Модель Tacotron 2 от Google в декабре 2017 года набрала среднюю оценку (MOS) 4,53 против 4,58 у профессионально записанной речи (Google, статья о Tacotron 2, 2017), и с тех пор разрыв между синтезированной и человеческой речью сомкнулся почти на всех стандартных тестах. К 2024 году системы без дообучения, такие как VALL-E 2 и MaskGCT, набирали чуть больше, чем эталонные записи, с которыми их сравнивали (Microsoft, VALL-E 2, 2024; MaskGCT, 2024), а в слуховом исследовании 2025 года 58% клонов голоса приняли за настоящие человеческие голоса (Лондонский университет королевы Марии, PLOS ONE 2025). Более сложный вопрос 2026 года уже не в том, могут ли машины звучать как люди, а в том, способен ли тест MOS по-прежнему измерить разницу. Мы свели данные Google DeepMind, Microsoft Research, ByteDance, Blizzard Challenge, VoiceMOS Challenge, ITU-T, PLOS ONE, Artificial Analysis и Hugging Face; более широкую картину рынка смотрите в нашем обзоре статистики синтеза речи из текста.
Кратко (TL;DR)
- Tacotron 2 набрал MOS 4,53 против 4,58 у профессиональных записей (Google, статья о Tacotron 2, 2017).
- WaveNet сократил разрыв с человеческой речью более чем на 50%: 4,21 против 4,55 для американского английского (DeepMind, WaveNet 2016).
- NaturalSpeech получил -0,01 CMOS относительно записей LJ Speech без значимой разницы (Microsoft Research, NaturalSpeech 2022).
- VALL-E 2 получил +0,033 CMOS и 4,61 SMOS против 4,13 у эталонной записи на LibriSpeech (Microsoft, VALL-E 2, 2024).
- NaturalSpeech 3 обучали на 200 000 часов с 1 миллиардом параметров (Microsoft, NaturalSpeech 3, 2024).
- CosyVoice 3 увеличил обучающие данные с 10 000 до 1 миллиона часов на 9 языках (Alibaba, CosyVoice 3, 2025).
- Человеческие записи получили от 4,30 до 4,58 MOS в четырёх знаковых статьях (статьи Google, DeepMind, Kakao и Microsoft, 2016-2021).
- Две системы Blizzard Challenge 2023 статистически не отличались от естественной речи по MOS, и это впервые для конкурса (обзор Blizzard Challenge 2023, Computer Speech and Language 2024).
- 58% клонов голоса и 41% универсальных голосов ИИ сочли человеческими (Lavan и др., PLOS ONE 2025).
- Слушатели правильно распознавали речевые дипфейки в 73% случаев (Mai и др., PLOS ONE 2023).
- VoiceMOS Challenge 2022 охватил 187 систем синтеза речи и преобразования голоса от 22 команд (VoiceMOS Challenge 2022).
- Лучшая модель Speech Arena набрала 1321 Elo с интервалом плюс-минус 189 (Artificial Analysis, октябрь 2026).
1. Человеческий потолок - не фиксированное число
Любое заявление о паритете опирается на эталонную оценку настоящей речи, а этот эталон смещается. Записанная человеческая речь получала в знаковых статьях по синтезу речи и 4,58, и всего 4,30 MOS, разброс в 0,28 пункта шире, чем разрыв между многими конкурирующими системами в тех же таблицах. Один только набор LJ Speech дал 4,46 в статье о VITS и 4,30 в статье о FastSpeech 2, потому что составы слушателей, инструкции и устройство теста различаются от лаборатории к лаборатории.
Практический вывод: MOS 4,4 сам по себе ничего не значит. Он обретает смысл только рядом с оценкой эталонной записи из того же слухового теста, поэтому современные статьи всё чаще приводят CMOS (сравнительный MOS, попарная оценка относительно эталона) вместо сырого MOS. Хорошая иллюстрация - статья о VITS: в ней указано 4,46 для эталонной записи и 4,43 для собственной системы, разрыв 0,03 внутри доверительных интервалов.
| Показатель | Значение | Источник |
|---|---|---|
| MOS профессионально записанной речи, тест Tacotron 2 | 4,58 | Google, статья о Tacotron 2, 2017 |
| MOS человеческой речи, американский английский, тест WaveNet | 4,55 | DeepMind, WaveNet 2016 |
| MOS человеческой речи, китайский (мандарин), тест WaveNet | 4,21 | DeepMind, WaveNet 2016 |
| MOS эталонной записи LJ Speech, тест VITS | 4,46 (плюс-минус 0,06) | Kim и др. (Kakao Enterprise), VITS 2021 |
| MOS эталонной записи VCTK, тест VITS | 4,38 (плюс-минус 0,07) | Kim и др., VITS 2021 |
| MOS эталонной записи LJ Speech, тест FastSpeech 2 | 4,30 (плюс-минус 0,07) | Microsoft и Чжэцзянский университет, FastSpeech 2 2020 |
| Эталонная запись, пропущенная через вокодер, тест FastSpeech 2 | 3,92 | FastSpeech 2 2020 |
Примечание к контексту: строка про вокодер важна. Простое преобразование настоящих записей в мел-спектрограммы и обратно стоило 0,38 пункта MOS в тесте FastSpeech 2, что показывает, какая доля исторического разрыва приходилась на генерацию волновой формы, а не на моделирование текста. Большинству этих статей больше трёх лет, и они показаны как самые свежие доступные данные для своих тестов.
2. От WaveNet до паритета: синтез речи одного диктора, 2016-2022
История с одним диктором заняла около шести лет. В 2016 году WaveNet сократил разрыв между лучшими существовавшими системами и человеческой речью более чем на 50%, набрав 4,21 для американского английского против 3,86 у конкатенативного и 3,67 у параметрического синтеза (анонс WaveNet от DeepMind). Tacotron 2 затем довёл разрыв до 0,05 пункта, а к 2021 году VITS сравнялся с эталонной записью на многодикторном наборе VCTK с оценкой 4,38.
Финишная черта пришлась на NaturalSpeech от Microsoft, который получил -0,01 CMOS относительно записей LJ Speech на уровне предложений, причём знаково-ранговый тест Вилкоксона не показал значимой разницы. Интересно то, что случилось дальше: когда паритет на чистой читаемой речи был достигнут, отрасль перестала соревноваться в естественности речи одного диктора и перешла к клонированию незнакомых голосов по нескольким секундам аудио.
| Показатель | Значение | Источник |
|---|---|---|
| MOS WaveNet против человека, американский английский | 4,21 против 4,55 | DeepMind, WaveNet 2016 |
| MOS WaveNet против человека, китайский (мандарин) | 4,08 против 4,21 | DeepMind, WaveNet 2016 |
| MOS конкатенативного против параметрического синтеза, американский английский (до WaveNet) | 3,86 против 3,67 | DeepMind, WaveNet 2016 |
| MOS Tacotron 2 против записей | 4,53 против 4,58 | Google, статья о Tacotron 2, 2017 |
| MOS VITS против эталонной записи, LJ Speech | 4,43 против 4,46 | Kim и др., VITS 2021 |
| MOS VITS против эталонной записи, VCTK, много дикторов | 4,38 против 4,38 | Kim и др., VITS 2021 |
| Tacotron 2 + HiFi-GAN на VCTK, тот же тест | 3,14 | Kim и др., VITS 2021 |
| CMOS NaturalSpeech против записей LJ Speech | -0,01 (p >> 0,05) | Microsoft Research, NaturalSpeech 2022 |
Скорость росла вместе с качеством. VITS синтезировал речь в 67,12 раза быстрее реального времени против 27,48 раза у связки Glow-TTS и HiFi-GAN, а FastSpeech 2 обучался 17,02 часа против 53,12 у FastSpeech, то есть в 3,12 раза быстрее (статья о FastSpeech 2).
| Показатель | Значение | Источник |
|---|---|---|
| Коэффициент реального времени VITS | 67,12x | Kim и др., VITS 2021 |
| Коэффициент реального времени Glow-TTS + HiFi-GAN | 27,48x | Kim и др., VITS 2021 |
| MOS FastSpeech 2 против MOS Tacotron 2 (20 оценщиков, носителей языка) | 3,83 против 3,70 | FastSpeech 2 2020 |
| Время обучения FastSpeech 2 против FastSpeech | 17,02 ч против 53,12 ч (в 3,12 раза быстрее) | FastSpeech 2 2020 |
3. Клонирование голоса без дообучения достигает эталона и превосходит его
Синтез речи без дообучения, при котором незнакомый диктор клонируется по короткому образцу, уложил тот же путь примерно в два года. VALL-E 2 от Microsoft получил +0,033 CMOS относительно эталонной записи на LibriSpeech, а его оценка сходства голоса (4,61) превзошла настоящие записи (4,13) (статья о VALL-E 2, 20 оценщиков, носителей американского английского). Исходный VALL-E, выпущенный в январе 2023 года и обученный на 60 000 часов английской речи, на LibriSpeech всё ещё уступал эталонной записи на 0,17 CMOS.
Общая нить здесь - масштаб. NaturalSpeech 3 использовал 200 000 часов и 1 миллиард параметров, MaskGCT - 100 000 часов речи в естественных условиях, а CosyVoice 3 от Alibaba - миллион часов на 9 языках и 18 китайских диалектах. Вопрос для тех, кто выбирает программу для клонирования голоса в 2026 году, уже не в том, способен ли клон сравняться с эталонной записью в лабораторном тесте, а в том, насколько стабильно это получается на зашумлённых образцах, с акцентами и выразительной речью. Адопцию и злоупотребления разбирает наша статистика клонирования голоса.
| Показатель | Значение | Источник |
|---|---|---|
| Обучающие данные VALL-E | 60 000 часов английской речи | Microsoft, VALL-E 2023 |
| CMOS VALL-E против эталонной записи, LibriSpeech (эталон +0,17) | -0,17 | Microsoft, VALL-E 2023 |
| CMOS VALL-E 2 против эталонной записи, LibriSpeech | +0,033 | Microsoft, VALL-E 2, 2024 |
| SMOS VALL-E 2 против эталонной записи, LibriSpeech | 4,61 против 4,13 | Microsoft, VALL-E 2, 2024 |
| CMOS NaturalSpeech 3 (эталон при +0,08) | 0,00 | Microsoft, NaturalSpeech 3, 2024 |
| SMOS NaturalSpeech 3 против эталонной записи | 4,01 против 3,85 | Microsoft, NaturalSpeech 3, 2024 |
| CMOS MaskGCT против эталонной записи, LibriSpeech | +0,10 | MaskGCT 2024 |
| CMOS Seed-TTS против человека, английский / китайский (мандарин) | -0,07 / -0,08 | ByteDance, Seed-TTS 2024 |
Объективные метрики рассказывают ту же историю. CosyVoice 3 показал долю ошибок в словах 1,45% на английском тестовом наборе Seed-TTS против 2,14% у человеческих записей (статья о CosyVoice 3), то есть автоматическое распознавание речи расшифровывает синтезированное аудио точнее, чем настоящую речь. Это признак очень чёткой артикуляции, а не обязательно большей естественности, ведь настоящие дикторы бормочут, запинаются и меняют манеру.
| Показатель | Значение | Источник |
|---|---|---|
| Обучающие данные и размер NaturalSpeech 3 | 200 000 часов, 1 млрд параметров | Microsoft, NaturalSpeech 3, 2024 |
| Обучающие данные MaskGCT | 100 000 часов (50 тыс. английской, 50 тыс. китайской речи) | MaskGCT 2024 |
| Обучающие данные CosyVoice 3 | 1 миллион часов, 9 языков, 18 китайских диалектов | Alibaba, CosyVoice 3, 2025 |
| WER CosyVoice 3 против человека, английский тестовый набор Seed-TTS | 1,45% против 2,14% | Alibaba, CosyVoice 3, 2025 |
| WER Seed-TTS DiT против человека, английский | 1,733 против 2,143 | ByteDance, Seed-TTS 2024 |
| CMOS F5-TTS против эталонной записи, английский / китайский тестовые наборы Seed-TTS | +0,31 / +0,21 | F5-TTS 2024 |
| WER F5-TTS против эталонной записи, LibriSpeech-PC | 2,42 против 2,23 | F5-TTS 2024 |
Примечание к контексту: собственные результаты VALL-E 2 на VCTK показывают, насколько хрупок паритет. С образцами по 3 секунды его SMOS совпал с эталонной записью (4,47 против 4,47), но с образцами по 10 секунд эталонная запись набрала 4,74, а VALL-E 2 от 3,95 до 4,26. CosyVoice 3 также сообщает, что на китайском все его модели по-прежнему уступают человеческой речи, тогда как на английском модель на 1,5 млрд параметров её превосходит.
4. Blizzard Challenge: паритет в независимых тестах
У тестов, которые проводят сами авторы, очевидный конфликт интересов, поэтому Blizzard Challenge так важен: организаторы проводят один общий слуховой тест для всех участников. Выпуск 2023 года, восемнадцатый по счёту, привлёк 18 команд к задаче Hub (51 час французского аудио) и 14 к задаче Spoke (2 часа), и все использовали нейросетевые подходы (The Blizzard Challenge 2023, ISCA). MuLanTTS от Microsoft, обозначенная как система F, набрала MOS 4,3 против 4,4 у естественной записи в задаче Hub и 4,5 против 4,5 в задаче Spoke (статья о MuLanTTS).
Последующий обзор организаторов сделал более острый вывод: две системы были признаны статистически неотличимыми от естественной речи по MOS, и это впервые в истории конкурса, однако в более тонком тесте MUSHRA все системы были признаны значимо отличающимися от естественной речи (Refining the evaluation of speech synthesis, Computer Speech and Language 2024). Иными словами, 5-балльная шкала MOS насытилась раньше, чем голоса действительно стали неотличимыми. Тот же обзор показал, что слушатели, для которых язык не родной, и неспециалисты ставили более высокие оценки, чем носители языка и эксперты по речи.
| Показатель | Значение | Источник |
|---|---|---|
| Команды Hub / Spoke, Blizzard 2023 | 18 / 14 | Perrotin и др., Blizzard Challenge 2023 |
| Обучающие данные Hub / Spoke (французский) | 51 час / 2 часа | Perrotin и др., Blizzard Challenge 2023 |
| MOS MuLanTTS против естественной записи, Hub | 4,3 против 4,4 | Microsoft, MuLanTTS 2023 |
| MOS MuLanTTS против естественной записи, Spoke | 4,5 против 4,5 | Microsoft, MuLanTTS 2023 |
| Системы, статистически неотличимые от естественной речи по MOS | 2 (впервые в Blizzard) | Обзор Blizzard Challenge 2023, CSL 2024 |
| Системы, признанные отличающимися от естественной речи в MUSHRA | Все | Обзор Blizzard Challenge 2023, CSL 2024 |
| MOS / SMOS DelightfulTTS, задача SH1 Blizzard 2021 | 4,17 / 4,35 | Microsoft, DelightfulTTS 2021 |
Выпуск 2025 года перенёс главную трудность на языки с малыми ресурсами. Командам предложили построить голоса для бильдтского, разновидности нидерландского языка примерно с 6 000 носителей, по набору данных в 7 часов, а также задачу без дообучения с 10 секундами эталонной речи (The Blizzard Challenge 2025, Гронингенский университет). В основной задаче участвовали семь команд, в задаче без дообучения пять.
| Показатель | Значение | Источник |
|---|---|---|
| Носители целевого языка, Blizzard 2025 | Около 6 000 (бильдтский) | Do и др., Blizzard Challenge 2025 |
| Обучающие данные основной задачи | 7 часов, один диктор | Do и др., Blizzard Challenge 2025 |
| Эталонное аудио задачи без дообучения | 10 секунд на диктора | Do и др., Blizzard Challenge 2025 |
| Команды основной задачи / задачи без дообучения | 7 / 5 | Do и др., Blizzard Challenge 2025 |
5. Почему значения MOS расходятся: методы, стандарты и автоматическое прогнозирование
Метод MOS создавался для телефонных линий, а не для нейросетевых голосов. Рекомендация ITU-T P.800, утверждённая в августе 1996 года, по-прежнему регулирует субъективные испытания качества передачи; P.800.1 (июль 2016) стандартизирует терминологию MOS; а P.808 (июнь 2018, пересмотрена в июне 2021) охватывает краудсорсинговые испытания качества речи (ITU-T P.808). Обзор статей Interspeech и SSW за 2021-2022 годы показал, что большинство авторов не указывают подписи шкалы, шаг оценки и инструкции для слушателей (Kirkland и др., Stuck in the MOS pit, SSW 2023), а MOS качества в среднем выше, чем MOS естественности для одной и той же естественной речи.
Та же группа провела контролируемые слуховые тесты с одинаковыми стимулами и обнаружила, что одно лишь изменение шага шкалы или инструкции по оценке сдвигало MOS некоторых систем. Расходится и выбор тестовых наборов: в позиционной статье 2025 года отмечено, что VALL-E оценивается на 1 234 высказываниях LibriSpeech, NaturalSpeech 3 и MaskGCT на 40, а F5-TTS на 1 127, и что WER MaskGCT составляет 2,63% на наборе из 40 высказываний, но 4,22% на наборе из 1 234 (Towards Responsible Evaluation for Text-to-Speech, 2025).
| Показатель | Значение | Источник |
|---|---|---|
| Утверждение ITU-T P.800 | Август 1996 года (действует) | ITU-T |
| Терминология MOS в ITU-T P.800.1, последняя версия | Июль 2016 года | ITU-T |
| Краудсорсинговые испытания ITU-T P.808 | Июнь 2018 года, пересмотрена в июне 2021 года | ITU-T |
| Статьи, указывающие подписи шкалы, шаг оценки или инструкции | Меньшинство (Interspeech и SSW, 2021-2022) | Kirkland и др., SSW 2023 |
| Использованные высказывания чистого тестового набора LibriSpeech: VALL-E / NaturalSpeech 3 / F5-TTS | 1 234 / 40 / 1 127 | Yang и др., 2025 |
| WER MaskGCT на 40 против 1 234 высказываний | 2,63% против 4,22% | Yang и др., 2025 |
| Сходство голоса с включённым образцом против без него | 0,905 против 0,754 | Yang и др., 2025 |
| Панель MOS CosyVoice 3 | 200 предложений, 10 оценщиков, носителей языка, шаг 0,5 пункта | Alibaba, CosyVoice 3, 2025 |
Поскольку тесты с людьми медленные и непоследовательные, отрасль создала автоматические предикторы MOS. Первый VoiceMOS Challenge в 2022 году привлёк 22 команды, которым нужно было предсказать человеческие оценки для 187 систем синтеза речи и преобразования голоса, охватывающих более десяти лет исследований (VoiceMOS Challenge 2022), и наиболее эффективными оказались дообученные самообучающиеся речевые модели. С тех пор участие сократилось до 10 команд в 2023 году и 8 в 2024 году, первый трек которого был посвящён синтезу высокого качества под увеличительным стеклом, где предикторы справляются хуже всего.
| Показатель | Значение | Источник |
|---|---|---|
| Команды / системы основного трека VoiceMOS 2022 | 22 / 187 | Huang и др., VoiceMOS Challenge 2022 |
| Команды VoiceMOS 2023 | 10 из 7 стран | VoiceMOS Challenge 2023 (ASRU 2023) |
| Команды VoiceMOS 2024 | 8 | Huang и др., VoiceMOS Challenge 2024 |
| Обучающие / тестовые наборы MOS-Bench | 8 / 17 | MOS-Bench 2024 (пересмотрен в 2026) |
| UTMOS NaturalSpeech 3 против эталонной записи | 4,30 против 4,14 | Microsoft, NaturalSpeech 3, 2024 |
Примечание к контексту: автоматические оценки вроде UTMOS теперь регулярно ставят синтезированной речи больше, чем настоящим записям, как показывает таблица NaturalSpeech 3, и это повод считать их инструментами предварительного отбора, а не доказательством естественности.
6. Могут ли слушатели ещё отличить? Исследования восприятия
Паритет на шкале оценок - одно, а обмануть слушателя, которого спрашивают напрямую, - совсем другое. В исследовании Лондонского университета королевы Марии 2025 года 58% клонов голоса и 41% универсальных голосов ИИ сочли человеческими, тогда как настоящие человеческие голоса признавали человеческими в 62-81% случаев в зависимости от эксперимента (Lavan и др., PLOS ONE 2025). Клоны создавали примерно из 4 минут записей на диктора с помощью коммерчески доступных инструментов. Авторы назвали статью ‘реалистичные, но (пока) не гиперреалистичные’: клоны в целом не превзошли настоящие голоса, но оказались достаточно близки, чтобы суждение любого отдельного слушателя было ненадёжным.
Социальные впечатления - менее обсуждаемая находка. Универсальные голоса ИИ оценивались как более доминантные, чем человеческие (58,1 против 40,4 по шкале от 0 до 100), и чуть более заслуживающие доверия (57,9 против 53,8). Для тех, кто создаёт синтетическое озвучивание или пользуется генератором голоса на основе ИИ, это означает, что слушатели реагируют на такие голоса как на людей, а это повышает значимость раскрытия информации.
| Показатель | Значение | Источник |
|---|---|---|
| Клоны голоса, признанные человеческими | 58% | Lavan и др., PLOS ONE 2025 |
| Универсальные голоса ИИ, признанные человеческими | 41% | Lavan и др., PLOS ONE 2025 |
| Настоящие человеческие голоса, признанные человеческими | От 62% до 81% (по экспериментам) | Lavan и др., PLOS ONE 2025 |
| Время записи, использованное на один клон голоса | Около 4 минут | Lavan и др., PLOS ONE 2025 |
| Участники на эксперимент / голоса на эксперимент | 50 / 80 | Lavan и др., PLOS ONE 2025 |
| Оценка доминантности, универсальные голоса ИИ против человеческих | 58,1 против 40,4 | Lavan и др., PLOS ONE 2025 |
| Оценка доверия, универсальные голоса ИИ против человеческих | 57,9 против 53,8 | Lavan и др., PLOS ONE 2025 |
Более ранние данные по распознаванию указывают в ту же сторону. Исследование 2023 года с 529 участниками показало, что слушатели правильно распознавали речевые дипфейки лишь в 73% случаев, причём носители английского и китайского справлялись примерно одинаково, а предварительный показ пяти примеров дипфейков повысил точность всего на 3,84% (Mai и др., PLOS ONE 2023). Как с этим соотносятся машинные детекторы, отслеживает наша статистика точности обнаружения аудиодипфейков.
| Показатель | Значение | Источник |
|---|---|---|
| Участники | 529 | Mai и др., PLOS ONE 2023 |
| Дипфейки, распознанные правильно, отдельные клипы | 73% | Mai и др., PLOS ONE 2023 |
| Подлинные клипы, распознанные правильно, отдельные клипы | 67,78% | Mai и др., PLOS ONE 2023 |
| Дипфейки, распознанные в паре с настоящим клипом | 85,59% | Mai и др., PLOS ONE 2023 |
| Прирост точности после 5 обучающих примеров | 3,84% | Mai и др., PLOS ONE 2023 |
7. Арены предпочтений и рынок за оценками
По мере насыщения лабораторного MOS рейтинги сместились к слепому попарному сравнению предпочтений. Hugging Face запустила TTS Arena 27 февраля 2024 года с шестью моделями: пользователям предлагали выбрать более естественный из двух анонимных образцов, а результаты ранжировали по системе вроде Elo (Hugging Face, запуск TTS Arena). В рейтинге Speech Arena от Artificial Analysis на 3 октября 2026 года лидировала Eleven v4 от ElevenLabs с 1321 Elo, но с интервалом плюс-минус 189, который пересекается со всеми остальными моделями первой десятки (рейтинг синтеза речи Artificial Analysis). Если читать честно, верхняя группа - это статистическая ничья минимум шести поставщиков.
Собственный ответ Hugging Face на медленный сбор голосов, Open TTS Leaderboard, запущенный 30 сентября 2026 года, заменяет голоса людей объективными метриками (WER, сходство голоса, скорость) и утверждает, что оценка модели сокращается с пары недель до пары часов, на Hub, где теперь размещено более 8 000 моделей синтеза речи (Hugging Face, Open TTS Leaderboard).
| Показатель | Значение | Источник |
|---|---|---|
| Модели TTS Arena при запуске (февр. 2024) | 6 | Hugging Face, февр. 2024 |
| №1 Speech Arena: Eleven v4 (ElevenLabs) | 1321 Elo (плюс-минус 189), 1 930 образцов | Artificial Analysis, окт. 2026 |
| №2: Qwen-Audio-3.1-TTS-Plus (Alibaba) | 1292 Elo (плюс-минус 189) | Artificial Analysis, окт. 2026 |
| №3 / №4: Sonic 3.6 (Cartesia) / Gemini 3.8 Flash TTS (Google) | 1278 / 1275 Elo | Artificial Analysis, окт. 2026 |
| №10: Breeze TTS 2 (BreezeBlue) | 1216 Elo | Artificial Analysis, окт. 2026 |
| Модели синтеза речи на Hugging Face Hub | Более 8 000 | Hugging Face, сент. 2026 |
Коммерческие ставки объясняют эту гонку. Нейросетевые голоса и голоса ИИ уже занимают 67,18% выручки рынка синтеза речи из текста, который Mordor Intelligence оценивает в USD 4,36 миллиарда в 2026 году с ростом до USD 7,92 миллиарда к 2031 году (Mordor Intelligence, Text to Speech Market). Research and Markets оценивает базу 2023 года в USD 3,8 миллиарда с прогнозом USD 9,3 миллиарда на 2030 год (релиз GlobeNewswire, дек. 2024).
| Показатель | Значение | Источник |
|---|---|---|
| Размер рынка синтеза речи, 2025 / 2026 | USD 3,87 млрд / USD 4,36 млрд | Mordor Intelligence, 2026 |
| Прогноз рынка синтеза речи, 2031 | USD 7,92 млрд (CAGR 12,66%) | Mordor Intelligence, 2026 |
| Доля нейросетевых голосов и голосов ИИ в выручке | 67,18% (CAGR 15,08%) | Mordor Intelligence, 2026 |
| Доля Северной Америки, 2025 | 36,78% | Mordor Intelligence, 2026 |
| Рынок синтеза речи, 2023-2030 | USD 3,8 млрд - USD 9,3 млрд (CAGR 13,4%) | Research and Markets, дек. 2024 |
| Прогноз рынка синтеза речи в Китае, 2030 | USD 2,3 млрд (CAGR 17,5%) | Research and Markets, дек. 2024 |
Итоги: MOS синтезированной речи в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| MOS Tacotron 2 против профессиональных записей | 4,53 против 4,58 | Google, 2017 |
| Сокращение разрыва WaveNet с человеческой речью | Более 50% | DeepMind, 2016 |
| Диапазон MOS человеческой речи в знаковых статьях | 4,30-4,58 | Google, DeepMind, Kakao, Microsoft, 2016-2021 |
| MOS VITS против эталонной записи, VCTK | 4,38 против 4,38 | Kakao Enterprise, 2021 |
| CMOS NaturalSpeech против записей | -0,01 (не значимо) | Microsoft Research, 2022 |
| CMOS VALL-E 2 против эталонной записи, LibriSpeech | +0,033 | Microsoft, 2024 |
| SMOS VALL-E 2 против эталонной записи | 4,61 против 4,13 | Microsoft, 2024 |
| CMOS MaskGCT против эталонной записи | +0,10 | MaskGCT, 2024 |
| CMOS Seed-TTS против человека, английский | -0,07 | ByteDance, 2024 |
| WER CosyVoice 3 против человека, английский | 1,45% против 2,14% | Alibaba, 2025 |
| Обучающие данные CosyVoice 3 | 1 миллион часов | Alibaba, 2025 |
| Системы Blizzard 2023, равные естественной речи по MOS | 2 (впервые) | Обзор Blizzard Challenge 2023, 2024 |
| MuLanTTS против естественной записи, Hub Blizzard 2023 | 4,3 против 4,4 | Microsoft, 2023 |
| Статьи с полным описанием метода MOS | Меньшинство | Kirkland и др., SSW 2023 |
| Системы / команды VoiceMOS 2022 | 187 / 22 | VoiceMOS Challenge 2022 |
| Клоны голоса, признанные человеческими | 58% | Lavan и др., PLOS ONE 2025 |
| Дипфейки, правильно распознанные слушателями | 73% | Mai и др., PLOS ONE 2023 |
| Наивысший Elo Speech Arena | 1321 (плюс-минус 189) | Artificial Analysis, окт. 2026 |
| Доля нейросетевых голосов и голосов ИИ в выручке рынка синтеза речи | 67,18% | Mordor Intelligence, 2026 |
| Рынок синтеза речи, 2026 | USD 4,36 млрд | Mordor Intelligence, 2026 |
Методология и источники
Каждое значение MOS, CMOS и SMOS выше взято из статьи или отчёта конкурса, где проводился слуховой тест, и считано из аннотации на arXiv или из таблиц полного текста. Если в статье результаты приводились только на графике (например, столбцы MOS у CosyVoice 3), мы использовали вывод из текста и отбросили приблизительные значения. Заявления о паритете, сделанные самими разработчиками моделей, помечены именем разработчика, чтобы читатели могли сопоставить их с независимыми тестами, такими как Blizzard Challenge.
- DeepMind: анонс WaveNet (сент. 2016) и статья о WaveNet
- Google: статья о Tacotron 2 (дек. 2017)
- Microsoft и Чжэцзянский университет: FastSpeech 2 (2020)
- Kakao Enterprise: VITS (июнь 2021)
- Microsoft Research: NaturalSpeech (май 2022), NaturalSpeech 3 (март 2024), VALL-E (янв. 2023), VALL-E 2 (июнь 2024), MuLanTTS (сент. 2023), DelightfulTTS (окт. 2021)
- ByteDance: Seed-TTS (июнь 2024)
- MaskGCT (сент. 2024) и F5-TTS (окт. 2024)
- Alibaba: CosyVoice 3 (май 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 и др.: Stuck in the MOS pit, SSW 2023
- Yang и др.: Towards Responsible Evaluation for Text-to-Speech (окт. 2025)
- VoiceMOS Challenge: 2022, 2023, 2024; MOS-Bench
- Lavan и др.: Voice clones sound realistic but not (yet) hyperrealistic, PLOS ONE (сент. 2025)
- Mai и др.: Warning: Humans cannot reliably detect speech deepfakes, PLOS ONE (авг. 2023)
- Hugging Face: запуск TTS Arena (февр. 2024), Open TTS Leaderboard (сент. 2026)
- Artificial Analysis: рейтинг синтеза речи из текста (данные на 3 окт. 2026)
- Mordor Intelligence: Text to Speech Market; Research and Markets через GlobeNewswire (дек. 2024)
- Наблюдение по данным: значения MOS, CMOS и SMOS несопоставимы между статьями, потому что составы слушателей, шкалы и инструкции различаются; различаются и шкалы CMOS (F5-TTS использует от -3 до +3). Большинство заявлений о паритете в разделах 2 и 3 основано на тестах самих разработчиков с небольшими панелями (например, 12 оценщиков для CMOS VALL-E и 20 для VALL-E 2), а результаты WaveNet, Tacotron 2, FastSpeech 2 и VITS старше трёх лет и показаны как самые свежие доступные данные для этих тестов. Выводы Blizzard 2023 о статистическом паритете и MUSHRA взяты из опубликованной аннотации обзора организаторов. Значения Elo Artificial Analysis меняются ежедневно по мере поступления голосов, а их доверительные интервалы пересекаются в первой десятке. Оценки рынка расходятся: Mordor Intelligence оценивает 2025 год в USD 3,87 миллиарда с CAGR 12,66% до 2031 года, тогда как Research and Markets прогнозирует USD 9,3 миллиарда к 2030 году с CAGR 13,4% от базы USD 3,8 миллиарда в 2023 году; разница отражает разные определения охвата. Главными ожидаемыми новыми данными остаются полные результаты слухового теста Blizzard 2025 и следующий VoiceMOS Challenge.
Последнее обновление: 3 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается после публикации результатов следующего VoiceMOS Challenge и полного анализа слухового теста Blizzard Challenge 2025.