Open TTS Leaderboard inclui modelos de 31M e 35B e a métrica UTMOS

O que aconteceu e o que fazer

O Open TTS Leaderboard, em atualização publicada em 23/10/2026, passou a incluir dois modelos de síntese de voz abertos de tamanhos muito diferentes: o phonon, com 31M de parâmetros, da Gradium, e o Drama-3, com 35B, da FishAudio. Nos resultados divulgados, o WER em inglês ficou próximo, com 1,08 para o modelo pequeno e 1,19 para o grande. A atualização também incorporou a métrica UTMOS, que avalia a naturalidade da saída em inglês.

Para uma empresa que pretende usar voz sintética em atendimento, locução ou produtos digitais, o caso mostra que tamanho do modelo e qualidade percebida nem sempre andam juntos, mas que essa comparação precisa ser feita com o próprio conteúdo. Uma implementação prática seria um harness de avaliação que rode candidatos TTS sobre textos reais do cliente, medindo WER, UTMOS e latência em hardware próprio, com inferência privada para não expor dados de voz. Esse harness pode virar um pipeline de monitoramento que reavalia o modelo em produção quando surgirem novas versões.

Como a consultoria pode ajudar

Diagnóstico de onde a síntese de voz entra no processo do cliente e quais critérios de qualidade, custo e latência importam. Em seguida, implementação de um pipeline de avaliação comparativa de modelos TTS abertos sobre amostras do próprio negócio, com inferência privada e painel de acompanhamento.

Próximo passo

Se sua empresa avalia ou já usa voz sintética, envie uma descrição curta do caso, com o volume de áudio, o idioma e o ambiente de hospedagem atual. Respondemos com uma proposta escopada para diagnóstico e implementação.