Tacotron 2 của Google đạt điểm ý kiến trung bình (MOS) 4,53 so với 4,58 của giọng nói do chuyên gia thu âm vào tháng 12 năm 2017 (Google, bài báo Tacotron 2 2017), và kể từ đó khoảng cách giữa giọng nói tổng hợp và giọng nói con người đã khép lại trên hầu hết các bộ thử nghiệm tiêu chuẩn. Đến năm 2024, các hệ thống không cần huấn luyện bổ sung như VALL-E 2 và MaskGCT đạt điểm cao hơn một chút so với các bản ghi chuẩn mà chúng được đem ra so sánh (Microsoft, VALL-E 2 2024; MaskGCT 2024), và trong một nghiên cứu nghe năm 2025, 58% giọng nhân bản bị nhầm là giọng người thật (Queen Mary University of London, PLOS ONE 2025). Câu hỏi khó hơn vào năm 2026 không còn là máy móc có thể nghe giống người hay không, mà là bài kiểm tra MOS còn đo được sự khác biệt hay không. Chúng tôi đã tổng hợp dữ liệu từ Google DeepMind, Microsoft Research, ByteDance, Blizzard Challenge, VoiceMOS Challenge, ITU-T, PLOS ONE, Artificial Analysis và Hugging Face; để xem bức tranh thị trường rộng hơn, hãy đọc bài tổng hợp thống kê chuyển văn bản thành giọng nói của chúng tôi.
Tóm tắt nhanh
- Tacotron 2 đạt MOS 4,53 so với 4,58 của bản ghi chuyên nghiệp (Google, bài báo Tacotron 2 2017).
- WaveNet thu hẹp khoảng cách với giọng nói con người hơn 50%, đạt 4,21 so với 4,55 ở tiếng Anh Mỹ (DeepMind, WaveNet 2016).
- NaturalSpeech đạt -0,01 CMOS so với bản ghi LJ Speech, không có khác biệt đáng kể (Microsoft Research, NaturalSpeech 2022).
- VALL-E 2 đạt +0,033 CMOS và SMOS 4,61 so với 4,13 của bản ghi chuẩn trên LibriSpeech (Microsoft, VALL-E 2 2024).
- NaturalSpeech 3 được huấn luyện trên 200.000 giờ dữ liệu với 1 tỷ tham số (Microsoft, NaturalSpeech 3 2024).
- CosyVoice 3 mở rộng dữ liệu huấn luyện từ 10.000 giờ lên 1 triệu giờ trên 9 ngôn ngữ (Alibaba, CosyVoice 3 2025).
- Bản ghi của con người đạt MOS từ 4,30 đến 4,58 trong bốn bài báo mang tính bước ngoặt (các bài báo của Google, DeepMind, Kakao, Microsoft 2016-2021).
- Hai hệ thống của Blizzard Challenge 2023 không khác biệt về mặt thống kê so với giọng nói tự nhiên theo MOS, lần đầu tiên đối với cuộc thi (tóm tắt Blizzard Challenge 2023, Computer Speech and Language 2024).
- 58% giọng nhân bản và 41% giọng AI thông thường bị đánh giá là con người (Lavan và cộng sự, PLOS ONE 2025).
- Người nghe nhận diện đúng deepfake giọng nói 73% số lần (Mai và cộng sự, PLOS ONE 2023).
- VoiceMOS Challenge 2022 bao gồm 187 hệ thống TTS và chuyển đổi giọng nói từ 22 nhóm (VoiceMOS Challenge 2022).
- Mô hình đứng đầu Speech Arena đạt 1321 Elo với khoảng cộng trừ 189 (Artificial Analysis, tháng 10 năm 2026).
1. Mức Trần Của Con Người Không Phải Là Một Con Số Cố Định
Mọi tuyên bố về mức ngang bằng đều dựa trên một điểm tham chiếu cho giọng nói thật, và điểm tham chiếu đó thay đổi. Giọng nói con người được ghi âm đã đạt MOS cao nhất 4,58 và thấp nhất 4,30 trong các bài báo TTS mang tính bước ngoặt, một khoảng chênh 0,28 điểm, rộng hơn khoảng cách giữa nhiều hệ thống cạnh tranh trong cùng các bảng. Riêng bộ dữ liệu LJ Speech đã cho ra 4,46 trong bài báo VITS và 4,30 trong bài báo FastSpeech 2, vì nhóm người nghe, hướng dẫn chấm và thiết kế thử nghiệm khác nhau giữa các phòng thí nghiệm.
Cách đọc thực tế: một MOS 4,4 đứng riêng không có ý nghĩa gì. Nó chỉ có ý nghĩa khi đặt cạnh điểm của bản ghi chuẩn trong cùng bài kiểm tra nghe, đó là lý do các bài báo hiện đại ngày càng báo cáo CMOS (MOS so sánh, điểm so sánh song song với một mẫu tham chiếu) thay vì MOS thô. Bài báo VITS là một minh họa tốt: bài báo báo cáo 4,46 cho bản ghi chuẩn và 4,43 cho hệ thống của chính mình, chênh 0,03 nằm trong khoảng tin cậy.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| MOS giọng nói do chuyên gia thu âm, bài kiểm tra Tacotron 2 | 4,58 | Google, bài báo Tacotron 2 2017 |
| MOS giọng nói con người, tiếng Anh Mỹ, bài kiểm tra WaveNet | 4,55 | DeepMind, WaveNet 2016 |
| MOS giọng nói con người, tiếng Quan Thoại, bài kiểm tra WaveNet | 4,21 | DeepMind, WaveNet 2016 |
| MOS bản ghi chuẩn LJ Speech, bài kiểm tra VITS | 4,46 (± 0,06) | Kim và cộng sự (Kakao Enterprise), VITS 2021 |
| MOS bản ghi chuẩn VCTK, bài kiểm tra VITS | 4,38 (± 0,07) | Kim và cộng sự, VITS 2021 |
| MOS bản ghi chuẩn LJ Speech, bài kiểm tra FastSpeech 2 | 4,30 (± 0,07) | Microsoft và Đại học Chiết Giang, FastSpeech 2 2020 |
| Bản ghi chuẩn đi qua vocoder, bài kiểm tra FastSpeech 2 | 3,92 | FastSpeech 2 2020 |
Ghi chú bối cảnh: dòng vocoder rất quan trọng. Chỉ việc chuyển các bản ghi thật sang phổ mel rồi chuyển ngược lại đã làm mất 0,38 điểm MOS trong bài kiểm tra FastSpeech 2, cho thấy một phần lớn khoảng cách trong lịch sử đến từ khâu tạo dạng sóng chứ không phải từ khâu mô hình hóa văn bản. Hầu hết các bài báo này đã hơn ba năm tuổi và được hiển thị như dữ liệu mới nhất hiện có cho các bộ thử nghiệm của chúng.
2. Từ WaveNet Đến Mức Ngang Bằng: TTS Một Người Nói, 2016 Đến 2022
Câu chuyện một người nói kéo dài khoảng sáu năm. WaveNet đã giảm khoảng cách giữa các hệ thống tốt nhất hiện có và giọng nói con người hơn 50% vào năm 2016, đạt 4,21 ở tiếng Anh Mỹ so với 3,86 của tổng hợp nối ghép và 3,67 của tổng hợp tham số (thông báo WaveNet của DeepMind). Sau đó Tacotron 2 đưa khoảng cách xuống còn 0,05 điểm, và đến năm 2021 VITS đã ngang bằng bản ghi chuẩn trên bộ nhiều người nói VCTK ở mức 4,38.
Vạch đích đến cùng NaturalSpeech của Microsoft, đạt -0,01 CMOS so với bản ghi LJ Speech ở cấp độ câu, với kiểm định hạng có dấu Wilcoxon cho thấy không có khác biệt đáng kể. Bước chuyển thú vị là những gì diễn ra tiếp theo: khi đã đạt mức ngang bằng trên giọng đọc sạch, lĩnh vực này ngừng cạnh tranh về độ tự nhiên của một người nói và chuyển sang nhân bản những giọng chưa từng gặp chỉ từ vài giây âm thanh.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| MOS WaveNet so với con người, tiếng Anh Mỹ | 4,21 so với 4,55 | DeepMind, WaveNet 2016 |
| MOS WaveNet so với con người, tiếng Quan Thoại | 4,08 so với 4,21 | DeepMind, WaveNet 2016 |
| MOS nối ghép so với tham số, tiếng Anh Mỹ (trước WaveNet) | 3,86 so với 3,67 | DeepMind, WaveNet 2016 |
| MOS Tacotron 2 so với bản ghi | 4,53 so với 4,58 | Google, bài báo Tacotron 2 2017 |
| MOS VITS so với bản ghi chuẩn, LJ Speech | 4,43 so với 4,46 | Kim và cộng sự, VITS 2021 |
| MOS VITS so với bản ghi chuẩn, VCTK nhiều người nói | 4,38 so với 4,38 | Kim và cộng sự, VITS 2021 |
| Tacotron 2 + HiFi-GAN trên VCTK, cùng bài kiểm tra | 3,14 | Kim và cộng sự, VITS 2021 |
| CMOS NaturalSpeech so với bản ghi LJ Speech | -0,01 (p >> 0,05) | Microsoft Research, NaturalSpeech 2022 |
Tốc độ cũng cải thiện song song với chất lượng. VITS tổng hợp ở tốc độ gấp 67,12 lần thời gian thực, so với 27,48 lần của quy trình Glow-TTS cộng HiFi-GAN, và FastSpeech 2 huấn luyện trong 17,02 giờ so với 53,12 giờ của FastSpeech, nhanh hơn 3,12 lần (bài báo FastSpeech 2).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Hệ số thời gian thực của VITS | 67,12x | Kim và cộng sự, VITS 2021 |
| Hệ số thời gian thực của Glow-TTS + HiFi-GAN | 27,48x | Kim và cộng sự, VITS 2021 |
| MOS FastSpeech 2 so với MOS Tacotron 2 (20 người chấm bản ngữ) | 3,83 so với 3,70 | FastSpeech 2 2020 |
| Thời gian huấn luyện FastSpeech 2 so với FastSpeech | 17,02 giờ so với 53,12 giờ (nhanh hơn 3,12 lần) | FastSpeech 2 2020 |
3. Nhân Bản Giọng Nói Không Cần Huấn Luyện Bổ Sung Đạt Và Vượt Bản Ghi Chuẩn
TTS không cần huấn luyện bổ sung, tức nhân bản một người nói chưa từng gặp từ một đoạn mồi ngắn, đã nén cùng hành trình đó vào khoảng hai năm. VALL-E 2 của Microsoft đạt +0,033 CMOS so với bản ghi chuẩn trên LibriSpeech, và điểm tương đồng người nói của nó (4,61) vượt cả bản ghi thật (4,13) (bài báo VALL-E 2, 20 người chấm là người bản ngữ tiếng Anh Mỹ). VALL-E gốc, ra mắt vào tháng 1 năm 2023 và được huấn luyện trên 60.000 giờ tiếng Anh, vẫn còn kém bản ghi chuẩn 0,17 CMOS trên LibriSpeech.
Quy mô là sợi chỉ xuyên suốt. NaturalSpeech 3 dùng 200.000 giờ và 1 tỷ tham số, MaskGCT dùng 100.000 giờ giọng nói thực tế ngoài đời, còn CosyVoice 3 của Alibaba dùng một triệu giờ trên 9 ngôn ngữ và 18 phương ngữ Trung Quốc. Câu hỏi dành cho những người mua phần mềm nhân bản giọng nói năm 2026 không còn là liệu một bản nhân bản có thể ngang bằng bản ghi tham chiếu trong thử nghiệm phòng thí nghiệm hay không, mà là mức độ nhất quán của nó với đoạn mồi nhiễu, giọng địa phương và giọng nói giàu biểu cảm. Thống kê nhân bản giọng nói của chúng tôi đề cập đến mức độ áp dụng và việc lạm dụng.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Dữ liệu huấn luyện VALL-E | 60.000 giờ tiếng Anh | Microsoft, VALL-E 2023 |
| CMOS VALL-E so với bản ghi chuẩn, LibriSpeech (bản ghi chuẩn +0,17) | -0,17 | Microsoft, VALL-E 2023 |
| CMOS VALL-E 2 so với bản ghi chuẩn, LibriSpeech | +0,033 | Microsoft, VALL-E 2 2024 |
| SMOS VALL-E 2 so với bản ghi chuẩn, LibriSpeech | 4,61 so với 4,13 | Microsoft, VALL-E 2 2024 |
| CMOS NaturalSpeech 3 (bản ghi chuẩn ở +0,08) | 0,00 | Microsoft, NaturalSpeech 3 2024 |
| SMOS NaturalSpeech 3 so với bản ghi chuẩn | 4,01 so với 3,85 | Microsoft, NaturalSpeech 3 2024 |
| CMOS MaskGCT so với bản ghi chuẩn, LibriSpeech | +0,10 | MaskGCT 2024 |
| CMOS Seed-TTS so với con người, tiếng Anh / tiếng Quan Thoại | -0,07 / -0,08 | ByteDance, Seed-TTS 2024 |
Các chỉ số khách quan cũng kể cùng một câu chuyện. CosyVoice 3 đạt tỷ lệ lỗi từ (WER) 1,45% trên bộ kiểm tra tiếng Anh của Seed-TTS so với 2,14% của bản ghi con người (bài báo CosyVoice 3), nghĩa là nhận dạng giọng nói tự động chép lại âm thanh tổng hợp chính xác hơn giọng nói thật. Đó là dấu hiệu của cách phát âm rất sạch, chưa chắc là độ tự nhiên cao hơn, vì người nói thật hay lầm bầm, ngập ngừng và thay đổi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Dữ liệu huấn luyện và quy mô NaturalSpeech 3 | 200.000 giờ, 1 tỷ tham số | Microsoft, NaturalSpeech 3 2024 |
| Dữ liệu huấn luyện MaskGCT | 100.000 giờ (50 nghìn tiếng Anh, 50 nghìn tiếng Trung) | MaskGCT 2024 |
| Dữ liệu huấn luyện CosyVoice 3 | 1 triệu giờ, 9 ngôn ngữ, 18 phương ngữ Trung Quốc | Alibaba, CosyVoice 3 2025 |
| WER CosyVoice 3 so với con người, Seed-TTS test-en | 1,45% so với 2,14% | Alibaba, CosyVoice 3 2025 |
| WER Seed-TTS DiT so với con người, tiếng Anh | 1,733 so với 2,143 | ByteDance, Seed-TTS 2024 |
| CMOS F5-TTS so với bản ghi chuẩn, Seed-TTS test-en / test-zh | +0,31 / +0,21 | F5-TTS 2024 |
| WER F5-TTS so với bản ghi chuẩn, LibriSpeech-PC | 2,42 so với 2,23 | F5-TTS 2024 |
Ghi chú bối cảnh: kết quả VCTK của chính VALL-E 2 cho thấy mức ngang bằng mong manh đến thế nào. Với đoạn mồi 3 giây, SMOS của nó ngang bằng bản ghi chuẩn (4,47 so với 4,47), nhưng với đoạn mồi 10 giây, bản ghi chuẩn đạt 4,74 còn VALL-E 2 chỉ từ 3,95 đến 4,26. CosyVoice 3 cũng báo cáo rằng ở tiếng Trung, mọi mô hình của nó vẫn thua giọng nói con người, trong khi ở tiếng Anh, mô hình 1,5 tỷ tham số đạt điểm cao hơn.
4. Blizzard Challenge: Mức Ngang Bằng Dưới Thử Nghiệm Độc Lập
Các thử nghiệm do tác giả tự chạy có xung đột lợi ích rõ ràng, đó là lý do Blizzard Challenge quan trọng: ban tổ chức chạy một bài kiểm tra nghe chung cho tất cả bài dự thi. Kỳ năm 2023, kỳ thứ mười tám, thu hút 18 nhóm vào nhiệm vụ Hub (51 giờ âm thanh tiếng Pháp) và 14 nhóm vào nhiệm vụ Spoke (2 giờ), tất cả đều dùng phương pháp nơ-ron (The Blizzard Challenge 2023, ISCA). MuLanTTS của Microsoft, mang nhãn hệ thống F, đạt MOS 4,3 so với 4,4 của bản ghi tự nhiên ở nhiệm vụ Hub và 4,5 so với 4,5 ở nhiệm vụ Spoke (bài báo MuLanTTS).
Bản tóm tắt tiếp theo của ban tổ chức rút ra kết luận sắc hơn: hai hệ thống được đánh giá là không khác biệt về mặt thống kê so với giọng nói tự nhiên theo MOS, lần đầu tiên trong lịch sử cuộc thi, nhưng trong bài kiểm tra MUSHRA tinh hơn, mọi hệ thống đều bị đánh giá là khác biệt đáng kể so với giọng nói tự nhiên (Refining the evaluation of speech synthesis, Computer Speech and Language 2024). Nói cách khác, thang MOS 5 điểm đã bão hòa trước khi các giọng nói thực sự giống hệt nhau. Bản tóm tắt này cũng cho thấy người nghe không phải bản ngữ và người không chuyên chấm điểm cao hơn người nghe bản ngữ và chuyên gia về giọng nói.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Số nhóm Hub / Spoke Blizzard 2023 | 18 / 14 | Perrotin và cộng sự, Blizzard Challenge 2023 |
| Dữ liệu huấn luyện Hub / Spoke (tiếng Pháp) | 51 giờ / 2 giờ | Perrotin và cộng sự, Blizzard Challenge 2023 |
| MOS MuLanTTS so với bản ghi tự nhiên, Hub | 4,3 so với 4,4 | Microsoft, MuLanTTS 2023 |
| MOS MuLanTTS so với bản ghi tự nhiên, Spoke | 4,5 so với 4,5 | Microsoft, MuLanTTS 2023 |
| Số hệ thống không khác biệt thống kê so với giọng nói tự nhiên theo MOS | 2 (lần đầu tiên tại Blizzard) | Tóm tắt Blizzard Challenge 2023, CSL 2024 |
| Hệ thống bị đánh giá khác giọng nói tự nhiên trong MUSHRA | Tất cả | Tóm tắt Blizzard Challenge 2023, CSL 2024 |
| MOS / SMOS DelightfulTTS, nhiệm vụ SH1 Blizzard 2021 | 4,17 / 4,35 | Microsoft, DelightfulTTS 2021 |
Kỳ năm 2025 chuyển bài toán khó sang các ngôn ngữ ít tài nguyên. Kỳ này yêu cầu các nhóm xây dựng giọng nói cho tiếng Bildts, một biến thể của tiếng Hà Lan với khoảng 6.000 người bản ngữ, từ một bộ dữ liệu 7 giờ, cộng thêm một nhiệm vụ không cần huấn luyện bổ sung với 10 giây giọng nói tham chiếu (The Blizzard Challenge 2025, Đại học Groningen). Bảy nhóm tham gia nhiệm vụ chính và năm nhóm tham gia nhiệm vụ không cần huấn luyện bổ sung.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Số người bản ngữ của ngôn ngữ mục tiêu Blizzard 2025 | Khoảng 6.000 (Bildts) | Do và cộng sự, Blizzard Challenge 2025 |
| Dữ liệu huấn luyện nhiệm vụ chính | 7 giờ, một người nói | Do và cộng sự, Blizzard Challenge 2025 |
| Âm thanh tham chiếu nhiệm vụ không cần huấn luyện bổ sung | 10 giây mỗi người nói | Do và cộng sự, Blizzard Challenge 2025 |
| Số nhóm nhiệm vụ chính / nhiệm vụ không cần huấn luyện bổ sung | 7 / 5 | Do và cộng sự, Blizzard Challenge 2025 |
5. Vì Sao Các Con Số MOS Không Khớp: Phương Pháp, Tiêu Chuẩn Và Dự Đoán Tự Động
Phương pháp MOS được xây dựng cho đường dây điện thoại, không phải cho giọng nói nơ-ron. ITU-T P.800, được phê duyệt vào tháng 8 năm 1996, vẫn chi phối việc kiểm tra chất lượng truyền dẫn chủ quan; P.800.1 (tháng 7 năm 2016) chuẩn hóa thuật ngữ MOS; và P.808 (tháng 6 năm 2018, sửa đổi tháng 6 năm 2021) bao quát các bài kiểm tra chất lượng giọng nói thu thập từ cộng đồng (ITU-T P.808). Một bài tổng quan về các bài báo Interspeech và SSW giai đoạn 2021-2022 cho thấy hầu hết tác giả không báo cáo nhãn thang điểm, bước điểm hay hướng dẫn dành cho người nghe (Kirkland và cộng sự, Stuck in the MOS pit, SSW 2023), và MOS chất lượng có điểm trung bình cao hơn MOS độ tự nhiên cho cùng một giọng nói tự nhiên.
Chính nhóm này đã chạy các bài kiểm tra nghe có kiểm soát với kích thích giống hệt nhau và thấy rằng chỉ cần đổi bước điểm của thang hoặc hướng dẫn chấm cũng làm MOS của một số hệ thống dịch chuyển. Các lựa chọn bộ thử nghiệm cũng khác nhau: một bài báo quan điểm năm 2025 ghi nhận rằng VALL-E đánh giá trên 1.234 câu LibriSpeech, NaturalSpeech 3 và MaskGCT trên 40 câu, còn F5-TTS trên 1.127 câu, và WER của MaskGCT là 2,63% trên bộ 40 câu nhưng 4,22% trên bộ 1.234 câu (Towards Responsible Evaluation for Text-to-Speech, 2025).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Phê duyệt ITU-T P.800 | Tháng 8 năm 1996 (đang có hiệu lực) | ITU-T |
| Thuật ngữ MOS ITU-T P.800.1, phiên bản mới nhất | Tháng 7 năm 2016 | ITU-T |
| Kiểm tra thu thập từ cộng đồng ITU-T P.808 | Tháng 6 năm 2018, sửa đổi tháng 6 năm 2021 | ITU-T |
| Bài báo báo cáo nhãn thang điểm, bước điểm hoặc hướng dẫn | Thiểu số (Interspeech và SSW 2021-2022) | Kirkland và cộng sự, SSW 2023 |
| Số câu LibriSpeech test-clean được dùng: VALL-E / NaturalSpeech 3 / F5-TTS | 1.234 / 40 / 1.127 | Yang và cộng sự, 2025 |
| WER MaskGCT trên 40 so với 1.234 câu | 2,63% so với 4,22% | Yang và cộng sự, 2025 |
| Độ tương đồng người nói khi có so với không có đoạn mồi | 0,905 so với 0,754 | Yang và cộng sự, 2025 |
| Hội đồng chấm MOS của CosyVoice 3 | 200 câu, 10 người chấm bản ngữ, bước 0,5 điểm | Alibaba, CosyVoice 3 2025 |
Vì các bài kiểm tra do con người thực hiện chậm và thiếu nhất quán, lĩnh vực này đã xây dựng các bộ dự đoán MOS tự động. VoiceMOS Challenge đầu tiên năm 2022 thu hút 22 nhóm dự đoán điểm đánh giá của con người cho 187 hệ thống TTS và chuyển đổi giọng nói trải dài hơn một thập kỷ nghiên cứu (VoiceMOS Challenge 2022), và các mô hình giọng nói tự giám sát được tinh chỉnh tỏ ra hiệu quả nhất. Mức tham gia sau đó giảm xuống 10 nhóm năm 2023 và 8 nhóm năm 2024, với đường đua đầu tiên tập trung vào tổng hợp chất lượng cao ở mức phóng to, nơi các bộ dự đoán gặp khó khăn nhất.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Số nhóm / hệ thống đường đua chính VoiceMOS 2022 | 22 / 187 | Huang và cộng sự, VoiceMOS Challenge 2022 |
| Số nhóm VoiceMOS 2023 | 10 nhóm từ 7 quốc gia | VoiceMOS Challenge 2023 (ASRU 2023) |
| Số nhóm VoiceMOS 2024 | 8 | Huang và cộng sự, VoiceMOS Challenge 2024 |
| Số bộ huấn luyện / kiểm tra MOS-Bench | 8 / 17 | MOS-Bench 2024 (sửa đổi 2026) |
| UTMOS NaturalSpeech 3 so với bản ghi chuẩn | 4,30 so với 4,14 | Microsoft, NaturalSpeech 3 2024 |
Ghi chú bối cảnh: các điểm tự động như UTMOS hiện thường xuyên chấm giọng nói tổng hợp cao hơn bản ghi thật, như bảng của NaturalSpeech 3 cho thấy, đó là lý do để xem chúng như công cụ sàng lọc chứ không phải bằng chứng về độ tự nhiên.
6. Người Nghe Còn Phân Biệt Được Không? Các Nghiên Cứu Về Cảm Nhận
Mức ngang bằng trên thang chấm điểm là một chuyện; đánh lừa một người nghe được hỏi trực tiếp lại là chuyện khác. Trong một nghiên cứu năm 2025 của Queen Mary University of London, 58% giọng nhân bản và 41% giọng AI thông thường bị đánh giá là con người, trong khi giọng người thật được nhận ra là con người từ 62% đến 81% số lần tùy thí nghiệm (Lavan và cộng sự, PLOS ONE 2025). Các bản nhân bản được tạo từ khoảng 4 phút ghi âm mỗi người nói bằng các công cụ thương mại có sẵn. Các tác giả đặt tên bài báo là ‘chân thực nhưng chưa (đến mức) siêu thực’: các bản nhân bản nhìn chung không vượt giọng thật, nhưng đủ gần để phán đoán của bất kỳ người nghe đơn lẻ nào cũng không đáng tin cậy.
Ấn tượng xã hội là phát hiện ít được bàn đến hơn. Giọng AI thông thường được đánh giá là có tính áp đảo hơn giọng con người (58,1 so với 40,4 trên thang 0-100) và đáng tin hơn một chút (57,9 so với 53,8). Với bất kỳ ai tạo lời dẫn tổng hợp hoặc dùng trình tạo giọng nói AI, điều đó có nghĩa là người nghe phản ứng với những giọng này như với con người, khiến việc công khai càng quan trọng.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Giọng nhân bản bị đánh giá là con người | 58% | Lavan và cộng sự, PLOS ONE 2025 |
| Giọng AI thông thường bị đánh giá là con người | 41% | Lavan và cộng sự, PLOS ONE 2025 |
| Giọng người thật được đánh giá là con người | 62% đến 81% (tùy thí nghiệm) | Lavan và cộng sự, PLOS ONE 2025 |
| Thời lượng ghi âm dùng cho mỗi giọng nhân bản | Khoảng 4 phút | Lavan và cộng sự, PLOS ONE 2025 |
| Số người tham gia mỗi thí nghiệm / số giọng mỗi thí nghiệm | 50 / 80 | Lavan và cộng sự, PLOS ONE 2025 |
| Điểm tính áp đảo, giọng AI thông thường so với giọng con người | 58,1 so với 40,4 | Lavan và cộng sự, PLOS ONE 2025 |
| Điểm đáng tin cậy, giọng AI thông thường so với giọng con người | 57,9 so với 53,8 | Lavan và cộng sự, PLOS ONE 2025 |
Dữ liệu nhận diện trước đó cũng chỉ về cùng hướng. Một nghiên cứu năm 2023 với 529 người tham gia cho thấy người nghe chỉ nhận diện đúng deepfake giọng nói 73% số lần, người nói tiếng Anh và tiếng Quan Thoại có kết quả gần như nhau, và việc cho họ xem trước năm ví dụ deepfake chỉ tăng độ chính xác thêm 3,84% (Mai và cộng sự, PLOS ONE 2023). Thống kê độ chính xác phát hiện deepfake âm thanh của chúng tôi theo dõi so sánh với các bộ phát hiện bằng máy.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Số người tham gia | 529 | Mai và cộng sự, PLOS ONE 2023 |
| Deepfake được nhận diện đúng, từng đoạn riêng lẻ | 73% | Mai và cộng sự, PLOS ONE 2023 |
| Đoạn thật được nhận diện đúng, từng đoạn riêng lẻ | 67,78% | Mai và cộng sự, PLOS ONE 2023 |
| Deepfake được nhận ra khi ghép cặp với đoạn thật | 85,59% | Mai và cộng sự, PLOS ONE 2023 |
| Mức tăng độ chính xác từ 5 ví dụ huấn luyện | 3,84% | Mai và cộng sự, PLOS ONE 2023 |
7. Đấu Trường Ưu Tiên Và Thị Trường Phía Sau Các Điểm Số
Khi MOS trong phòng thí nghiệm bão hòa, bảng xếp hạng chuyển sang ưu tiên theo cặp dưới dạng mù. Hugging Face ra mắt TTS Arena vào ngày 27 tháng 2 năm 2024 với sáu mô hình, yêu cầu người dùng chọn mẫu tự nhiên hơn trong hai mẫu ẩn danh và xếp hạng kết quả bằng hệ thống kiểu Elo (Hugging Face, ra mắt TTS Arena). Trên bảng xếp hạng Artificial Analysis Speech Arena được đọc vào ngày 3 tháng 10 năm 2026, Eleven v4 của ElevenLabs dẫn đầu với 1321 Elo, nhưng với khoảng cộng trừ 189 chồng lấn lên mọi mô hình khác trong top 10 (bảng xếp hạng TTS của Artificial Analysis). Đọc một cách trung thực, nhóm đầu bảng là một sự hòa về thống kê giữa ít nhất sáu nhà cung cấp.
Câu trả lời riêng của Hugging Face cho việc thu thập phiếu bầu chậm chạp, Open TTS Leaderboard ra mắt ngày 30 tháng 9 năm 2026, thay phiếu bầu của con người bằng các chỉ số khách quan (WER, độ tương đồng người nói, tốc độ) và cho biết việc đánh giá một mô hình giảm từ vài tuần xuống còn vài giờ, trên một Hub hiện lưu trữ hơn 8.000 mô hình TTS (Hugging Face, Open TTS Leaderboard).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Số mô hình TTS Arena khi ra mắt (tháng 2 năm 2024) | 6 | Hugging Face, tháng 2 năm 2024 |
| Mô hình số 1 Speech Arena: Eleven v4 (ElevenLabs) | 1321 Elo (± 189), 1.930 mẫu | Artificial Analysis, tháng 10 năm 2026 |
| Hạng 2: Qwen-Audio-3.1-TTS-Plus (Alibaba) | 1292 Elo (± 189) | Artificial Analysis, tháng 10 năm 2026 |
| Hạng 3 / 4: Sonic 3.6 (Cartesia) / Gemini 3.8 Flash TTS (Google) | 1278 / 1275 Elo | Artificial Analysis, tháng 10 năm 2026 |
| Hạng 10: Breeze TTS 2 (BreezeBlue) | 1216 Elo | Artificial Analysis, tháng 10 năm 2026 |
| Số mô hình TTS được lưu trữ trên Hugging Face Hub | Hơn 8.000 | Hugging Face, tháng 9 năm 2026 |
Những lợi ích thương mại giải thích cho cuộc đua này. Giọng nơ-ron và AI đã chiếm 67,18% thị phần doanh thu của thị trường chuyển văn bản thành giọng nói, mà Mordor Intelligence ước tính ở mức 4,36 tỷ USD năm 2026, tăng lên 7,92 tỷ USD vào năm 2031 (Mordor Intelligence, Text to Speech Market). Research and Markets đặt mức cơ sở năm 2023 ở 3,8 tỷ USD với dự báo 9,3 tỷ USD vào năm 2030 (thông cáo GlobeNewswire, tháng 12 năm 2024).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Quy mô thị trường TTS, 2025 / 2026 | 3,87 tỷ USD / 4,36 tỷ USD | Mordor Intelligence, 2026 |
| Dự báo thị trường TTS, 2031 | 7,92 tỷ USD (CAGR 12,66%) | Mordor Intelligence, 2026 |
| Thị phần doanh thu giọng nơ-ron / AI | 67,18% (CAGR 15,08%) | Mordor Intelligence, 2026 |
| Thị phần Bắc Mỹ, 2025 | 36,78% | Mordor Intelligence, 2026 |
| Thị trường TTS, 2023 đến 2030 | 3,8 tỷ USD đến 9,3 tỷ USD (CAGR 13,4%) | Research and Markets, tháng 12 năm 2024 |
| Dự báo thị trường TTS Trung Quốc, 2030 | 2,3 tỷ USD (CAGR 17,5%) | Research and Markets, tháng 12 năm 2024 |
Tổng kết: MOS Giọng Nói Tổng Hợp Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| MOS Tacotron 2 so với bản ghi chuyên nghiệp | 4,53 so với 4,58 | Google, 2017 |
| Mức thu hẹp khoảng cách của WaveNet với giọng nói con người | Hơn 50% | DeepMind, 2016 |
| Khoảng MOS giọng nói con người trong các bài báo bước ngoặt | 4,30 đến 4,58 | Google, DeepMind, Kakao, Microsoft, 2016-2021 |
| MOS VITS so với bản ghi chuẩn, VCTK | 4,38 so với 4,38 | Kakao Enterprise, 2021 |
| CMOS NaturalSpeech so với bản ghi | -0,01 (không đáng kể) | Microsoft Research, 2022 |
| CMOS VALL-E 2 so với bản ghi chuẩn, LibriSpeech | +0,033 | Microsoft, 2024 |
| SMOS VALL-E 2 so với bản ghi chuẩn | 4,61 so với 4,13 | Microsoft, 2024 |
| CMOS MaskGCT so với bản ghi chuẩn | +0,10 | MaskGCT, 2024 |
| CMOS Seed-TTS so với con người, tiếng Anh | -0,07 | ByteDance, 2024 |
| WER CosyVoice 3 so với con người, tiếng Anh | 1,45% so với 2,14% | Alibaba, 2025 |
| Dữ liệu huấn luyện CosyVoice 3 | 1 triệu giờ | Alibaba, 2025 |
| Số hệ thống Blizzard 2023 ngang bằng giọng nói tự nhiên theo MOS | 2 (lần đầu tiên) | Tóm tắt Blizzard Challenge 2023, 2024 |
| MuLanTTS so với bản ghi tự nhiên, Blizzard 2023 Hub | 4,3 so với 4,4 | Microsoft, 2023 |
| Bài báo báo cáo đầy đủ phương pháp MOS | Thiểu số | Kirkland và cộng sự, SSW 2023 |
| Số hệ thống / nhóm VoiceMOS 2022 | 187 / 22 | VoiceMOS Challenge 2022 |
| Giọng nhân bản bị đánh giá là con người | 58% | Lavan và cộng sự, PLOS ONE 2025 |
| Deepfake được người nghe nhận diện đúng | 73% | Mai và cộng sự, PLOS ONE 2023 |
| Elo cao nhất Speech Arena | 1321 (± 189) | Artificial Analysis, tháng 10 năm 2026 |
| Thị phần giọng nơ-ron / AI trong doanh thu TTS | 67,18% | Mordor Intelligence, 2026 |
| Thị trường TTS, 2026 | 4,36 tỷ USD | Mordor Intelligence, 2026 |
Phương pháp luận và Nguồn
Mọi con số MOS, CMOS và SMOS ở trên đều đến từ bài báo hoặc báo cáo cuộc thi đã chạy bài kiểm tra nghe, được đọc từ phần tóm tắt trên arXiv hoặc các bảng trong toàn văn. Ở những nơi bài báo chỉ trình bày kết quả bằng biểu đồ (ví dụ các thanh MOS của CosyVoice 3), chúng tôi dùng kết luận bằng văn bản và bỏ các giá trị xấp xỉ. Các tuyên bố ngang bằng do chính nhà phát triển mô hình tự báo cáo được gắn nhãn tên nhà phát triển để người đọc có thể cân nhắc so với các thử nghiệm độc lập như Blizzard Challenge.
- DeepMind: thông báo WaveNet (tháng 9/2016) và bài báo WaveNet
- Google: bài báo Tacotron 2 (tháng 12/2017)
- Microsoft và Đại học Chiết Giang: FastSpeech 2 (2020)
- Kakao Enterprise: VITS (tháng 6/2021)
- Microsoft Research: NaturalSpeech (tháng 5/2022), NaturalSpeech 3 (tháng 3/2024), VALL-E (tháng 1/2023), VALL-E 2 (tháng 6/2024), MuLanTTS (tháng 9/2023), DelightfulTTS (tháng 10/2021)
- ByteDance: Seed-TTS (tháng 6/2024)
- MaskGCT (tháng 9/2024) và F5-TTS (tháng 10/2024)
- Alibaba: CosyVoice 3 (tháng 5/2025)
- 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 và cộng sự: Stuck in the MOS pit, SSW 2023
- Yang và cộng sự: Towards Responsible Evaluation for Text-to-Speech (tháng 10/2025)
- VoiceMOS Challenge: 2022, 2023, 2024; MOS-Bench
- Lavan và cộng sự: Voice clones sound realistic but not (yet) hyperrealistic, PLOS ONE (tháng 9/2025)
- Mai và cộng sự: Warning: Humans cannot reliably detect speech deepfakes, PLOS ONE (tháng 8/2023)
- Hugging Face: ra mắt TTS Arena (tháng 2/2024), Open TTS Leaderboard (tháng 9/2026)
- Artificial Analysis: bảng xếp hạng chuyển văn bản thành giọng nói (đọc ngày 3/10/2026)
- Mordor Intelligence: Text to Speech Market; Research and Markets qua GlobeNewswire (tháng 12/2024)
- Lưu ý về dữ liệu: các giá trị MOS, CMOS và SMOS không thể so sánh giữa các bài báo vì nhóm người nghe, thang điểm và hướng dẫn chấm khác nhau; thang CMOS cũng khác nhau (F5-TTS dùng từ -3 đến +3). Hầu hết các tuyên bố ngang bằng ở mục 2 và 3 đến từ các thử nghiệm do chính nhà phát triển thực hiện với hội đồng nhỏ (ví dụ 12 người chấm cho CMOS của VALL-E và 20 người cho VALL-E 2), và các kết quả WaveNet, Tacotron 2, FastSpeech 2 và VITS đã hơn ba năm tuổi, được hiển thị như dữ liệu mới nhất hiện có cho các bộ thử nghiệm đó. Các phát hiện Blizzard 2023 về mức ngang bằng thống kê và MUSHRA đến từ phần tóm tắt bản tổng hợp do ban tổ chức công bố. Điểm Elo của Artificial Analysis thay đổi hằng ngày khi có thêm phiếu bầu và khoảng tin cậy của chúng chồng lấn trong toàn bộ top 10. Các ước tính quy mô thị trường mâu thuẫn nhau: Mordor Intelligence đặt năm 2025 ở 3,87 tỷ USD với CAGR 12,66% đến năm 2031, trong khi Research and Markets dự báo 9,3 tỷ USD vào năm 2030 với CAGR 13,4% từ mức cơ sở năm 2023 là 3,8 tỷ USD; khoảng chênh phản ánh các định nghĩa phạm vi khác nhau. Kết quả đầy đủ của bài kiểm tra nghe Blizzard 2025 và VoiceMOS Challenge tiếp theo là những dữ liệu mới chính được mong đợi.
Cập nhật lần cuối: ngày 3 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần làm mới tiếp theo dự kiến sẽ diễn ra khi kết quả VoiceMOS Challenge tiếp theo và bản phân tích đầy đủ bài kiểm tra nghe Blizzard Challenge 2025 được công bố.