Artificial Analysis: Qwen-Audio-3.1-TTS-Plus prowadzi w syntezie mowy po amerykańsku, a HeyGen Voice — po brytyjsku i w klasyfikacji ogólnej

Artificial Analysis informuje, że w jego Controlled Voice Arena, gdzie każdy model syntezy mowy jest oceniany na podstawie tych samych ośmiu sklonowanych głosów (czterech amerykańskich i czterech brytyjskich), Qwen-Audio-3.1-TTS-Plus prowadzi w rankingu dla amerykańskiej odmiany angielskiego, a HeyGen Voice wypada lepiej w brytyjskiej odmianie i prowadzi w klasyfikacji ogólnej.

Według raportu 12 z 49 modeli wykazuje statystycznie istotne różnice między amerykańską a brytyjską odmianą angielskiego (przedziały ufności się nie pokrywają): siedem wypada lepiej po amerykańsku, a pięć — po brytyjsku. Średnia różnica dla wszystkich modeli wynosi 7 punktów Elo, co zdaniem Artificial Analysis oznacza brak wyraźnej ogólnej stronniczości wobec akcentu. Największe różnice:

• Lightning V3.1 Pro: o 94 punkty Elo więcej po amerykańsku
• Qwen-Audio-3.1-TTS-Plus: o 66 punktów więcej po amerykańsku
• Soniox TTS Real-Time v2: o 51 punktów więcej po brytyjsku
• Speech 2.8 Turbo: o 49 punktów więcej po brytyjsku

Artificial Analysis zaleca ocenianie modelu mowy pod kątem akcentu wymaganego w danym zastosowaniu, zamiast polegania na rankingu ogólnym. Rankingi są opracowaniem Artificial Analysis.