Enver KOÇAK
Hugging Face, 30 Eylül 2026’da metinden sese (TTS) ve ses klonlama modelleri için yeni bir sıralama tablosu duyurdu: Open TTS Leaderboard. Tablo, açık kaynaklı ve çok dilli sistemlere odaklanıyor. Dinleyici oylarına dayanan arena tarzı tabloların aksine nesnel ölçütler kullanıyor.
Yazarlar bu yaklaşımın büyük bir avantajını öne çıkarıyor: Bir modeli değerlendirmek, oy toplamak için gereken birkaç haftadan birkaç saate iniyor.
Ne Değişti?
Bugüne kadar TTS modellerini karşılaştırmanın en yaygın yolu, dinleyicilerin iki sesi kıyasladığı arenalardı. Hugging Face, Open TTS Leaderboard’u bu arenaların yerine değil, tamamlayıcısı olarak konumlandırıyor. Yazarlar, son kararın hâlâ insan tercihinde olduğunu ve tablonun doğallık, ifade gücü ya da dinleyici beğenisini doğrudan ölçmediğini açıkça belirtiyor.
Açık modellerin arenalarda az temsil edildiği de bir gerekçe olarak anılıyor. Yazıya göre Artificial Analysis’teki 92 modelden yalnızca 16’sı açık ağırlıklı.
Neler Ölçülüyor?
Tablo üç ana ölçüt kullanıyor. Birincisi anlaşılabilirlik: Üretilen ses Qwen3 ASR ile yazıya dökülüyor ve metinle karşılaştırılarak kelime ya da karakter hata oranı hesaplanıyor. Çince, Japonca ve Korece gibi karakter tabanlı dillerde karakter hata oranı kullanılıyor.
İkincisi hız. Toplu çevrimdışı üretimde gerçek zamana göre hız, akış modunda ise ilk sesin gelme süresi ölçülüyor. Ölçümler H200 GPU’da ve işlemcide yapılıyor. Akış testinde her model aynı 50 İngilizce komutu sırayla okuyor, ilk üç koşu ısınma sayılıp atılıyor ve kalanların ortancası raporlanıyor.
Üçüncüsü konuşmacı benzerliği. Ses klonlama açıkken, üretilen ses ile referans kayıt arasındaki benzerlik WavLM temsilleriyle hesaplanıyor. İngilizce sıralama Seed TTS Eval ve CV3 Eval verileriyle yapılıyor, diğer diller CV3 Eval üzerinden puanlanıyor.
Öne Çıkan Modeller
İngilizce hata oranında Kokoro-82M, Supertone’un supertonic-3 modeli ve fishaudio’nun s2-pro modeli önde. Çok dilli kategoride OmniVoice, s2-pro ve Fun-CosyVoice3-0.5B öne çıkıyor. Referans ses verildiğinde higgs-tts-3-4b ve VoxCPM2 daha iyi sonuç veriyor. Akış tarafında kyutai’nin pocket-tts modeli hem GPU’da hem işlemcide güçlü bulunuyor.
Tabloda ayrıca bir dinleme sekmesi var. Kullanıcılar farklı modellerin çıktılarını yan yana dinleyip geri bildirim verebiliyor. Spam ve botları önlemek için Hugging Face hesabıyla giriş yapmak gerekiyor.
Tablonun bir diğer güçlü yanı ödünleşimleri görünür kılması. Pareto grafikleri, hata oranı, hız ve model boyutu arasındaki dengeyi tek bakışta gösteriyor. Örneğin çok küçük bir model düşük hata oranıyla üst sıralarda yer alabilirken, ses klonlamada daha büyük modeller öne geçebiliyor. Bu da tek bir puan yerine kullanım senaryosuna göre seçim yapmayı kolaylaştırıyor.
Kimi İlgilendiriyor?
Tablo, sesli asistan, sesli kitap, çağrı merkezi ya da erişilebilirlik uygulaması geliştirip açık bir TTS modeli seçmek isteyen ekipler için pratik bir başlangıç noktası. Doğruluk, hız ve model boyutu arasındaki ödünleşimi gösteren grafikler, özellikle işlemcide çalışacak hafif modeller arayanlar için faydalı.
Değerlendirme betiklerinin, Open ASR Leaderboard deposu örnek alınarak yakında açık kaynak yapılacağı duyuruldu. Böylece topluluk, GitHub üzerinden düzeltme ve öneri gönderebilecek.
Türkiye’den Kullanıcılar İçin
Kaynak, Türkçe için ayrı bir sıralama olup olmadığını belirtmiyor. Türkçe ses uygulaması geliştirenler, tabloyu genel bir ön eleme aracı olarak kullanıp aday modelleri kendi Türkçe metinleriyle ayrıca test etmeli. Hata oranı düşük bir model bile Türkçe vurgu ve tonlamada farklı sonuç verebilir.
Kaynaklar
Bu yazı, yukarıdaki kaynaklardan yapay zekâ yardımıyla Türkçe olarak derlenmiş bir özettir. Ayrıntılar ve resmi bilgi için kaynaklara başvurun.
