一位开发者在Linux.do论坛发布了对7款顶级开源与闭源TTS（文本转语音）模型的横向盲测结果。该评测采用盲测矩阵形式，让听者在不知晓模型来源的情况下对合成语音进行两两对比投票，并按AA Elo评分降序排列，以减少品牌偏好对评分的干扰，测试音色均选自各模型的精选音色。结果显示，闭源商业模型ElevenLabs与阿里通义千问系列的Qwen TTS在音质自然度和整体表现上处于第一梯队。同时，参与对比的多款开源模型也表现出较强竞争力，与闭源模型的差距正在缩小，部分场景下已能满足实际使用需求。在成本维度，作者指出Qwen TTS的实际使用成本并不高：由于其采用token计费方案，用户若已持有相关平台的订阅额度（token plan），综合调用成本可控制在较低水平，性价比优势明显。近年来TTS赛道竞争激烈，ElevenLabs长期被视为闭源语音合成的标杆，而以Qwen、Fish Speech、CosyVoice、IndexTTS等为代表的模型则不断刷新开源水准。此次社区盲测为开发者在语音Agent、有声书、配音等场景下的模型选型提供了第一手参考，也反映出语音合成领域开源与闭源模型的能力边界正日趋模糊。
事件分析
从评测方法看，盲测结合Elo评分是社区评估生成式模型主观质量的常用手段，能有效规避品牌效应与营销话术干扰，其结论比厂商自测更贴近真实听感体验，对模型选型具有实际参考价值。从竞争格局看，TTS市场正形成三方角力：以ElevenLabs为代表的闭源商业服务占据音质与情感表现高地；背靠大厂基础设施的Qwen等模型凭借token计费与云生态整合打性价比牌；开源模型则依靠可私有化部署、支持微调的优势，吸引对数据隐私和定制化有要求的团队。后续值得关注的方向包括：开源模型在情感表达、多语言混读、超长文本稳定性上的追赶速度；语音克隆的合规与声音版权治理进展；以及随着推理成本持续下降，语音交互能力在智能体、客服、教育等场景的规模化落地进程。
核心观点：TTS赛道呈闭源领跑、开源紧追格局，token计费推动成本骤降，语音交互正逼近规模化落地的临界点。
原文链接：Linux.do
评论前必须登录！
立即登录 注册