Hugging Faceが多言語TTSと声のクローンを測るOpen TTS Leaderboardを公開し、音声生成の評価軸が整い始めた。
何が起きたか
Hugging Faceが、多言語の音声合成と音声クローンを大規模に評価するOpen TTS Leaderboardを紹介した。同時期にarXivでは、感情音声生成のEmoRES-TTSや、枝刈りした音声LLMの公平性を扱う論文も出ている。
なぜ重要か
TTSは品質の比較基準が分かれがちで、共通のリーダーボードは選定の目安になる。一方で感情表現や公平性といった指標がどこまで評価に含まれるかは、現時点では確認できていない。
次に何を見るか
リーダーボードに載るモデルの顔ぶれと評価指標の範囲、研究が指摘する公平性の差が評価に反映されるかを見たい。