企业官网建设流程全解析

三大基准深度解读：Raon-OpenTTS-1B凭什么以1.78% WER登顶零样本TTS榜单？

【免费下载链接】Raon-OpenTTS-1B项目地址: https://ai.gitcode.com/hf_mirrors/KRAFTON/Raon-OpenTTS-1B

Raon-OpenTTS-1B 是一款完全开源（开放权重 + 开放数据）的 10 亿参数零样本 TTS（文字转语音）模型。它在三大基准中以 1.78% 的 WER（词错误率）和 0.749 的说话人相似度领跑开源阵营，性能比肩用数百万小时私有数据训练的闭源 SOTA。本文带你逐张榜单拆解，并讲清它凭什么这么强。

一、30秒入门：什么是零样本 TTS？

一句话理解：给几秒钟的参考人声，模型就能立刻用这个人的音色朗读任意文本，无需任何训练。

• 零样本声音克隆：模型从参考音频中直接"学会"目标音色，换个句子照样说得像；
• WER（词错误率）：合成语音念错的词占比，越低越好，相当于"朗读准确率"考试；
• SIM（说话人相似度）：生成语音与参考语音的音色接近度，越高越好。

这两个指标一起回答核心问题：读得准不准？像不像那个人？

二、Seed-TTS-Eval：1.78% WER，开源模型第一 🏆

Seed-TTS-Eval 是目前公认的零样本 TTS 标准考卷。关键成绩如下（完整数据见 README.md）：

三个看点：

1. WER 1.78% 位列全部开源数据模型第一，仅次于 Qwen3-TTS（1.46%），明显领先 F5-TTS 同门（2.04%）与 VoxCPM（1.98%）；
2. SIM 0.749 超越所有开源模型，仅与闭源标杆 Seed-TTS（0.762）相差一线；
3. 小一号的 0.3B 版本也有 1.95% WER，说明这套开放数据的质量足够稳定。

三、CV3-Eval：难例集 3.92% WER，4项指标拿下3个第一 📊

CV3-Eval 更"刁钻"——它的 CV3-Hard-EN 子集专门用高难度内容给模型上压力：

• 难例集 WER6.15% 全场第一，比 CosyVoice 3（10.77%）低 43%；
• 音色相似度 0.775大幅领先（第二名 0.740）；
• 感知质量 DNSMOS 3.85 与头部模型基本持平。

越难的题分数越高——这就是"登顶"的底气。

四、Raon-OpenTTS-Eval：嘈杂环境 2.81%，综合最稳 💪

这是 KRAFTON 自建的"真实世界压力测试"：覆盖 Clean / Noisy / Wild / Expressive 四大声学场景，12 个数据集、6000 组参考音频+文本配对，专治"参考音频带噪音、带情绪"这类棘手情况：

重点看 "Wild"（野外/无控制）一列：F5-TTS 的 WER 飙到 136%，而 Raon-OpenTTS-1B 稳在 5.61%。12 个分项中拿下 9 项第一——这是"跨声学条件稳健"最硬的证据。

五、凭什么这么强？三个核心原因 🧠

510K 小时开放训练数据：训练自 Raon-OpenTTS-Core 数据集（从 615K 小时、11 个英文语音数据集的 Pool 中，用 DNSMOS 音质 + WER + VAD 三重排名筛选而来）。"吃得好"是第一前提。

F5-TTS 的 DiT 架构：1B 参数的 Diffusion Transformer（扩散 Transformer + 流匹配），核心超参如 dim=1408、depth=28、heads=24 等记录在 config.yaml 中，在零样本语音合成上效率出色。

大规模训练：48 张 NVIDIA B200 GPU、520K 更新步数、AdamW 优化器（峰值学习率 1e-4、50K 步预热、线性衰减），对应的权重文件即 model_520000.pt（520K 步检查点）。

六、模型文件速览 📁

⚠️许可提醒：模型以 CC BY-NC 4.0 协议发布，仅限非商业用途。

七、总结 ✅

• 准确率：Seed-TTS-Eval WER 1.78%，开源模型第一；
• 克隆度：三大基准综合 SIM 第一，CV3-Hard 音色相似度 0.775 大幅领先；
• 鲁棒性：Raon-OpenTTS-Eval 综合 WER 2.81%，嘈杂/野外环境依然第一；
• 全开放：权重与 510K 小时训练数据均公开，可复现 TTS 研究。

如果你正在找一个"拿来就能用"的零样本语音合成方案，Raon-OpenTTS-1B 是当下最稳的开源选择之一。

【免费下载链接】Raon-OpenTTS-1B项目地址: https://ai.gitcode.com/hf_mirrors/KRAFTON/Raon-OpenTTS-1B