arXiv cs.CL· S\'everin Baroudi, Yanis Labrak, Petr Motlicek, Herv\'e Bredin, Ricard Marxer·· 11 小时前AI 评分38
超越基准测试：Qwen3-TTS 的条件控制、领域表现与失败模式
Beyond the Benchmark: Conditioning, Domains and Failure Modes of Qwen3-TTS
AI 导读
研究系统评测了 Qwen3-TTS 的两种克隆接口 ICL 与 X-Vector，在朗读、会议、情感和空管语音上对比 Chatterbox、XTTS-v2 和 F5-TTS。
正文 · AI 翻译
摘要：Qwen3-TTS 报告了最先进的零样本语音克隆，但其技术报告未说明模型应如何被条件化、在朗读语音之外表现如何以及如何失效。我们刻画了其两种克隆接口——上下文学习（ICL）和 X-Vector——并在朗读、会议、情感和空中交通管制（ATC）语音上，与 Chatterbox、XTTS-v2 和 F5-TTS 进行对比，使用十八项客观指标、一个 LLM 评判器、一个欺骗性反制措施和一项听测。两种接口均不占主导：ICL 从正确转写的参考中更接近地克隆音色，X-Vector 克隆时序，而当短参考转写有误时 ICL 急剧退化。领域解释的方差是系统选择的四倍。Qwen3-TTS 在可懂度和音高音域上领先，但在韵律上落后，且客观指标对系统的排序与听者不同。一个现成的反制措施标记其克隆的频率并不高于真实录音，而在 ATC 无线电上它对所有系统均失效。代码和音频已发布。
| 主题： | 声音（cs.SD）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.23678 [cs.SD] |
| （或 arXiv:2610.23678v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23678 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yanis Labrak [查看电子邮件]
[v1]
2026年10月16日星期五 16:09:20 UTC（3,446 KB）
来源：arXiv cs.CL · arxiv.org