Когда в бенчмарке 2026 года нейросетевые системы синтеза речи по тексту (TTS) попросили поставить ударение на нужное слово в двух версиях одного и того же предложения, показатель Pair-Correct оказался близок к нулю почти у всех, а лучший результат составил 11,5% даже при явной разметке ударения во входных данных (Turetzky и др., бенчмарк CAST 2026). Та же картина проходит через остальные исследования просодии: в работе на японских аудиокнигах ошибка высоты тона примерно удвоилась при переходе от ресинтеза вокодером к полноценному TTS, классификатор эмоций, набравший 99,64% на записях людей, на синтезированных набрал 15,31%, а модели с закрытым кодом отстали от настоящих записей на 0,93 балла по выразительной насыщенности при чтении длинных текстов. Общие оценки естественности сегодня близки к записям людей (см. нашу статистику MOS синтетической речи), но мелодика, темп и выделение слов - это то место, где остаётся разрыв. Мы свели данные из Journal of the Brazilian Computer Society, Interspeech и ISCA Speech Synthesis Workshops, Blizzard Challenge, ACL 2026 Findings, Journal of the Acoustical Society of America, LabPhon и более чем десятка статей на arXiv.
Кратко (TL;DR)
- 95 из 100 исследований оценки просодии с 2020 по 2024 год анализировали высоту тона (F0), а RMSE по F0 было самой используемой метрикой (Galdino и др., JBCS 2025).
- Логарифмическое RMSE по F0 коррелирует с оценками просодии людьми лишь на уровне r = 0,30 (Yang и др., ProsodyEval 2025).
- Ошибка высоты тона (RMSE по F0) составила 14,03 для строки с одним только вокодером HiFi-GAN против 27,93 для лучшей полной модели TTS (Xin и др., TTS для аудиокниг 2022).
- Базовый кантонский TTS допускал 32,76% ошибок F0 по кадрам на декларативных вопросах против 13,53% на утверждениях (Bai и др., Interspeech 2022).
- Слушатели восприняли как вопросы лишь 21,83% декларативных вопросов, синтезированных базовой системой (Bai и др., Interspeech 2022).
- Верная расстановка ударения в обеих версиях пары (Pair-Correct) достигала не более 11,5% среди всех протестированных систем TTS, тогда как модель, работающая только с текстом, дошла до 76,1% (Turetzky и др., CAST 2026).
- Слушатели распознали гнев в 37% записей людей, но лишь в 7% синтезированных фрагментов (Abilbekov и др., KazEmoTTS 2024).
- Распознавание эмоций на выходе CosyVoice 2 упало с 83,93% (настоящая речь) до 34,57%, когда просодию нужно было получать из текста (Ge и др., 2026).
- Оценки отдельных предложений объяснили лишь около 12% дисперсии оценок абзацев (Clark и др., SSW10 2019).
- TTS с закрытым кодом для длинных текстов в среднем получил 3,42 по выразительной насыщенности против 4,35 у настоящей речи (Pan и др., SwanBench-Speech, ACL 2026 Findings).
- Читающие люди говорили со скоростью 3,20 слога в секунду против 4,96 при свободной речи (Jacewicz и др., JASA 2010).
1. Измерение просодии: проблема метрик
Область измеряет просодию в основном одним числом, и это число едва отражает то, что слышат слушатели. Логарифмическое RMSE по F0, стандартная метрика ошибки высоты тона, коррелировало с оценками просодии людьми на уровне r = 0,30, что меньше половины корреляции более новой метрики на основе токенов (Yang и др., ProsodyEval 2025). F0 (основная частота) - это акустическая мера, стоящая за воспринимаемой высотой тона, а RMSE (среднеквадратичная ошибка) сравнивает синтетическую кривую высоты тона кадр за кадром с единственной записью человека того же предложения.
Проблема носит структурный характер: одно и то же предложение можно хорошо прочитать с множеством разных мелодик, поэтому расстояние до единственного эталона наказывает за допустимую вариативность. Даже крупные аудиоязыковые модели пока не решают задачу: Gemini 2.5 Pro показала корреляцию r = 0,27 с оценками просодии людьми в том же бенчмарке из 1 000 образцов, 7 систем TTS и 2 000 оценок людей.
| Показатель | Значение | Источник |
|---|---|---|
| Проанализировано исследований оценки просодии (опубликованных с 2020 по 2024 год) | 100 | Galdino и др., JBCS 2025 |
| Исследования, анализировавшие высоту тона (F0) | 95 из 100 | Galdino и др., JBCS 2025 |
| Исследования по языкам: английский / китайский (мандаринский) / японский | 48 / 27 / 15 | Galdino и др., JBCS 2025 |
| Корреляция с оценками просодии людьми: логарифмическое RMSE по F0 | r = 0,30 [0,19; 0,40] | Yang и др., ProsodyEval 2025 |
| Корреляция с оценками просодии людьми: DS-WED (метрика на основе токенов) | r = 0,77 [0,73; 0,81] | Yang и др., ProsodyEval 2025 |
| Gemini 2.5 Pro в роли судьи просодии, корреляция с оценками людей | r = 0,27 | Yang и др., ProsodyEval 2025 |
Контекст: систематический обзор в Journal of the Brazilian Computer Society также показал, что LJ Speech, англоязычный корпус с одним диктором, читающим научно-популярные тексты, был самым используемым набором данных, так что заметная часть опубликованных свидетельств описывает один стиль чтения на одном языке. Отдельный бенчмарк из 35 систем TTS с 2008 по 2024 год сообщает, что для более поздних систем просодия значит больше, а его авторы полагают, что оценщики-люди сильнее сосредоточиваются на ней по мере того, как проблемы шума и разборчивости уходят (Minixhofer и др., TTSDS 2024).
2. Измеренная ошибка высоты тона и длительности относительно записей людей
Когда исследование отделяет вокодер от этапа, предсказывающего просодию по тексту, основная часть ошибки высоты тона возникает на втором. В работе на японских аудиокнигах RMSE по F0 составило 14,03 для строки с одним только вокодером HiFi-GAN и 27,93 для лучшей полной модели TTS, то есть примерно в 2 раза выше (27,93 / 14,03 = 1,99) (Xin и др., TTS для аудиокниг 2022). Вокодер - это финальный этап, превращающий акустические признаки в звуковую волну, поэтому оценка одного вокодера приближает нижнюю границу ошибки самого аудиотракта.
Более новые предсказатели улучшают результат лишь на несколько пунктов. Модель просодии 2025 года, обученная примерно на 750 часах английского аудио, совпала с эталонной высотой тона в 43,9% кадров против 40,2% у сильнейшей базовой системы. Разнообразие просодии тоже хрупко: дообучение по предпочтениям (DPO) снизило измеренное разнообразие просодии одной системы на 18,8%.
| Показатель | Значение | Источник |
|---|---|---|
| RMSE по F0: только вокодер (HiFi-GAN) против лучшей полной модели TTS (японские аудиокниги) | 14,03 против 27,93 | Xin и др., TTS для аудиокниг 2022 |
| Грубая ошибка высоты тона: только вокодер (HiFi-GAN) против лучшей модели TTS против базовой системы | 2,2 против 12,57 против 14,16 | Xin и др., TTS для аудиокниг 2022 |
| Предпочтение AB: модель с учётом контекста против базовой системы (40 слушателей) | 61,5% против 38,5% | Xin и др., TTS для аудиокниг 2022 |
| RMSE по F0: иерархическая модель для длинных текстов против базовой системы FastSpeech 2 с BERT (аудиокниги на мандаринском) | 36,61 против 51,12 | Guo и др., HiGNN-TTS 2023 |
| MSE длительности: иерархическая модель для длинных текстов против базовой системы | 0,1083 против 0,1421 | Guo и др., HiGNN-TTS 2023 |
| Сырая точность высоты тона (доля кадров, близких к высоте тона человека): ProMode против базовой системы StyleTTS 2 | 43,9% против 40,2% | Eren и др., ProMode 2025 |
| Изменение разнообразия просодии после дообучения DPO, CosyVoice 2 (LibriSpeech) | -18,8% | Yang и др., ProsodyEval 2025 |
Замечание о выбросах: значения RMSE по F0 сопоставимы только внутри одной статьи, поскольку единицы измерения, выравнивание и наборы данных различаются. В статье о ProMode не указаны единицы его RMSE, а текст HiGNN-TTS описывает собственный результат по F0 словами, которые противоречат его таблице, поэтому мы приводим значения из таблицы.
3. Вопросы, синтаксис и омографы: верное чтение типа предложения
Вопросительная интонация даёт сбой там, где грамматика не подсказывает. Базовая система Tacotron 2 для кантонского допускала ошибки F0 по кадрам в 32,76% кадров на декларативных вопросах против 13,53% на утверждениях, а слушатели распознали как вопросы лишь 21,83% её декларативных вопросов (Bai и др., Interspeech 2022). Декларативный вопрос - это предложение в форме утверждения, которое должно заканчиваться повышением тона; в корпусе CanTTS их около 1 000 из 12 010 высказываний, поэтому модель редко видит этот образец. Ошибка F0 по кадрам считает кадры, где высота тона или наличие звонкости заметно отклоняется от записи человека.
Решение в этом исследовании, отдельный текстовый классификатор «вопрос или утверждение», подняло распознавание до 98,41%. Более новые системы остаются неровными: в бенчмарке EmergentTTS-Eval 2025 года, оценённом ИИ-судьёй относительно коммерческой базовой системы, где 50% означает паритет, модели с открытым кодом Sesame1B, Orpheus-TTS и Qwen 2.5 Omni выиграли 31,78%, 39,64% и 49,28% запросов с вопросами (Manku и др., Boson AI, EmergentTTS-Eval 2025).
| Показатель | Значение | Источник |
|---|---|---|
| Декларативные вопросы, распознанные как вопросы: базовая система Tacotron 2 против модели с классификатором вопросов | 21,83% против 98,41% | Bai и др., Interspeech 2022 |
| Ошибка F0 по кадрам на декларативных вопросах против утверждений, базовая система Tacotron 2 | 32,76% против 13,53% | Bai и др., Interspeech 2022 |
| Вопросительная интонация воспринята верно: ресинтез вокодером против двух эмоциональных базовых систем TTS | 99,2% против 81,6% и 85,9% | Tang и др., QI-TTS 2023 |
| Доля побед в категории «Вопросы» против базовой системы: GPT-4o-audio (лучший в целом) против Sesame1B | 56,96% против 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Доля побед по синтаксической сложности против базовой системы: Orpheus-TTS против Sesame1B | 38,92% против 18,88% | Boson AI, EmergentTTS-Eval 2025 |
| Доля побед по сложному произношению против базовой системы: Qwen 2.5 Omni | 3,30% | Boson AI, EmergentTTS-Eval 2025 |
| Согласие между рейтингом ИИ-судьи и рейтингом людей (Спирмен) | 90,5% | Boson AI, EmergentTTS-Eval 2025 |
| Тест на французские омографы (Blizzard 2023): случайный уровень против лучших систем | 50% против более 80% | Perrotin и др., Blizzard Challenge 2023 |
Контекст: омографы (слова, одинаково пишущиеся, но произносимые по-разному, как французское ‘est’, то есть глагол или сторона света) оценивали 218 слушателей в тесте ABX на Blizzard Challenge 2023, и организаторы связали лучшие результаты с системами, использовавшими большую языковую модель в текстовом кодировщике. Исследование QI-TTS датируется мартом 2023 года; самые свежие доступные данные по этому показателю.
4. Выделение слов и контрастивное ударение
Постановка ударения на нужное слово - наиболее очевидный сбой на сегодня. В бенчмарке CAST из 113 контрастивных пар (226 элементов) показатель Pair-Correct (нужное слово выделено в обеих версиях пары) был близок к нулю почти у всех систем, а лучший составил 11,5%, и достигнут он только при явной разметке ударения во входных данных (Turetzky и др., CAST 2026). Тот же бенчмарк показал, что языковая модель, работающая только с текстом, определяет задуманное ударение по контексту в 76,1% случаев, то есть информация доступна: системы TTS просто не превращают её в звук.
Передача модели TTS предшествующего контекста не дала заметного улучшения ни у одной системы. Более ранние исследования со слушателями указывают в ту же сторону: отметки ошибок в синтетической речи скапливаются вокруг просодических границ, а лишняя просодическая вариативность часто воспринимается как ошибка, если не соответствует контексту.
| Показатель | Значение | Источник |
|---|---|---|
| Целевое слово выделено (Hit) / обе стороны верны (Pair-Correct): Kokoro | 38,1% / 0,0% | Turetzky и др., CAST 2026 |
| Hit / Pair-Correct: GPT-4o-mini-tts с явной разметкой ударения | 51,8% / 11,5% | Turetzky и др., CAST 2026 |
| Hit / Pair-Correct: Claude Haiku 4.5, работающая только с текстом, предсказывает ударение по контексту | 88,1% / 76,1% | Turetzky и др., CAST 2026 |
| Выделенное слово распознано слушателями, EME-TTS: среднее против удивления | 78% против 64% | Li и др., EME-TTS 2025 |
| Корреляция между оценкой просодии и долей ошибок, отмеченных слушателями | R = -0,75 | Gutierrez и др., SSW11 2021 |
| Доля случаев, когда слово FastPitch с наибольшим числом отметок об ошибке стояло прямо перед знаком препинания (текст аудиокниги) | 73% | Gutierrez и др., SSW11 2021 |
Контекст: согласие слушателей о том, куда падает ударение в синтетической речи, само по себе скромное (каппа Флейса = 0,36 среди трёх слушателей в том же бенчмарке), и это одна из причин, почему выделение слов трудно измерить. В EME-TTS (11 слушателей) удивление получило самую низкую оценку, и авторы объясняют это частым повышением тона в конце удивлённой речи, из-за чего слушатели воспринимали последнее слово как выделенное. Исследование быстрой просодической транскрипции относится к 2021 году; самые свежие доступные данные по отметкам ошибок слушателями.
5. Эмоциональная просодия: что распознают слушатели и классификаторы
Эмоция передаётся во многом просодией, а синтетическую эмоцию распознают заметно реже, чем записанную. В исследовании на казахском с участием 64 слушателей задуманная эмоция была распознана в 43% записей людей, но лишь в 32% синтезированных фрагментов, а доля распознанного гнева упала с 37% до 7% (Abilbekov и др., KazEmoTTS 2024).
Анализ 2026 года проследил, где теряется эмоция. На CosyVoice 2 распознавание эмоций оставалось на уровне 82,43% после реконструкции вокодером и 84,07%, когда модели подавали настоящие речевые токены, что близко к 83,93% для настоящей речи, но падало до 34,57%, когда модели приходилось генерировать речь по тексту (Ge и др., On the Emotion Understanding of Synthesized Speech, 2026). Потеря происходит на шаге от текста к просодии, а не из-за качества звука. О том, как модели распознавания работают на голосах людей, см. нашу статистику распознавания эмоций в речи.
| Показатель | Значение | Источник |
|---|---|---|
| Распознавание эмоций слушателями: записи людей против синтезированных (6 эмоций) | 43% против 32% | Abilbekov и др., KazEmoTTS 2024 |
| Распознавание гнева слушателями: записи людей против синтезированных | 37% против 7% | Abilbekov и др., KazEmoTTS 2024 |
| Точность классификатора эмоций (emotion2vec): записи людей из TESS против синтезированного TESS | 99,64% против 15,31% | Ge и др., 2026 |
| Точность классификатора эмоций: IEMOCAP людей против синтезированного IEMOCAP | 71,28% против 49,58% | Ge и др., 2026 |
| CosyVoice 2 на TESS: настоящая речь против только вокодера против генерации по тексту | 83,93% против 82,43% против 34,57% | Ge и др., 2026 |
| Точность классификатора эмоций на выходе gpt-4o-tts (предложения CREMA-D / TESS) | 32,94% / 46,42% | Ge и др., 2026 |
| Точность повторной классификации эмоций: записи людей после вокодера против лучшей и худшей из трёх систем TTS | 0,931 против 0,749 и 0,623 | Tang и др., ED-TTS 2024 |
| Доля побед в категории «Эмоции» против базовой системы: GPT-4o-audio против Sesame1B | 88,84% против 7,32% | Boson AI, EmergentTTS-Eval 2025 |
Замечание о выбросах: показатели классификаторов 2026 года - это машинные оценки, а не суждения слушателей, и классификатор, обученный на синтезированной речи, достиг 91,84% на синтезированном TESS, но 15,00% на TESS людей, что говорит о том, что синтетическая и человеческая эмоции различаются акустически. ED-TTS использовал собственный классификатор эмоций, поэтому его шкала напрямую несопоставима с emotion2vec.
6. Чтение длинных текстов: где тесты на предложениях перестают работать
Просодия, которая звучит хорошо предложение за предложением, может сбиваться, сглаживаться или неверно расставлять паузы на протяжении абзаца. В исследовании чтения новостей даже лучшая оценка отдельного предложения абзаца объяснила лишь около 12% дисперсии оценки всего абзаца (максимальная оценка MOS предложения против MOS абзаца, r = 0,345, p < 0,01) (Clark и др., Evaluating Long-form Text-to-Speech, SSW10 2019). Авторы заключили, что оценки на уровне предложений - «плохие предсказатели MOS абзаца».
Картина 2026 года более узкая, но не закрытая. В SwanBench-Speech лучшая система с закрытым кодом приблизилась к настоящим записям на 0,09 по оценке просодии (3,95 против 4,04), но среднее по системам с закрытым кодом отставало от настоящей речи на 0,93 балла и по выразительной насыщенности (эмоциональный отклик, создание образа персонажа, рассказывание историй), и по выразительной иерархии (выразительная динамика на уровне абзаца), а большинство моделей деградировали, когда отрывок превышал 100 слов (Pan и др., SwanBench-Speech, ACL 2026 Findings). Для тех, кто работает с озвученными обучающими и разъясняющими материалами, наша статистика озвучки с ИИ охватывает внедрение, а генератор голоса с ИИ проще оценивать на целом абзаце, а не на одной строке.
| Показатель | Значение | Источник |
|---|---|---|
| Корреляция, средняя оценка предложений против оценки абзаца (новости) | r = 0,296 (p < 0,05) | Clark и др., SSW10 2019 |
| Средняя оценка, короткие предложения против 40-секундных отрывков, лучшая модель | 4,09 против 3,86 | Guo и др., HiGNN-TTS 2023 |
| Средняя оценка, короткие предложения против 40-секундных отрывков, базовая система | 3,52 против 3,34 | Guo и др., HiGNN-TTS 2023 |
| Тест на прослушивание аудиокниги: слушатели / оценки / длина сегмента | 204 / 33 750 / около 2 минут | Zhang и др., SSW 2023 |
| Прирост общего качества от улучшений для длинных текстов (аннотация) | +0,47 MOS | Zhang и др., SSW 2023 |
| Сравнительная оценка после удаления контекста из нескольких предложений: женский / мужской голос | -0,42 / -0,58 | Zhang и др., SSW 2023 |
| Выразительная насыщенность: настоящая речь против среднего по системам с закрытым кодом против среднего по системам с открытым кодом | 4,35 против 3,42 против 3,03 | Pan и др., SwanBench-Speech 2026 |
| Выразительная иерархия (динамика на уровне абзаца): настоящая речь против среднего по системам с закрытым кодом | 3,94 против 3,01 | Pan и др., SwanBench-Speech 2026 |
Контекст: оценки SwanBench автоматические. Его метрика просодии совпала с оценками 10 людей-оценщиков при SRCC = 0,82 на 50 парах, а его судья насыщенности и иерархии (Gemini 3 Pro) - на уровне 0,71 и 0,62. Статья о синтезе аудиокниг утверждает, что её улучшения «сокращают огромный разрыв между базовым синтезом и естественными записями», не устраняя его. Исследование Clark и др. относится к 2019 году; самые свежие доступные данные по сравнению предложения и абзаца.
7. Человеческий эталон: насколько варьируется настоящая просодия
Любое число «ошибки» предполагает цель, а просодия человека - широкая цель. У 192 носителей американского английского темп артикуляции составил 3,20 слога в секунду при чтении предложений и 4,96 в спонтанной речи (Jacewicz и др., JASA 2010). Темп артикуляции считает слоги в секунду без пауз, поэтому отделяет скорость речи от колебаний и запинок.
Вариативность внутри одного человека - более важный сюжет: в тех же данных различия от фразы к фразе у одного говорящего превышали различия между говорящими. Корпусное исследование, представленное на LabPhon 19, почти на 120 000 высказываний показало, что отдельные говорящие различаются сильнее, чем диалекты. Поэтому одна эталонная запись - слабая мерка, как раздел 1 показал для RMSE по F0.
| Показатель | Значение | Источник |
|---|---|---|
| Темп артикуляции, читаемые предложения против спонтанной речи (слогов в секунду) | 3,20 против 4,96 | Jacewicz и др., JASA 2010 |
| Темп спонтанной речи, говорящие из Висконсина против Северной Каролины (слогов в секунду) | 5,21 против 4,80 | Jacewicz и др., JASA 2010 |
| Темп чтения, молодые взрослые против самых старших взрослых (слогов в секунду) | 3,58 против 3,0 | Jacewicz и др., JASA 2010 |
| Дисперсия темпа речи: внутри говорящего против между говорящими | 1,0 против 0,19 | Jacewicz и др., JASA 2010 |
| Размер корпуса: высказывания / говорящие / диалекты | 119 736 / 1 115 / 15 | Tanner и др., LabPhon 19 |
| Оценка разницы в темпе артикуляции между диалектами английского | около 40% (около 2 слогов в секунду) | Tanner и др., LabPhon 19 |
| Вероятность того, что вариативность между говорящими превышает вариативность между диалектами | 0,98 | Tanner и др., LabPhon 19 |
Контекст: в статье SPADE о темпе артикуляции использовано 14 корпусов спонтанной речи британского и североамериканского английского. Данные Jacewicz относятся к 2010 году; самые свежие доступные данные по темпу чтения и спонтанной речи на одной контролируемой выборке. О другом просодическом признаке, где суждения слушателей расходятся с акустикой, см. нашу статистику вокального фрая.
Итоги: ошибки просодии и интонации в нейросетевом TTS в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Исследования просодии (2020-2024), анализировавшие высоту тона | 95 из 100 | Galdino и др., JBCS 2025 |
| Корреляция логарифмического RMSE по F0 с оценками просодии людьми | r = 0,30 | Yang и др., ProsodyEval 2025 |
| RMSE по F0: только вокодер против лучшего полного TTS | 14,03 против 27,93 | Xin и др., 2022 |
| Сырая точность высоты тона предсказателя просодии 2025 года | 43,9% | Eren и др., ProMode 2025 |
| Ошибка F0 по кадрам, декларативные вопросы против утверждений (базовая система) | 32,76% против 13,53% | Bai и др., Interspeech 2022 |
| Декларативные вопросы, услышанные как вопросы: базовая система против модели с классификатором | 21,83% против 98,41% | Bai и др., Interspeech 2022 |
| Доля побед в «Вопросах» против базовой системы: GPT-4o-audio против Sesame1B | 56,96% против 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Тест на омографы: случайный уровень против лучших систем | 50% против более 80% | Perrotin и др., Blizzard 2023 |
| Pair-Correct при контрастивном ударении: лучший TTS против языковой модели только на тексте | 11,5% против 76,1% | Turetzky и др., CAST 2026 |
| Распознавание эмоций слушателями: человек против синтеза | 43% против 32% | Abilbekov и др., KazEmoTTS 2024 |
| Классификатор эмоций: TESS людей против синтезированного TESS | 99,64% против 15,31% | Ge и др., 2026 |
| Точность эмоций CosyVoice 2: настоящая речь против генерации по тексту | 83,93% против 34,57% | Ge и др., 2026 |
| Оценка предложения против оценки абзаца, объяснённая дисперсия | около 12% | Clark и др., SSW10 2019 |
| Выразительная насыщенность: настоящая речь против среднего по системам с закрытым кодом | 4,35 против 3,42 | Pan и др., SwanBench-Speech 2026 |
| Короткие предложения против 40-секундных отрывков, лучшая модель | 4,09 против 3,86 | Guo и др., HiGNN-TTS 2023 |
| Темп артикуляции при чтении против спонтанной речи (слогов в секунду) | 3,20 против 4,96 | Jacewicz и др., JASA 2010 |
| Разница в темпе артикуляции между диалектами английского | около 40% | Tanner и др., LabPhon 19 |
Методология и источники
Каждая приведённая выше цифра прочитана в статье, на странице сборника трудов или в полном тексте, где она была опубликована. Если статья показывала результаты только на графике, мы использовали сформулированные в ней выводы и отказывались от приблизительных значений. Оценки, выставленные машиной (ИИ-судьи, классификаторы эмоций, автоматические бенчмарки), помечены в тексте как таковые и не должны читаться как проценты слушателей.
- Galdino, Matos, Svartman и Aluisio, “The evaluation of prosody in speech synthesis: a systematic review”, Journal of the Brazilian Computer Society, 9 июля 2025 года
- Yang и др., “Measuring Prosody Diversity in Zero-Shot TTS” (ProsodyEval), arXiv 2509.19928, пересмотрено 1 апреля 2026 года
- Minixhofer, Klejch и Bell, “TTSDS - Text-to-Speech Distribution Score”, arXiv 2407.12707, 2024
- Xin и др., “Improving Speech Prosody of Audiobook Text-to-Speech Synthesis with Acoustic and Textual Contexts”, arXiv 2211.02336, 2022
- Guo и др., “HiGNN-TTS: Hierarchical Prosody Modeling with Graph Neural Networks for Expressive Long-form TTS”, arXiv 2309.13907, 2023
- Eren и др., “ProMode: A Speech Prosody Model Conditioned on Acoustic and Textual Inputs”, arXiv 2508.09389, 2025
- Bai, Ko и Zhang, “A Study of Modeling Rising Intonation in Cantonese Neural Speech Synthesis”, Interspeech 2022
- Tang и др., “QI-TTS: Questioning Intonation Control for Emotional Speech Synthesis”, arXiv 2303.07682, 2023
- Manku и др. (Boson AI), “EmergentTTS-Eval”, arXiv 2505.23009, 29 мая 2025 года
- Perrotin, Stephenson, Gerber и Bailly, “The Blizzard Challenge 2023”, ISCA Archive
- Turetzky и др., “Knowing What to Stress: A Discourse-Conditioned Text-to-Speech Benchmark” (CAST), arXiv 2604.10580, 12 апреля 2026 года
- Li и др., EME-TTS, о связи между выделением слов и эмоцией в синтезе речи, arXiv 2507.12015, 2025
- Gutierrez, Oplustil-Gallegos и Lai, “Location, Location”, ISCA SSW11, 2021
- Abilbekov и др., “KazEmoTTS: A Dataset for Kazakh Emotional Text-to-Speech Synthesis”, arXiv 2404.01033, 2024
- Ge и др., “On the Emotion Understanding of Synthesized Speech”, arXiv 2603.16483, 17 марта 2026 года
- Tang и др., “ED-TTS: Multi-Scale Emotion Modeling using Cross-Domain Emotion Diarization”, arXiv 2401.08166, 2024
- Clark, Silen, Kenter и Leith, “Evaluating Long-form Text-to-Speech: Comparing the Ratings of Sentences and Paragraphs”, SSW10, arXiv 1909.03965, 2019
- Zhang и др., “Audiobook synthesis with long-form neural text-to-speech”, ISCA SSW12, 2023
- Pan и др., “Comprehensive Benchmarking of Long-Form Speech Generation in Diverse Scenarios” (SwanBench-Speech), ACL 2026 Findings, arXiv 2605.28618
- Jacewicz, Fox и Wei, “Between-speaker and within-speaker variation in speech tempo of American English”, Journal of the Acoustical Society of America, 2010
- Tanner и др. и SPADE Data Consortium, “Exposing the anatomy of articulation rate across English dialects and speakers”, LabPhon 19
- Наблюдение по данным: значения RMSE по F0 несопоставимы между статьями (разные единицы, выравнивание и наборы данных), а в статье о ProMode единицы не указаны. Xin и др. приводят строку HiFi-GAN, не описывая её; мы трактуем её как выход одного только вокодера, поскольку её спектральное искажение гораздо ниже, чем у строк TTS, и это наш собственный вывод. Jacewicz и др. дают в тексте 5,21 и 4,80 слога в секунду, а в таблице для тех же диалектов 5,38 и 4,97; мы приводим данные из текста. Статья об аудиокнигах SSW 2023 указывает прирост 0,47 MOS в аннотации и 0,46 в основном тексте; значения по отдельным системам с её графика не удалось надёжно сопоставить, поэтому мы их опустили. SwanBench-Speech говорит, что разрыв по иерархии составляет «более полубалла», тогда как средние в его таблице дают 0,93; мы приводим данные таблицы. Результаты EmergentTTS-Eval и SwanBench получены от ИИ-судей, проверенных на небольших группах людей, а более поздние технические отчёты, переписавшие тексты EmergentTTS, несопоставимы с исходной статьёй. Показатели QI-TTS (2023), Xin и др. (2022), Bai и др. (2022), Gutierrez и др. (2021), Clark и др. (2019) и Jacewicz и др. (2010) старше трёх лет и являются самыми свежими доступными данными по этим конкретным показателям. Несколько источников 2026 года - препринты, и после рецензирования они могут измениться. Следующие результаты Blizzard Challenge и труды Speech Prosody могут добавить более новые данные по вопросительной интонации и длинным текстам.
Последнее обновление: 31 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается, когда результаты следующего Blizzard Challenge будут опубликованы в ISCA Archive.