大语言模型、生图模型、视频生成模型的测评 benchmarks 我们都做过了，还差语音生成模型和语音解析模型，这块基本补全。这次先把语音生成的部分补上——同样是 6 个 cases，从不同维度来测评每个语音生成模型的能力。第一个上刀的是豆包最新的豆包 TTS 2.0。完整题面和后续模型的横向对比，可以看语音合成模型测评专页。

第一题：克隆音色与参考音频一致性。 先放我的原音频，再放克隆后读同一段文字的效果——说实话，基本听不出和原音频有什么差别，挺棒的。唯一的瑕疵在英文术语上：「O4 Mini」被念成了「O4 命令」。

第二题：复杂符号、歧义数字与技术格式识别。 整体不错，但有两个小问题：一是「订阅费 3.45」前面的「元」符号没有生成；二是「速度 90 tokens」念成了 token 每秒之外的意思，单位不对。

第三题：多音字、生僻古音与轻声儿化。 这道题翻车比较明显，一共有 6 个地方读错了，大家可以对着题面认真对一对。

第四题：跨语言切换与外来人名。 英文人名读错了，中英日切换和英文长句的其他部分都还好。

第五题：音效标记控制。 这个模型的控制词格式是这样的，但非常不稳定——有时这个识别不出来，有时又另外一个识别不出来，总体属于「不稳定」。这一次生成出来的还算是最好的一次。

第六题：粤语方言。 读音和声调不正确的有 4 处，懂粤语的同学也可以帮忙验证一下。

这次测评就到这里。豆包 TTS 2.0 的克隆音色能力确实很强，复杂符号的底子也不错，但在生僻字、跨语言人名、音效标记的稳定性上还有明显短板——整体是「能用，但要挑场景」。大家对这个模型怎么看？