核心论断：TTS（文字转语音）与 SVS（歌声合成）是两条平行赛道，评估体系和最优模型均不同。不了解这一边界，选错工具事倍功半。MiniMax Speech-02-HD 是目前 TTS 领域 ELO 第一，但它做不了歌声；歌声生成需要 Suno、Udio 或 ACE-Step 这类专用架构。
随着 2026 年 AI 语音合成进入爆发期，市场上涌现出数十个 TTS 和歌声生成产品，但评估标准极度分散——有人用 MOS，有人用 PESQ，有人只看 ELO 排行榜，有人用 WER 衡量可懂度。不同指标适用不同场景，盲目套用会得出错误结论。
本研报从评估体系、歌声生成主流方案、TTS 评估工具三个公开维度展开，Pro 部分深入落地建议、MiniMax Speech-02-HD 对比矩阵与开源/商用综合推荐。
§1
声音质量评估模型与指标体系
主观 / 有参考客观 / 无参考客观三大类，覆盖 MOS、PESQ、UTMOS 等 6 个核心指标
1.1 主观评估方法
主观评估仍是语音质量评估的"金标准"，三种主流方式各有适用场景：
| 指标 | 说明 | 优缺点 |
|---|---|---|
| MOS（Mean Opinion Score） | 人工评分 1-5 分，覆盖自然度、可懂度、整体印象 | 准确但昂贵、耗时、不可复现；众包评估质量参差 |
| MUSHRA | 多刺激隐藏参考锚点测试，评分 0-100 | 更精细，适合专业评估；需有参考音频，成本高 |
| AB Test / ELO | 盲听对比，如 Artificial Analysis Speech Arena[1] | 消除偏见，样本量大时结论可靠；需大量评测样本 |
1.2 客观评估（有参考音频）
需要提供原始"干净"参考音频，适合编解码器和语音增强场景：
| 工具 | 说明 | 适用场景 |
|---|---|---|
| PESQ（ITU-T P.862） | 感知语音质量评估，需要原始参考音频，输出 -0.5~4.5 分 | 语音编解码器、VoIP 质量测试 |
| POLQA（ITU-T P.863） | PESQ 升级版，支持超宽带和全频带，相关性更高 | 高保真语音评估、5G 音频 |
| ESTOI | 扩展短时客观可懂度，衡量语音被理解的程度 | 语音增强、降噪系统 |
| SpeechBERTScore | 基于 BERT 表征的语音相似度，对语义保持度敏感 | 语音合成内容准确性评估 |
1.3 客观评估（无参考音频）— 重点推荐
无需原始参考音频，直接对合成语音打分，是 TTS 评估中最实用的一类：[5][6]
| 工具 | 说明 | 适用场景 |
|---|---|---|
| UTMOS | 基于 SSL（自监督学习）的 MOS 预测模型，使用 BLSTM + 对比学习，与人类评分高度相关[5] | TTS/语音合成/编解码器日常评估首选 |
| DNSMOS | 微软深度噪声抑制 MOS 预测，输出 SIG/BAK/OVRL 三维分数 | 语音增强/降噪系统监控 |
| NISQA | 非侵入式语音质量评估，支持流式实时输出 | 实时通信质量监控（RTC） |
| SCOREQ | 2026 最新评估模型，兼顾主观相关性与鲁棒性[6] | ICASSP 2026 挑战赛官方指标 |
1.4 推荐评估组合
快速评估
UTMOS（无参考 MOS 预测）+ WER（词错率，衡量可懂度）
适合日常 CI/CD 集成，5 分钟内出结果
严格评估
PESQ/POLQA（有参考）+ UTMOS（无参考）+ 人工 MOS
适合模型发布前的基准测试
生产监控
DNSMOS + NISQA 实时打分，接入告警系统
适合在线服务质量回归检测
§2
歌声生成（SVS）主流模型
商用端到端方案 vs 开源可本地部署方案，2026 年格局全览
2.1 商用方案对比
端到端歌曲生成领域已形成三强格局，各有差异化定位：[7]
| 模型 | 公司 | 核心特点 | 声乐质量 |
|---|---|---|---|
| Suno v5 | Suno | 最佳综合体验，一句描述生成完整歌曲（前奏/主歌/副歌/间奏） | 表现力强，但偶有"AI 感" |
| Udio | Udio（前 Spotify AI 团队） | 专业制作人首选，音频保真度最高，支持分轨导出 | 最接近真实人声的 AI 歌声 |
| MiniMax Music 2.5 | MiniMax | 2026 最逼真 AI 歌声，自然颤音 + 情感动态，支持中文 | 自然度第一，颤音控制细腻 |
| Mureka | — | 歌词优先生成流程，适合词曲人快速验证 | 中等水平 |
| Google Lyria 3 Pro | Google DeepMind | 高保真长曲目，支持分段结构（前奏/副歌/桥段）[7] | 高保真，适合长编曲 |
2.2 开源方案对比
开源 SVS 生态在 2025-2026 年快速成熟，本地部署门槛大幅降低：[8]
| 模型 | 核心特点 | 适用场景 |
|---|---|---|
| ACE-Step 1.5 | 本地运行，多项指标超越 Suno，使用合规训练数据，Apache 2.0 协议 | 本地部署首选，商业可用 |
| DiffSinger | 浅扩散机制 SVS，支持自训声库，社区活跃[7] | 自定义声库训练 |
| SoulX-Singer | 4.2 万小时训练数据，支持中英粤三语，MIDI 条件生成 | 中文歌声最优开源方案 |
| NNSVS (Sinsy) | 10 年历史，从 HMM 到 DNN 持续迭代，文档完善 | 学术研究、低资源场景 |
| CosyVoice2 | 阿里通义出品，150ms 流式延迟，MOS 5.53，可加颤音后处理 | TTS 转歌声过渡方案 |
| Fish Speech V1.5 | 高质量零样本 TTS，声音克隆效果佳 | 零样本声音克隆 |
| IndexTTS-2 | 时长精确控制 + 情感/音色解耦架构 | 精细化情感控制 |
2.3 2026 年格局小结
端到端歌曲生成
- 1st: Suno v5
- 2nd: Udio
- 3rd: MiniMax Music 2.5
纯歌声合成（SVS）
- 1st: SoulX-Singer（中文）
- 2nd: DiffSinger
- 3rd: NNSVS
开源本地部署
- 1st: ACE-Step 1.5
- 2nd: DiffSinger
- 3rd: NNSVS
关键边界：TTS 模型（MiniMax Speech-02-HD / ElevenLabs / OpenAI TTS）无法生成歌声。歌声合成（SVS）和端到端音乐生成（Suno/Udio）是独立赛道，评估指标、训练数据、模型架构三者均不同。[7]
§3
TTS 音色评估指标与工具平台
从自然度到延迟，六大评估维度 + 六个主流工具平台
3.1 六大评估维度
| 维度 | 说明 | 主要指标 |
|---|---|---|
| 自然度 | 多像真人说话？韵律、音调是否流畅 | MOS / UTMOS |
| 可懂度 | 听清了吗？每个字能否被正确识别 | WER（词错率）/ CER（字错率） |
| 情感表达 | 有没有情绪？高兴/悲伤/愤怒能否区分 | 情感分类准确率 / EQ 评分 |
| 韵律 | 节奏对吗？停顿、重音是否符合语言习惯 | F0 相关性 / 时长误差 |
| 音色相似度 | 声音克隆时像不像原声？ | Speaker Embedding Cosine（WavLM/CAM++） |
| 延迟 | 多快出声？对实时对话场景至关重要 | TTFB（首字节时间）/ TTFA（首音帧时间） |
3.2 主要评估工具与平台
- Artificial Analysis Speech Arena众包盲听 ELO 排名，目前最权威的 TTS 横向对比平台，覆盖 20+ 商用模型，MiniMax Speech-02-HD 当前排名第一。[1]
- Hugging Face TTS Arena开源社区驱动的 TTS 对比平台，侧重开源模型，覆盖 Fish Speech、CosyVoice2 等国内外模型。
- MAMBA Benchmark真实生产条件评估（非理想 demo 条件），包含噪声环境、电话通道、长文本等挑战场景，更贴近落地实际。
- SpeechEval / AudioBox歌曲和音乐生成专用评估框架，支持音调准确性、节拍同步、和声质量等音乐特有维度。
- pesq / speechmetrics Python 库PESQ 的官方 Python 实现；
speechmetrics集成 PESQ/STOI/SRMR，一行代码完成多维评估，适合批量自动化测试。 - UTMOS（Hugging Face 模型）sarulab-speech/UTMOS，无需参考音频，直接输出 MOS 预测分数，与人工评分相关系数 >0.95，是 TTS 开发者最常用的自动化评估工具。[5]