Tacotron 2 ของ Google ได้คะแนนความเห็นเฉลี่ย (MOS) 4.53 เทียบกับ 4.58 ของเสียงพูดที่บันทึกโดยมืออาชีพในเดือนธันวาคม 2017 (Google, บทความ Tacotron 2 ปี 2017) และนับตั้งแต่นั้นช่องว่างระหว่างเสียงพูดสังเคราะห์กับเสียงพูดของมนุษย์ก็แคบลงในเกือบทุกเกณฑ์วัดมาตรฐาน ภายในปี 2024 ระบบแบบซีโรช็อตอย่าง VALL-E 2 และ MaskGCT ได้คะแนนสูงกว่าเสียงอ้างอิงที่นำมาเทียบเล็กน้อย (Microsoft, VALL-E 2 ปี 2024; MaskGCT ปี 2024) และในการศึกษาการฟังปี 2025 โคลนเสียง 58% ถูกเข้าใจผิดว่าเป็นเสียงมนุษย์จริง (Queen Mary University of London, PLOS ONE 2025) คำถามที่ยากกว่าในปี 2026 ไม่ใช่ว่าเครื่องจักรสามารถฟังดูเหมือนมนุษย์ได้หรือไม่ แต่คือการทดสอบ MOS ยังวัดความแตกต่างได้อยู่หรือเปล่า เรารวบรวมข้อมูลจาก Google DeepMind, Microsoft Research, ByteDance, Blizzard Challenge, VoiceMOS Challenge, ITU-T, PLOS ONE, Artificial Analysis และ Hugging Face สำหรับภาพรวมตลาดที่กว้างขึ้น ดูสรุปสถิติแปลงข้อความเป็นเสียงของเรา
สรุปโดยย่อ
- Tacotron 2 ได้ MOS 4.53 เทียบกับ 4.58 ของการบันทึกเสียงโดยมืออาชีพ (Google, บทความ Tacotron 2 ปี 2017)
- WaveNet ลดช่องว่างกับเสียงพูดมนุษย์ลงกว่า 50% โดยได้ 4.21 เทียบกับ 4.55 ในภาษาอังกฤษแบบสหรัฐฯ (DeepMind, WaveNet 2016)
- NaturalSpeech ได้ -0.01 CMOS เมื่อเทียบกับการบันทึกเสียง LJ Speech โดยไม่มีความแตกต่างอย่างมีนัยสำคัญ (Microsoft Research, NaturalSpeech 2022)
- VALL-E 2 ได้ +0.033 CMOS และ SMOS 4.61 เทียบกับ 4.13 ของเสียงอ้างอิงบน LibriSpeech (Microsoft, VALL-E 2 ปี 2024)
- NaturalSpeech 3 ถูกฝึกด้วยข้อมูล 200,000 ชั่วโมง และพารามิเตอร์ 1 พันล้านตัว (Microsoft, NaturalSpeech 3 ปี 2024)
- CosyVoice 3 ขยายข้อมูลฝึกจาก 10,000 ชั่วโมงเป็น 1 ล้านชั่วโมงใน 9 ภาษา (Alibaba, CosyVoice 3 ปี 2025)
- การบันทึกเสียงมนุษย์ได้ MOS ตั้งแต่ 4.30 ถึง 4.58 ในบทความสำคัญสี่ฉบับ (บทความของ Google, DeepMind, Kakao, Microsoft ปี 2016-2021)
- สองระบบใน Blizzard Challenge 2023 ไม่แตกต่างจากเสียงพูดธรรมชาติทางสถิติในด้าน MOS ซึ่งเป็นครั้งแรกของการแข่งขัน (สรุป Blizzard Challenge 2023, Computer Speech and Language 2024)
- โคลนเสียง 58% และเสียง AI ทั่วไป 41% ถูกตัดสินว่าเป็นมนุษย์ (Lavan และคณะ, PLOS ONE 2025)
- ผู้ฟังระบุดีปเฟกเสียงพูดได้ถูกต้อง 73% ของครั้งทั้งหมด (Mai และคณะ, PLOS ONE 2023)
- VoiceMOS Challenge 2022 ครอบคลุม 187 ระบบ TTS และการแปลงเสียงจาก 22 ทีม (VoiceMOS Challenge 2022)
- โมเดลอันดับหนึ่งของ Speech Arena ได้ 1321 Elo ด้วยช่วงบวกลบ 189 (Artificial Analysis, ตุลาคม 2026)
1. เพดานของมนุษย์ไม่ใช่ตัวเลขตายตัว
ข้ออ้างเรื่องความเทียบเท่าทุกข้อขึ้นอยู่กับคะแนนอ้างอิงของเสียงพูดจริง และค่าอ้างอิงนั้นเปลี่ยนไปได้ เสียงพูดมนุษย์ที่บันทึกไว้เคยได้ MOS สูงถึง 4.58 และต่ำถึง 4.30 ในบทความ TTS สำคัญ ช่วงห่าง 0.28 คะแนนนี้กว้างกว่าช่องว่างที่แยกระบบคู่แข่งหลายระบบในตารางเดียวกัน เฉพาะชุดข้อมูล LJ Speech ชุดเดียวก็ให้ผล 4.46 ในบทความ VITS และ 4.30 ในบทความ FastSpeech 2 เพราะกลุ่มผู้ฟัง คำแนะนำ และการออกแบบการทดสอบแตกต่างกันไปในแต่ละห้องปฏิบัติการ
การอ่านเชิงปฏิบัติคือ MOS 4.4 ไม่มีความหมายใด ๆ เมื่อยืนอยู่เดี่ยว ๆ ตัวเลขจะมีความหมายก็ต่อเมื่อเทียบกับคะแนนเสียงอ้างอิงจากการทดสอบการฟังเดียวกัน ซึ่งเป็นเหตุผลที่บทความสมัยใหม่รายงาน CMOS (MOS เชิงเปรียบเทียบ คือคะแนนเทียบเคียงกันเทียบกับเสียงอ้างอิง) มากขึ้นแทนที่จะรายงาน MOS ดิบ บทความ VITS เป็นตัวอย่างที่ดี โดยรายงาน 4.46 สำหรับเสียงอ้างอิง และ 4.43 สำหรับระบบของตนเอง ซึ่งต่างกัน 0.03 อยู่ภายในช่วงความเชื่อมั่น
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| MOS ของเสียงพูดที่บันทึกโดยมืออาชีพ การทดสอบ Tacotron 2 | 4.58 | Google, บทความ Tacotron 2 ปี 2017 |
| MOS ของเสียงพูดมนุษย์ ภาษาอังกฤษแบบสหรัฐฯ การทดสอบ WaveNet | 4.55 | DeepMind, WaveNet 2016 |
| MOS ของเสียงพูดมนุษย์ ภาษาจีนกลาง การทดสอบ WaveNet | 4.21 | DeepMind, WaveNet 2016 |
| MOS เสียงอ้างอิง LJ Speech การทดสอบ VITS | 4.46 (± 0.06) | Kim และคณะ (Kakao Enterprise), VITS 2021 |
| MOS เสียงอ้างอิง VCTK การทดสอบ VITS | 4.38 (± 0.07) | Kim และคณะ, VITS 2021 |
| MOS เสียงอ้างอิง LJ Speech การทดสอบ FastSpeech 2 | 4.30 (± 0.07) | Microsoft และมหาวิทยาลัยเจ้อเจียง, FastSpeech 2 ปี 2020 |
| เสียงอ้างอิงที่ผ่านโวโคเดอร์ การทดสอบ FastSpeech 2 | 3.92 | FastSpeech 2 ปี 2020 |
หมายเหตุบริบท: แถวโวโคเดอร์มีความสำคัญ เพียงแค่แปลงการบันทึกเสียงจริงเป็นสเปกโทรแกรมแบบเมลแล้วแปลงกลับ ก็ทำให้สูญเสียไป 0.38 คะแนน MOS ในการทดสอบ FastSpeech 2 ซึ่งแสดงให้เห็นว่าช่องว่างในอดีตส่วนมากมาจากการสร้างรูปคลื่นเสียง ไม่ใช่จากการสร้างแบบจำลองข้อความ บทความเหล่านี้ส่วนใหญ่มีอายุมากกว่าสามปี และแสดงไว้ในฐานะข้อมูลล่าสุดที่มีสำหรับเกณฑ์วัดของแต่ละรายการ
2. จาก WaveNet สู่ความเทียบเท่า: TTS ผู้พูดคนเดียว ปี 2016 ถึง 2022
เรื่องราวของผู้พูดคนเดียวใช้เวลาราวหกปี WaveNet ลดช่องว่างระหว่างระบบที่ดีที่สุดที่มีอยู่กับเสียงพูดมนุษย์ลงกว่า 50% ในปี 2016 โดยได้ 4.21 ในภาษาอังกฤษแบบสหรัฐฯ เทียบกับ 3.86 ของการสังเคราะห์แบบต่อเชื่อมและ 3.67 ของการสังเคราะห์แบบพาราเมตริก (ประกาศ WaveNet ของ DeepMind) จากนั้น Tacotron 2 ลดช่องว่างเหลือ 0.05 คะแนน และในปี 2021 VITS ก็เทียบเท่าเสียงอ้างอิงบนชุดผู้พูดหลายคน VCTK ที่ 4.38
เส้นชัยมาพร้อมกับ NaturalSpeech ของ Microsoft ซึ่งได้ -0.01 CMOS เมื่อเทียบกับการบันทึกเสียง LJ Speech ในระดับประโยค โดยการทดสอบอันดับที่มีเครื่องหมายของ Wilcoxon ไม่พบความแตกต่างอย่างมีนัยสำคัญ การเปลี่ยนแปลงที่น่าสนใจคือสิ่งที่เกิดขึ้นต่อมา: เมื่อบรรลุความเทียบเท่าในเสียงอ่านที่สะอาดแล้ว วงการก็เลิกแข่งขันกันที่ความเป็นธรรมชาติของผู้พูดคนเดียว และหันไปโคลนเสียงที่ไม่เคยพบมาก่อนจากเสียงเพียงไม่กี่วินาที
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| MOS ของ WaveNet เทียบกับมนุษย์ ภาษาอังกฤษแบบสหรัฐฯ | 4.21 เทียบกับ 4.55 | DeepMind, WaveNet 2016 |
| MOS ของ WaveNet เทียบกับมนุษย์ ภาษาจีนกลาง | 4.08 เทียบกับ 4.21 | DeepMind, WaveNet 2016 |
| MOS แบบต่อเชื่อมเทียบกับแบบพาราเมตริก ภาษาอังกฤษแบบสหรัฐฯ (ก่อน WaveNet) | 3.86 เทียบกับ 3.67 | DeepMind, WaveNet 2016 |
| MOS ของ Tacotron 2 เทียบกับการบันทึกเสียง | 4.53 เทียบกับ 4.58 | Google, บทความ Tacotron 2 ปี 2017 |
| MOS ของ VITS เทียบกับเสียงอ้างอิง LJ Speech | 4.43 เทียบกับ 4.46 | Kim และคณะ, VITS 2021 |
| MOS ของ VITS เทียบกับเสียงอ้างอิง VCTK ผู้พูดหลายคน | 4.38 เทียบกับ 4.38 | Kim และคณะ, VITS 2021 |
| Tacotron 2 + HiFi-GAN บน VCTK การทดสอบเดียวกัน | 3.14 | Kim และคณะ, VITS 2021 |
| CMOS ของ NaturalSpeech เทียบกับการบันทึกเสียง LJ Speech | -0.01 (p >> 0.05) | Microsoft Research, NaturalSpeech 2022 |
ความเร็วก็ดีขึ้นควบคู่ไปกับคุณภาพ VITS สังเคราะห์เสียงได้เร็วกว่าเวลาจริง 67.12 เท่า เทียบกับ 27.48 เท่าของสายงาน Glow-TTS บวก HiFi-GAN และ FastSpeech 2 ฝึกเสร็จใน 17.02 ชั่วโมง เทียบกับ 53.12 ชั่วโมงของ FastSpeech หรือเร็วขึ้น 3.12 เท่า (บทความ FastSpeech 2)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ตัวคูณเวลาจริงของ VITS | 67.12x | Kim และคณะ, VITS 2021 |
| ตัวคูณเวลาจริงของ Glow-TTS + HiFi-GAN | 27.48x | Kim และคณะ, VITS 2021 |
| MOS ของ FastSpeech 2 เทียบกับ MOS ของ Tacotron 2 (ผู้ประเมินเจ้าของภาษา 20 คน) | 3.83 เทียบกับ 3.70 | FastSpeech 2 ปี 2020 |
| เวลาฝึกของ FastSpeech 2 เทียบกับ FastSpeech | 17.02 ชม. เทียบกับ 53.12 ชม. (เร็วขึ้น 3.12 เท่า) | FastSpeech 2 ปี 2020 |
3. การโคลนเสียงแบบซีโรช็อตไปถึงและเหนือกว่าเสียงอ้างอิง
TTS แบบซีโรช็อตซึ่งโคลนผู้พูดที่ไม่เคยพบมาก่อนจากตัวอย่างสั้น ๆ ย่นเส้นทางเดียวกันนี้ให้เหลือราวสองปี VALL-E 2 ของ Microsoft ได้ +0.033 CMOS เมื่อเทียบกับเสียงอ้างอิงบน LibriSpeech และคะแนนความคล้ายคลึงของผู้พูด (4.61) เหนือกว่าการบันทึกเสียงจริง (4.13) (บทความ VALL-E 2, ผู้ประเมินเจ้าของภาษาอังกฤษแบบอเมริกัน 20 คน) VALL-E ตัวดั้งเดิมที่เปิดตัวในเดือนมกราคม 2023 และฝึกด้วยภาษาอังกฤษ 60,000 ชั่วโมง ยังตามหลังเสียงอ้างอิง 0.17 CMOS บน LibriSpeech
ขนาดคือเส้นด้ายร่วม NaturalSpeech 3 ใช้ข้อมูล 200,000 ชั่วโมงและพารามิเตอร์ 1 พันล้านตัว MaskGCT ใช้เสียงพูดในสภาพแวดล้อมจริง 100,000 ชั่วโมง และ CosyVoice 3 ของ Alibaba ใช้หนึ่งล้านชั่วโมงใน 9 ภาษาและ 18 สำเนียงจีน คำถามสำหรับผู้ซื้อซอฟต์แวร์โคลนเสียงในปี 2026 ไม่ใช่ว่าโคลนเสียงจะเทียบเท่าเสียงอ้างอิงในการทดสอบห้องปฏิบัติการได้หรือไม่ แต่คือทำได้สม่ำเสมอเพียงใดกับตัวอย่างที่มีเสียงรบกวน สำเนียง และเสียงพูดที่มีอารมณ์ สถิติการโคลนเสียงของเราครอบคลุมเรื่องการนำไปใช้และการใช้ในทางมิชอบ
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ข้อมูลฝึกของ VALL-E | ภาษาอังกฤษ 60,000 ชั่วโมง | Microsoft, VALL-E 2023 |
| CMOS ของ VALL-E เทียบกับเสียงอ้างอิง LibriSpeech (เสียงอ้างอิง +0.17) | -0.17 | Microsoft, VALL-E 2023 |
| CMOS ของ VALL-E 2 เทียบกับเสียงอ้างอิง LibriSpeech | +0.033 | Microsoft, VALL-E 2 ปี 2024 |
| SMOS ของ VALL-E 2 เทียบกับเสียงอ้างอิง LibriSpeech | 4.61 เทียบกับ 4.13 | Microsoft, VALL-E 2 ปี 2024 |
| CMOS ของ NaturalSpeech 3 (เสียงอ้างอิงอยู่ที่ +0.08) | 0.00 | Microsoft, NaturalSpeech 3 ปี 2024 |
| SMOS ของ NaturalSpeech 3 เทียบกับเสียงอ้างอิง | 4.01 เทียบกับ 3.85 | Microsoft, NaturalSpeech 3 ปี 2024 |
| CMOS ของ MaskGCT เทียบกับเสียงอ้างอิง LibriSpeech | +0.10 | MaskGCT 2024 |
| CMOS ของ Seed-TTS เทียบกับมนุษย์ ภาษาอังกฤษ / ภาษาจีนกลาง | -0.07 / -0.08 | ByteDance, Seed-TTS 2024 |
ตัวชี้วัดเชิงวัตถุวิสัยก็เล่าเรื่องเดียวกัน CosyVoice 3 ทำอัตราความผิดพลาดของคำ (WER) ได้ 1.45% บนชุดทดสอบภาษาอังกฤษของ Seed-TTS เทียบกับ 2.14% ของการบันทึกเสียงมนุษย์ (บทความ CosyVoice 3) หมายความว่าการรู้จำเสียงพูดอัตโนมัติถอดเสียงสังเคราะห์ได้แม่นยำกว่าเสียงพูดจริง นั่นเป็นสัญญาณของการออกเสียงที่ชัดเจนมาก ไม่จำเป็นต้องหมายถึงความเป็นธรรมชาติที่มากกว่า เพราะผู้พูดจริงมักพึมพำ ลังเล และมีความแปรปรวน
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ข้อมูลฝึกและขนาดของ NaturalSpeech 3 | 200,000 ชั่วโมง พารามิเตอร์ 1 พันล้านตัว | Microsoft, NaturalSpeech 3 ปี 2024 |
| ข้อมูลฝึกของ MaskGCT | 100,000 ชั่วโมง (ภาษาอังกฤษ 50,000 ภาษาจีน 50,000) | MaskGCT 2024 |
| ข้อมูลฝึกของ CosyVoice 3 | 1 ล้านชั่วโมง 9 ภาษา 18 สำเนียงจีน | Alibaba, CosyVoice 3 ปี 2025 |
| WER ของ CosyVoice 3 เทียบกับมนุษย์ Seed-TTS test-en | 1.45% เทียบกับ 2.14% | Alibaba, CosyVoice 3 ปี 2025 |
| WER ของ Seed-TTS DiT เทียบกับมนุษย์ ภาษาอังกฤษ | 1.733 เทียบกับ 2.143 | ByteDance, Seed-TTS 2024 |
| CMOS ของ F5-TTS เทียบกับเสียงอ้างอิง Seed-TTS test-en / test-zh | +0.31 / +0.21 | F5-TTS 2024 |
| WER ของ F5-TTS เทียบกับเสียงอ้างอิง LibriSpeech-PC | 2.42 เทียบกับ 2.23 | F5-TTS 2024 |
หมายเหตุบริบท: ผล VCTK ของ VALL-E 2 เองแสดงให้เห็นว่าความเทียบเท่านั้นเปราะบางเพียงใด เมื่อใช้ตัวอย่างนำ 3 วินาที SMOS เท่ากับเสียงอ้างอิง (4.47 เทียบกับ 4.47) แต่เมื่อใช้ตัวอย่างนำ 10 วินาที เสียงอ้างอิงได้ 4.74 และ VALL-E 2 ได้ระหว่าง 3.95 ถึง 4.26 CosyVoice 3 ยังรายงานด้วยว่าในภาษาจีน ทุกโมเดลของตนยังตามหลังเสียงพูดมนุษย์ ขณะที่ในภาษาอังกฤษ โมเดลขนาด 1.5 พันล้านพารามิเตอร์ได้คะแนนสูงกว่า
4. Blizzard Challenge: ความเทียบเท่าภายใต้การทดสอบอิสระ
การทดสอบที่ผู้เขียนดำเนินการเองมีผลประโยชน์ทับซ้อนอย่างชัดเจน นี่คือเหตุผลที่ Blizzard Challenge สำคัญ: ผู้จัดงานดำเนินการทดสอบการฟังร่วมกันหนึ่งชุดสำหรับทุกผู้เข้าแข่งขัน การแข่งขันปี 2023 ซึ่งเป็นครั้งที่สิบแปด ดึงดูด 18 ทีมเข้าสู่งาน Hub (เสียงภาษาฝรั่งเศส 51 ชั่วโมง) และ 14 ทีมเข้าสู่งาน Spoke (2 ชั่วโมง) ทั้งหมดใช้แนวทางแบบโครงข่ายประสาท (The Blizzard Challenge 2023, ISCA) MuLanTTS ของ Microsoft ซึ่งมีป้ายกำกับว่าระบบ F ได้ MOS 4.3 เทียบกับ 4.4 ของการบันทึกเสียงธรรมชาติในงาน Hub และ 4.5 เทียบกับ 4.5 ในงาน Spoke (บทความ MuLanTTS)
บทสรุปติดตามผลของผู้จัดงานสรุปได้เฉียบคมกว่า: มีสองระบบที่ถูกประเมินว่าไม่แตกต่างจากเสียงพูดธรรมชาติทางสถิติในด้าน MOS ซึ่งเป็นครั้งแรกในประวัติศาสตร์ของการแข่งขัน แต่ในการทดสอบ MUSHRA ที่ละเอียดกว่า ทุกระบบถูกตัดสินว่าแตกต่างจากเสียงพูดธรรมชาติอย่างมีนัยสำคัญ (Refining the evaluation of speech synthesis, Computer Speech and Language 2024) กล่าวอีกอย่างคือ มาตราส่วน MOS 5 ระดับอิ่มตัวก่อนที่เสียงจะเหมือนกันจริง ๆ บทสรุปเดียวกันยังพบว่าผู้ฟังที่ไม่ใช่เจ้าของภาษาและผู้ที่ไม่ใช่ผู้เชี่ยวชาญให้คะแนนสูงกว่าผู้ฟังที่เป็นเจ้าของภาษาและผู้เชี่ยวชาญด้านเสียงพูด
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| จำนวนทีม Hub / Spoke ของ Blizzard 2023 | 18 / 14 | Perrotin และคณะ, Blizzard Challenge 2023 |
| ข้อมูลฝึก Hub / Spoke (ภาษาฝรั่งเศส) | 51 ชั่วโมง / 2 ชั่วโมง | Perrotin และคณะ, Blizzard Challenge 2023 |
| MOS ของ MuLanTTS เทียบกับการบันทึกเสียงธรรมชาติ Hub | 4.3 เทียบกับ 4.4 | Microsoft, MuLanTTS 2023 |
| MOS ของ MuLanTTS เทียบกับการบันทึกเสียงธรรมชาติ Spoke | 4.5 เทียบกับ 4.5 | Microsoft, MuLanTTS 2023 |
| ระบบที่ไม่แตกต่างจากเสียงพูดธรรมชาติทางสถิติในด้าน MOS | 2 (ครั้งแรกใน Blizzard) | สรุป Blizzard Challenge 2023, CSL 2024 |
| ระบบที่ถูกตัดสินว่าแตกต่างจากเสียงพูดธรรมชาติใน MUSHRA | ทั้งหมด | สรุป Blizzard Challenge 2023, CSL 2024 |
| MOS / SMOS ของ DelightfulTTS งาน SH1 ของ Blizzard 2021 | 4.17 / 4.35 | Microsoft, DelightfulTTS 2021 |
การแข่งขันปี 2025 ย้ายโจทย์ที่ยากไปสู่ภาษาที่มีทรัพยากรน้อย โดยให้ทีมสร้างเสียงสำหรับภาษา Bildts ซึ่งเป็นภาษาถิ่นหนึ่งของภาษาดัตช์ที่มีเจ้าของภาษาราว 6,000 คน จากชุดข้อมูล 7 ชั่วโมง พร้อมงานแบบซีโรช็อตที่ใช้เสียงอ้างอิง 10 วินาที (The Blizzard Challenge 2025, มหาวิทยาลัยโกรนิงเงิน) เจ็ดทีมเข้าร่วมงานหลักและห้าทีมเข้าร่วมงานแบบซีโรช็อต
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| จำนวนเจ้าของภาษาของภาษาเป้าหมายใน Blizzard 2025 | ประมาณ 6,000 คน (Bildts) | Do และคณะ, Blizzard Challenge 2025 |
| ข้อมูลฝึกของงานหลัก | 7 ชั่วโมง ผู้พูดคนเดียว | Do และคณะ, Blizzard Challenge 2025 |
| เสียงอ้างอิงของงานแบบซีโรช็อต | 10 วินาทีต่อผู้พูด | Do และคณะ, Blizzard Challenge 2025 |
| จำนวนทีมงานหลัก / งานแบบซีโรช็อต | 7 / 5 | Do และคณะ, Blizzard Challenge 2025 |
5. ทำไมตัวเลข MOS จึงไม่ตรงกัน: วิธีการ มาตรฐาน และการทำนายอัตโนมัติ
วิธี MOS ถูกสร้างขึ้นสำหรับสายโทรศัพท์ ไม่ใช่เสียงจากโครงข่ายประสาท ITU-T P.800 ซึ่งได้รับการรับรองในเดือนสิงหาคม 1996 ยังคงกำกับการทดสอบคุณภาพการส่งสัญญาณเชิงอัตวิสัย P.800.1 (กรกฎาคม 2016) กำหนดมาตรฐานศัพท์ MOS และ P.808 (มิถุนายน 2018 แก้ไขปรับปรุงมิถุนายน 2021) ครอบคลุมการทดสอบคุณภาพเสียงพูดแบบคราวด์ซอร์สซิง (ITU-T P.808) การทบทวนบทความของ Interspeech และ SSW ช่วงปี 2021-2022 พบว่าผู้เขียนส่วนใหญ่ไม่รายงานป้ายกำกับมาตราส่วน ขนาดช่วงคะแนน หรือคำแนะนำให้ผู้ฟัง (Kirkland และคณะ, Stuck in the MOS pit, SSW 2023) และพบว่าค่าเฉลี่ย MOS ด้านคุณภาพสูงกว่า MOS ด้านความเป็นธรรมชาติสำหรับเสียงพูดธรรมชาติชุดเดียวกัน
ทีมเดียวกันนี้ทำการทดสอบการฟังแบบควบคุมด้วยสิ่งเร้าที่เหมือนกันทุกประการ และพบว่าเพียงเปลี่ยนขนาดช่วงคะแนนหรือคำแนะนำในการให้คะแนนอย่างเดียวก็ทำให้ MOS ของบางระบบเลื่อนไป ตัวเลือกเกณฑ์วัดก็แตกต่างกันเช่นกัน: บทความแสดงจุดยืนปี 2025 ระบุว่า VALL-E ประเมินบน 1,234 ประโยคของ LibriSpeech, NaturalSpeech 3 และ MaskGCT บน 40 ประโยค และ F5-TTS บน 1,127 ประโยค และ WER ของ MaskGCT อยู่ที่ 2.63% บนชุด 40 ประโยค แต่ 4.22% บนชุด 1,234 ประโยค (Towards Responsible Evaluation for Text-to-Speech, 2025)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การรับรอง ITU-T P.800 | สิงหาคม 1996 (มีผลบังคับใช้) | ITU-T |
| ศัพท์ MOS ของ ITU-T P.800.1 เวอร์ชันล่าสุด | กรกฎาคม 2016 | ITU-T |
| การทดสอบแบบคราวด์ซอร์สซิงของ ITU-T P.808 | มิถุนายน 2018 แก้ไขปรับปรุงมิถุนายน 2021 | ITU-T |
| บทความที่รายงานป้ายกำกับมาตราส่วน ขนาดช่วงคะแนน หรือคำแนะนำ | ส่วนน้อย (Interspeech และ SSW ปี 2021-2022) | Kirkland และคณะ, SSW 2023 |
| จำนวนประโยค LibriSpeech test-clean ที่ใช้: VALL-E / NaturalSpeech 3 / F5-TTS | 1,234 / 40 / 1,127 | Yang และคณะ, 2025 |
| WER ของ MaskGCT บน 40 เทียบกับ 1,234 ประโยค | 2.63% เทียบกับ 4.22% | Yang และคณะ, 2025 |
| ความคล้ายคลึงของผู้พูดเมื่อรวมกับไม่รวมตัวอย่างนำ | 0.905 เทียบกับ 0.754 | Yang และคณะ, 2025 |
| กลุ่มผู้ประเมิน MOS ของ CosyVoice 3 | 200 ประโยค ผู้ประเมินเจ้าของภาษา 10 คน ช่วงคะแนนละ 0.5 | Alibaba, CosyVoice 3 ปี 2025 |
เนื่องจากการทดสอบกับมนุษย์ช้าและไม่สม่ำเสมอ วงการจึงสร้างตัวทำนาย MOS อัตโนมัติขึ้นมา VoiceMOS Challenge ครั้งแรกในปี 2022 ดึงดูด 22 ทีมให้ทำนายคะแนนของมนุษย์สำหรับ 187 ระบบ TTS และการแปลงเสียง ซึ่งครอบคลุมงานวิจัยกว่าทศวรรษ (VoiceMOS Challenge 2022) และโมเดลเสียงพูดแบบเรียนรู้ด้วยตนเองที่ปรับแต่งเพิ่มเติมพิสูจน์แล้วว่าได้ผลดีที่สุด การเข้าร่วมลดลงเหลือ 10 ทีมในปี 2023 และ 8 ทีมในปี 2024 โดยแทร็กแรกของปี 2024 เน้นการสังเคราะห์คุณภาพสูงในระดับละเอียด ซึ่งตัวทำนายทำได้ยากที่สุด
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ทีม / ระบบในแทร็กหลักของ VoiceMOS 2022 | 22 / 187 | Huang และคณะ, VoiceMOS Challenge 2022 |
| ทีมของ VoiceMOS 2023 | 10 ทีมจาก 7 ประเทศ | VoiceMOS Challenge 2023 (ASRU 2023) |
| ทีมของ VoiceMOS 2024 | 8 | Huang และคณะ, VoiceMOS Challenge 2024 |
| ชุดฝึก / ชุดทดสอบของ MOS-Bench | 8 / 17 | MOS-Bench 2024 (แก้ไขปรับปรุงปี 2026) |
| UTMOS ของ NaturalSpeech 3 เทียบกับเสียงอ้างอิง | 4.30 เทียบกับ 4.14 | Microsoft, NaturalSpeech 3 ปี 2024 |
หมายเหตุบริบท: คะแนนอัตโนมัติอย่าง UTMOS ในปัจจุบันมักให้คะแนนเสียงพูดสังเคราะห์สูงกว่าการบันทึกเสียงจริงเป็นปกติ ดังที่ตารางของ NaturalSpeech 3 แสดงไว้ ซึ่งเป็นเหตุผลที่ควรมองว่าเป็นเครื่องมือคัดกรอง ไม่ใช่หลักฐานของความเป็นธรรมชาติ
6. ผู้ฟังยังแยกออกหรือไม่? การศึกษาด้านการรับรู้
ความเทียบเท่าบนมาตราส่วนคะแนนเป็นเรื่องหนึ่ง การหลอกผู้ฟังที่ถูกถามโดยตรงเป็นอีกเรื่องหนึ่ง ในการศึกษาของ Queen Mary University of London ปี 2025 โคลนเสียง 58% และเสียง AI ทั่วไป 41% ถูกตัดสินว่าเป็นมนุษย์ ขณะที่เสียงมนุษย์จริงถูกจดจำว่าเป็นมนุษย์ 62% ถึง 81% ของครั้งทั้งหมดขึ้นอยู่กับการทดลอง (Lavan และคณะ, PLOS ONE 2025) โคลนเสียงสร้างจากการบันทึกเสียงราว 4 นาทีต่อผู้พูดด้วยเครื่องมือที่มีขายทั่วไป ผู้เขียนตั้งชื่อบทความว่า ‘สมจริงแต่ยังไม่ (ถึงขั้น) เหนือจริง’: โดยรวมแล้วโคลนเสียงไม่ได้เหนือกว่าเสียงจริง แต่ใกล้เคียงมากพอจนการตัดสินของผู้ฟังคนใดคนหนึ่งไม่น่าเชื่อถือ
ความประทับใจเชิงสังคมคือข้อค้นพบที่ถูกพูดถึงน้อยกว่า เสียง AI ทั่วไปถูกประเมินว่ามีความเด่นชัดมากกว่าเสียงมนุษย์ (58.1 เทียบกับ 40.4 บนมาตราส่วน 0-100) และน่าเชื่อถือกว่าเล็กน้อย (57.9 เทียบกับ 53.8) สำหรับผู้ที่ผลิตเสียงบรรยายสังเคราะห์หรือใช้เครื่องสร้างเสียง AI นั่นหมายความว่าผู้ฟังตอบสนองต่อเสียงเหล่านี้เหมือนเป็นคน ซึ่งทำให้การเปิดเผยข้อมูลมีความสำคัญมากขึ้น
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| โคลนเสียงที่ถูกตัดสินว่าเป็นมนุษย์ | 58% | Lavan และคณะ, PLOS ONE 2025 |
| เสียง AI ทั่วไปที่ถูกตัดสินว่าเป็นมนุษย์ | 41% | Lavan และคณะ, PLOS ONE 2025 |
| เสียงมนุษย์จริงที่ถูกตัดสินว่าเป็นมนุษย์ | 62% ถึง 81% (ตามการทดลอง) | Lavan และคณะ, PLOS ONE 2025 |
| ระยะเวลาบันทึกเสียงที่ใช้ต่อโคลนเสียงหนึ่งเสียง | ประมาณ 4 นาที | Lavan และคณะ, PLOS ONE 2025 |
| ผู้เข้าร่วมต่อการทดลอง / เสียงต่อการทดลอง | 50 / 80 | Lavan และคณะ, PLOS ONE 2025 |
| คะแนนความเด่นชัด เสียง AI ทั่วไปเทียบกับเสียงมนุษย์ | 58.1 เทียบกับ 40.4 | Lavan และคณะ, PLOS ONE 2025 |
| คะแนนความน่าเชื่อถือ เสียง AI ทั่วไปเทียบกับเสียงมนุษย์ | 57.9 เทียบกับ 53.8 | Lavan และคณะ, PLOS ONE 2025 |
ข้อมูลการตรวจจับก่อนหน้านี้ชี้ไปในทิศทางเดียวกัน การศึกษาปี 2023 กับผู้เข้าร่วม 529 คนพบว่าผู้ฟังระบุดีปเฟกเสียงพูดได้ถูกต้องเพียง 73% ของครั้งทั้งหมด โดยผู้พูดภาษาอังกฤษและภาษาจีนกลางทำได้ใกล้เคียงกัน และการให้ดูตัวอย่างดีปเฟกห้าตัวอย่างล่วงหน้าเพิ่มความแม่นยำได้เพียง 3.84% (Mai และคณะ, PLOS ONE 2023) สถิติความแม่นยำในการตรวจจับดีปเฟกเสียงของเราติดตามการเปรียบเทียบกับตัวตรวจจับของเครื่อง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผู้เข้าร่วม | 529 | Mai และคณะ, PLOS ONE 2023 |
| ดีปเฟกที่ระบุได้ถูกต้อง คลิปเดี่ยว | 73% | Mai และคณะ, PLOS ONE 2023 |
| คลิปจริงที่ระบุได้ถูกต้อง คลิปเดี่ยว | 67.78% | Mai และคณะ, PLOS ONE 2023 |
| ดีปเฟกที่จดจำได้เมื่อจับคู่กับคลิปจริง | 85.59% | Mai และคณะ, PLOS ONE 2023 |
| ความแม่นยำที่เพิ่มขึ้นจากตัวอย่างฝึก 5 ตัวอย่าง | 3.84% | Mai และคณะ, PLOS ONE 2023 |
7. เวทีความชอบและตลาดเบื้องหลังคะแนน
เมื่อ MOS ในห้องปฏิบัติการอิ่มตัว การจัดอันดับก็ย้ายไปสู่ความชอบแบบจับคู่ที่ไม่ระบุตัวตน Hugging Face เปิดตัว TTS Arena เมื่อวันที่ 27 กุมภาพันธ์ 2024 ด้วยหกโมเดล โดยให้ผู้ใช้เลือกตัวอย่างที่เป็นธรรมชาติกว่าจากสองตัวอย่างที่ไม่เปิดเผยชื่อ และจัดอันดับผลด้วยระบบแบบ Elo (Hugging Face, การเปิดตัว TTS Arena) ในตารางอันดับ Artificial Analysis Speech Arena ที่อ่านเมื่อวันที่ 3 ตุลาคม 2026 Eleven v4 ของ ElevenLabs นำอยู่ที่ 1321 Elo แต่ด้วยช่วงบวกลบ 189 ซึ่งซ้อนทับกับโมเดลอื่นทุกตัวใน 10 อันดับแรก (ตารางอันดับ TTS ของ Artificial Analysis) หากอ่านอย่างตรงไปตรงมา กลุ่มบนสุดคือการเสมอกันทางสถิติระหว่างผู้ให้บริการอย่างน้อยหกราย
คำตอบของ Hugging Face เองต่อการเก็บโหวตที่ช้า คือ Open TTS Leaderboard ที่เปิดตัวเมื่อวันที่ 30 กันยายน 2026 ซึ่งแทนที่คะแนนโหวตของมนุษย์ด้วยตัวชี้วัดเชิงวัตถุวิสัย (WER ความคล้ายคลึงของผู้พูด ความเร็ว) และระบุว่าการประเมินโมเดลหนึ่งตัวลดลงจากราวสองสัปดาห์เหลือราวสองชั่วโมง บน Hub ที่ปัจจุบันมีโมเดล TTS มากกว่า 8,000 โมเดล (Hugging Face, Open TTS Leaderboard)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| จำนวนโมเดล TTS Arena ตอนเปิดตัว (กุมภาพันธ์ 2024) | 6 | Hugging Face, กุมภาพันธ์ 2024 |
| โมเดลอันดับ 1 ของ Speech Arena: Eleven v4 (ElevenLabs) | 1321 Elo (± 189) ตัวอย่าง 1,930 รายการ | Artificial Analysis, ตุลาคม 2026 |
| อันดับ 2: Qwen-Audio-3.1-TTS-Plus (Alibaba) | 1292 Elo (± 189) | Artificial Analysis, ตุลาคม 2026 |
| อันดับ 3 / 4: Sonic 3.6 (Cartesia) / Gemini 3.8 Flash TTS (Google) | 1278 / 1275 Elo | Artificial Analysis, ตุลาคม 2026 |
| อันดับ 10: Breeze TTS 2 (BreezeBlue) | 1216 Elo | Artificial Analysis, ตุลาคม 2026 |
| โมเดล TTS ที่โฮสต์บน Hugging Face Hub | มากกว่า 8,000 | Hugging Face, กันยายน 2026 |
ผลประโยชน์เชิงพาณิชย์อธิบายการแข่งขันนี้ได้ เสียงจากโครงข่ายประสาทและเสียง AI ครองสัดส่วนรายได้ 67.18% ของตลาดแปลงข้อความเป็นเสียงอยู่แล้ว ซึ่ง Mordor Intelligence ประเมินขนาดตลาดไว้ที่ USD 4.36 พันล้านในปี 2026 และเพิ่มเป็น USD 7.92 พันล้านภายในปี 2031 (Mordor Intelligence, Text to Speech Market) ส่วน Research and Markets ระบุฐานปี 2023 ที่ USD 3.8 พันล้าน พร้อมคาดการณ์ USD 9.3 พันล้านในปี 2030 (ข่าวประชาสัมพันธ์ GlobeNewswire, ธันวาคม 2024)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ขนาดตลาด TTS ปี 2025 / 2026 | USD 3.87 พันล้าน / USD 4.36 พันล้าน | Mordor Intelligence, 2026 |
| คาดการณ์ตลาด TTS ปี 2031 | USD 7.92 พันล้าน (CAGR 12.66%) | Mordor Intelligence, 2026 |
| สัดส่วนรายได้จากเสียงโครงข่ายประสาท / AI | 67.18% (CAGR 15.08%) | Mordor Intelligence, 2026 |
| สัดส่วนของอเมริกาเหนือ ปี 2025 | 36.78% | Mordor Intelligence, 2026 |
| ตลาด TTS ปี 2023 ถึง 2030 | USD 3.8 พันล้าน ถึง USD 9.3 พันล้าน (CAGR 13.4%) | Research and Markets, ธันวาคม 2024 |
| คาดการณ์ตลาด TTS ของจีน ปี 2030 | USD 2.3 พันล้าน (CAGR 17.5%) | Research and Markets, ธันวาคม 2024 |
สรุป: MOS ของเสียงพูดสังเคราะห์ในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| MOS ของ Tacotron 2 เทียบกับการบันทึกเสียงโดยมืออาชีพ | 4.53 เทียบกับ 4.58 | Google, 2017 |
| การลดช่องว่างกับเสียงพูดมนุษย์ของ WaveNet | มากกว่า 50% | DeepMind, 2016 |
| ช่วง MOS ของเสียงพูดมนุษย์ในบทความสำคัญ | 4.30 ถึง 4.58 | Google, DeepMind, Kakao, Microsoft, 2016-2021 |
| MOS ของ VITS เทียบกับเสียงอ้างอิง VCTK | 4.38 เทียบกับ 4.38 | Kakao Enterprise, 2021 |
| CMOS ของ NaturalSpeech เทียบกับการบันทึกเสียง | -0.01 (ไม่มีนัยสำคัญ) | Microsoft Research, 2022 |
| CMOS ของ VALL-E 2 เทียบกับเสียงอ้างอิง LibriSpeech | +0.033 | Microsoft, 2024 |
| SMOS ของ VALL-E 2 เทียบกับเสียงอ้างอิง | 4.61 เทียบกับ 4.13 | Microsoft, 2024 |
| CMOS ของ MaskGCT เทียบกับเสียงอ้างอิง | +0.10 | MaskGCT, 2024 |
| CMOS ของ Seed-TTS เทียบกับมนุษย์ ภาษาอังกฤษ | -0.07 | ByteDance, 2024 |
| WER ของ CosyVoice 3 เทียบกับมนุษย์ ภาษาอังกฤษ | 1.45% เทียบกับ 2.14% | Alibaba, 2025 |
| ข้อมูลฝึกของ CosyVoice 3 | 1 ล้านชั่วโมง | Alibaba, 2025 |
| ระบบ Blizzard 2023 ที่เทียบเท่าเสียงพูดธรรมชาติในด้าน MOS | 2 (ครั้งแรก) | สรุป Blizzard Challenge 2023, 2024 |
| MuLanTTS เทียบกับการบันทึกเสียงธรรมชาติ Blizzard 2023 Hub | 4.3 เทียบกับ 4.4 | Microsoft, 2023 |
| บทความที่รายงานวิธี MOS ครบถ้วน | ส่วนน้อย | Kirkland และคณะ, SSW 2023 |
| ระบบ / ทีมของ VoiceMOS 2022 | 187 / 22 | VoiceMOS Challenge 2022 |
| โคลนเสียงที่ถูกตัดสินว่าเป็นมนุษย์ | 58% | Lavan และคณะ, PLOS ONE 2025 |
| ดีปเฟกที่ผู้ฟังระบุได้ถูกต้อง | 73% | Mai และคณะ, PLOS ONE 2023 |
| Elo สูงสุดของ Speech Arena | 1321 (± 189) | Artificial Analysis, ตุลาคม 2026 |
| สัดส่วนเสียงโครงข่ายประสาท / AI ในรายได้ TTS | 67.18% | Mordor Intelligence, 2026 |
| ตลาด TTS ปี 2026 | USD 4.36 พันล้าน | Mordor Intelligence, 2026 |
ระเบียบวิธีและแหล่งที่มา
ตัวเลข MOS, CMOS และ SMOS ทุกตัวข้างต้นมาจากบทความหรือรายงานการแข่งขันที่ดำเนินการทดสอบการฟัง อ่านจากบทคัดย่อบน arXiv หรือตารางในฉบับเต็ม ในกรณีที่บทความแสดงผลเป็นแผนภูมิเท่านั้น (เช่น แท่ง MOS ของ CosyVoice 3) เราใช้ข้อสรุปจากข้อความและตัดค่าประมาณออก ข้ออ้างเรื่องความเทียบเท่าที่นักพัฒนาโมเดลรายงานเองถูกระบุด้วยชื่อของนักพัฒนา เพื่อให้ผู้อ่านชั่งน้ำหนักเทียบกับการทดสอบอิสระอย่าง Blizzard Challenge
- DeepMind: ประกาศ WaveNet (กันยายน 2016) และบทความ WaveNet
- Google: บทความ Tacotron 2 (ธันวาคม 2017)
- Microsoft และมหาวิทยาลัยเจ้อเจียง: FastSpeech 2 (2020)
- Kakao Enterprise: VITS (มิถุนายน 2021)
- Microsoft Research: NaturalSpeech (พฤษภาคม 2022), NaturalSpeech 3 (มีนาคม 2024), VALL-E (มกราคม 2023), VALL-E 2 (มิถุนายน 2024), MuLanTTS (กันยายน 2023), DelightfulTTS (ตุลาคม 2021)
- ByteDance: Seed-TTS (มิถุนายน 2024)
- MaskGCT (กันยายน 2024) และ F5-TTS (ตุลาคม 2024)
- Alibaba: CosyVoice 3 (พฤษภาคม 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 และคณะ: Stuck in the MOS pit, SSW 2023
- Yang และคณะ: Towards Responsible Evaluation for Text-to-Speech (ตุลาคม 2025)
- VoiceMOS Challenge: 2022, 2023, 2024; MOS-Bench
- Lavan และคณะ: Voice clones sound realistic but not (yet) hyperrealistic, PLOS ONE (กันยายน 2025)
- Mai และคณะ: Warning: Humans cannot reliably detect speech deepfakes, PLOS ONE (สิงหาคม 2023)
- Hugging Face: การเปิดตัว TTS Arena (กุมภาพันธ์ 2024), Open TTS Leaderboard (กันยายน 2026)
- Artificial Analysis: ตารางอันดับแปลงข้อความเป็นเสียง (อ่านเมื่อ 3 ตุลาคม 2026)
- Mordor Intelligence: Text to Speech Market; Research and Markets ผ่าน GlobeNewswire (ธันวาคม 2024)
- ข้อสังเกตเกี่ยวกับข้อมูล: ค่า MOS, CMOS และ SMOS ไม่สามารถเปรียบเทียบข้ามบทความได้ เพราะกลุ่มผู้ฟัง มาตราส่วน และคำแนะนำแตกต่างกัน มาตราส่วน CMOS ก็ต่างกันด้วย (F5-TTS ใช้ -3 ถึง +3) ข้ออ้างเรื่องความเทียบเท่าส่วนใหญ่ในหัวข้อที่ 2 และ 3 มาจากการทดสอบที่นักพัฒนาดำเนินการเองกับกลุ่มผู้ประเมินขนาดเล็ก (เช่น ผู้ประเมิน 12 คนสำหรับ CMOS ของ VALL-E และ 20 คนสำหรับ VALL-E 2) และผลของ WaveNet, Tacotron 2, FastSpeech 2 และ VITS มีอายุมากกว่าสามปี แสดงไว้ในฐานะข้อมูลล่าสุดที่มีสำหรับเกณฑ์วัดเหล่านั้น ข้อค้นพบของ Blizzard 2023 เกี่ยวกับความเทียบเท่าทางสถิติและ MUSHRA มาจากบทคัดย่อของบทสรุปที่ผู้จัดงานเผยแพร่ คะแนน Elo ของ Artificial Analysis เปลี่ยนแปลงทุกวันตามคะแนนโหวตที่เข้ามา และช่วงความเชื่อมั่นซ้อนทับกันตลอด 10 อันดับแรก การประเมินขนาดตลาดขัดแย้งกัน: Mordor Intelligence ระบุปี 2025 ที่ USD 3.87 พันล้าน โดยมี CAGR 12.66% ถึงปี 2031 ขณะที่ Research and Markets คาดการณ์ USD 9.3 พันล้านภายในปี 2030 ด้วย CAGR 13.4% จากฐานปี 2023 ที่ USD 3.8 พันล้าน ช่องว่างนี้สะท้อนนิยามขอบเขตที่แตกต่างกัน ผลการทดสอบการฟังฉบับเต็มของ Blizzard 2025 และ VoiceMOS Challenge ครั้งถัดไปคือข้อมูลใหม่หลักที่คาดว่าจะตามมา
อัปเดตล่าสุด: 3 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อผลของ VoiceMOS Challenge ครั้งถัดไป และการวิเคราะห์ฉบับเต็มของการทดสอบการฟัง Blizzard Challenge 2025 ได้รับการเผยแพร่