Emotional Text-to-Speech on ESD (English) benchmark leaderboard · SOTA2 Research

Emotional Text-to-Speech on ESD (English)

4.35SMOSCSP-FT

Evaluation Results

Method	Links
CSP-FT2025.01		4.35	—	—	—	—	—	—	—	4.4	4.42
Full FT2025.01		4.28	—	—	—	—	—	—	—	3.45	4.45
CSP-FT2025.01		4.18	—	—	—	—	—	—	—	4.15	4.28
Full FT2025.01		4.15	—	—	—	—	—	—	—	2.85	4.3
LoRA FT2025.01		4.15	—	—	—	—	—	—	—	3.95	4.25
LoRA FT2025.01		4.08	—	—	—	—	—	—	—	3.12	4.15
CSP-FT2025.01		3.95	—	—	—	—	—	—	—	4.2	4.12
Origin2025.01		3.95	—	—	—	—	—	—	—	4.35	3.88
Full FT2025.01		3.92	—	—	—	—	—	—	—	3.85	4.05
LoRA FT2025.01		3.85	—	—	—	—	—	—	—	3.8	3.95
Origin2025.01		3.8	—	—	—	—	—	—	—	4.25	3.75
Origin2025.01		3.65	—	—	—	—	—	—	—	4.12	3.52
CSP-FT2025.01		3.61	—	—	—	—	—	—	—	4.02	3.78
Full FT2025.01		3.55	—	—	—	—	—	—	—	3.52	3.82
LoRA FT2025.01		3.48	—	—	—	—	—	—	—	3.25	3.75
Origin2025.01		3.12	—	—	—	—	—	—	—	4.15	3.35
CosyVoice22026.01		—	1.411	—	3.605	0.402	4.535	3.316	0.831	—	—
CosyVoice22026.01		—	1.522	—	3.465	0.453	4.33	3.271	0.303	—	—
F5TTS2026.01		—	2.632	—	3.674	0.353	4.427	3.33	0.832	—	—
IndexTTS22026.01		—	2.454	—	3.871	0.457	4.465	3.304	0.861	—	—
IndexTTS22026.01		—	2.246	—	3.543	0.424	4.299	3.216	0.525	—	—
MaskGCT2026.01		—	3.52	—	3.829	0.347	4.475	3.275	0.854	—	—
Segment-Aware Conditioning2026.01		—	2.519	—	3.925	0.485	4.706	3.395	0.837	—	—
Segment-Aware Conditioning2026.01		—	3.038	—	3.694	0.462	4.569	3.335	0.433	—	—
SparkTTS2026.01		—	2.433	—	3.456	0.358	4.494	3.404	0.849	—	—