mają już 67,18% udziału w przychodach rynku zamiany tekstu na mowę, który Mordor Intelligence szacuje na 4,36 mld USD w 2026 roku, rosnące do 7,92 mld USD do 2031 roku (Mordor Intelligence, Text to Speech Market). Research and Markets podaje bazę z 2023 roku na poziomie 3,8 mld USD i prognozę 9,3 mld USD na 2030 rok (komunikat GlobeNewswire, grudzień 2024).
| Metryka | Wartość | Źródło |
|---|---|---|
| Wielkość rynku TTS, 2025 / 2026 | 3,87 mld USD / 4,36 mld USD | Mordor Intelligence, 2026 |
| Prognoza rynku TTS, 2031 | 7,92 mld USD (CAGR 12,66%) | Mordor Intelligence, 2026 |
| Udział głosów neuronowych / AI w przychodach | 67,18% (CAGR 15,08%) | Mordor Intelligence, 2026 |
| Udział Ameryki Północnej, 2025 | 36,78% | Mordor Intelligence, 2026 |
| Rynek TTS, 2023 do 2030 | od 3,8 mld USD do 9,3 mld USD (CAGR 13,4%) | Research and Markets, grudzień 2024 |
| Prognoza rynku TTS w Chinach, 2030 | 2,3 mld USD (CAGR 17,5%) | Research and Markets, grudzień 2024 |
Podsumowanie: MOS mowy syntetycznej w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| MOS Tacotron 2 wobec profesjonalnych nagrań | 4,53 wobec 4,58 | Google, 2017 |
| Zmniejszenie dystansu do mowy ludzkiej przez WaveNet | Ponad 50% | DeepMind, 2016 |
| Zakres MOS mowy ludzkiej w przełomowych publikacjach | od 4,30 do 4,58 | Google, DeepMind, Kakao, Microsoft, 2016-2021 |
| MOS VITS wobec nagrań wzorcowych, VCTK | 4,38 wobec 4,38 | Kakao Enterprise, 2021 |
| CMOS NaturalSpeech wobec nagrań | -0,01 (nieistotne) | Microsoft Research, 2022 |
| CMOS VALL-E 2 wobec nagrań wzorcowych, LibriSpeech | +0,033 | Microsoft, 2024 |
| SMOS VALL-E 2 wobec nagrań wzorcowych | 4,61 wobec 4,13 | Microsoft, 2024 |
| CMOS MaskGCT wobec nagrań wzorcowych | +0,10 | MaskGCT, 2024 |
| CMOS Seed-TTS wobec człowieka, angielski | -0,07 | ByteDance, 2024 |
| WER CosyVoice 3 wobec człowieka, angielski | 1,45% wobec 2,14% | Alibaba, 2025 |
| Dane treningowe CosyVoice 3 | 1 milion godzin | Alibaba, 2025 |
| Systemy Blizzard 2023 równe mowie naturalnej pod względem MOS | 2 (pierwszy raz) | Podsumowanie Blizzard Challenge 2023, 2024 |
| MuLanTTS wobec nagrania naturalnego, Hub w Blizzard 2023 | 4,3 wobec 4,4 | Microsoft, 2023 |
| Publikacje z pełnym opisem metody MOS | Mniejszość | Kirkland i in., SSW 2023 |
| Systemy / zespoły VoiceMOS 2022 | 187 / 22 | VoiceMOS Challenge 2022 |
| Klony głosu uznane za ludzkie | 58% | Lavan i in., PLOS ONE 2025 |
| Deepfake’i prawidłowo rozpoznane przez słuchaczy | 73% | Mai i in., PLOS ONE 2023 |
| Najwyższe Elo w Speech Arena | 1321 (± 189) | Artificial Analysis, październik 2026 |
| Udział głosów neuronowych / AI w przychodach TTS | 67,18% | Mordor Intelligence, 2026 |
| Rynek TTS, 2026 | 4,36 mld USD | Mordor Intelligence, 2026 |
Metodologia i źródła
Każda wartość MOS, CMOS i SMOS powyżej pochodzi z publikacji lub raportu konkursu, który przeprowadził test odsłuchowy, odczytana z abstraktu arXiv lub tabel pełnego tekstu. Tam, gdzie publikacja pokazywała wyniki tylko na wykresie (na przykład słupki MOS CosyVoice 3), użyliśmy wniosku z tekstu i pominęliśmy wartości przybliżone. Deklaracje parytetu złożone przez samych twórców modeli oznaczono nazwą twórcy, aby czytelnicy mogli je zestawić z niezależnymi testami, takimi jak Blizzard Challenge.
- DeepMind: ogłoszenie WaveNet (wrzesień 2016) i publikacja o WaveNet
- Google: publikacja o Tacotron 2 (grudzień 2017)
- Microsoft i Uniwersytet Zhejiang: FastSpeech 2 (2020)
- Kakao Enterprise: VITS (czerwiec 2021)
- Microsoft Research: NaturalSpeech (maj 2022), NaturalSpeech 3 (marzec 2024), VALL-E (styczeń 2023), VALL-E 2 (czerwiec 2024), MuLanTTS (wrzesień 2023), DelightfulTTS (październik 2021)
- ByteDance: Seed-TTS (czerwiec 2024)
- MaskGCT (wrzesień 2024) i F5-TTS (październik 2024)
- Alibaba: CosyVoice 3 (maj 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 i in.: Stuck in the MOS pit, SSW 2023
- Yang i in.: Towards Responsible Evaluation for Text-to-Speech (październik 2025)
- VoiceMOS Challenge: 2022, 2023, 2024; MOS-Bench
- Lavan i in.: Voice clones sound realistic but not (yet) hyperrealistic, PLOS ONE (wrzesień 2025)
- Mai i in.: Warning: Humans cannot reliably detect speech deepfakes, PLOS ONE (sierpień 2023)
- Hugging Face: uruchomienie TTS Arena (luty 2024), Open TTS Leaderboard (wrzesień 2026)
- Artificial Analysis: ranking zamiany tekstu na mowę (odczyt 3 października 2026)
- Mordor Intelligence: Text to Speech Market; Research and Markets za pośrednictwem GlobeNewswire (grudzień 2024)
- Uwaga o danych: wartości MOS, CMOS i SMOS nie są porównywalne między publikacjami, ponieważ pule słuchaczy, skale i instrukcje się różnią; różnią się też skale CMOS (F5-TTS używa skali od -3 do +3). Większość deklaracji parytetu z sekcji 2 i 3 pochodzi z testów przeprowadzonych przez samych twórców na małych panelach (na przykład 12 oceniających dla CMOS VALL-E i 20 dla VALL-E 2), a wyniki WaveNet, Tacotron 2, FastSpeech 2 i VITS mają ponad trzy lata i są pokazane jako najnowsze dostępne dane dla tych testów. Wnioski z Blizzard 2023 o parytecie statystycznym i MUSHRA pochodzą z opublikowanego abstraktu podsumowania organizatorów. Wyniki Elo Artificial Analysis zmieniają się codziennie wraz z napływem głosów, a ich przedziały ufności pokrywają się w pierwszej dziesiątce. Szacunki rozmiaru rynku są sprzeczne: Mordor Intelligence podaje dla 2025 roku 3,87 mld USD przy CAGR 12,66% do 2031 roku, podczas gdy Research and Markets prognozuje 9,3 mld USD do 2030 roku przy CAGR 13,4% od bazy 3,8 mld USD z 2023 roku; różnica wynika z odmiennych definicji zakresu. Główne nowe dane, na które czekamy, to pełne wyniki testu odsłuchowego Blizzard 2025 i następny VoiceMOS Challenge.
Ostatnia aktualizacja: 3 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się po opublikowaniu wyników następnego VoiceMOS Challenge i pełnej analizy testu odsłuchowego Blizzard Challenge 2025.