tts-bench - ローカルでTTSモデルを比較するためのベンチマーク

• ローカルTTSモデル55種を、どのハードウェア上でも3つの観点から比較するオープンソースのベンチマーク
• Speed（速度）/Listen（聴取）/Scores（客観指標） の3つのレンズで構成され、CPU/CUDA/Apple Siliconで測定
  • Speedはコールド/ウォーム時の TTFA（最初の音声までの時間）、RTF（リアルタイム比の倍率）、メモリを測定
  • Listenはすべてのモデル・プロンプトをデフォルト音声＋クローン音声でインライン再生し、耳で直接モデルを選択
  • Scoresは UTMOS（自然さ）・WER（明瞭度）・SIM（クローン忠実度）をseed-tts-eval方式で採点
• インストールなしですべてのモデルを試聴できる Demosサイト を提供し、プロンプト別/モデル別に探索可能
• 55種のうち 41種が参照クリップによる音声クローン（voice cloning） に対応し、3種類の参照形式をサポート（wav単体 / wav + 文字起こし / HFゲート付きwav）
• 日本語は全55種がすべて対応しているわけではないが、Supertonic、VoxCPM、OmniVoice など多言語/日本語対応モデルが含まれる
  • ただし標準ベンチのプロンプトは英語/フランス語中心のため、日本語品質を確認するには、別途日本語文でListen/compareを実行して耳で確認するほうがよい
  • テスト結果では、上記のSupertonic、VoxCPM、OmniVoiceは十分聴ける品質を示した
• クローンA/B投票の上位 — OmniVoice（声色の一致が最上位、ただし単語のつぶれ/欠落の可能性あり）、Echo-TTS（同率1位級、44.1kHz）、IndexTTS-2（3位、イントネーションを維持）
• ベンチマークコードはMITライセンス、各TTSモデルには個別ライセンスが適用される