SuaraSutra — komparasi VITS2

Spektral = kemiripan warna suara (timbre) terhadap rekaman Bhante; melodi = kemiripan kontur nada; register = beda tinggi nada rata-rata dalam seminada (makin kecil makin mirip). Halaman ini menampilkan kondisi terkini, bukan yang terbaik — mutu training adversarial memang berayun, jadi angkanya wajar naik-turun. Yang terbaik selalu disimpan terpisah. Perbandingan lama terhadap Tacotron2 masih bisa dilihat di taco.html.

Skor = spektral + ½·melodi − 3·|register| − 40·|meleset tempo| (tempo = seberapa jauh durasi baca menyimpang dari rekaman asli; ditambahkan setelah terdengar checkpoint tertentu membaca terburu-buru). Skor bertanda * berasal dari era SEBELUM komponen tempo ada (tempo "—") — angkanya lebih tinggi ±3-4 poin dan TIDAK sebanding langsung dengan skor baru. Baris ★ menampilkan median terverifikasi juara sepanjang masa (rumus baru) — itulah angka resmi yang harus dilampaui. Baris ☆ menampilkan juara TERVERIFIKASI untuk run yang sedang jalan saja (belum tentu rekor sepanjang masa). Tabel ini angka MENTAH (satu kali render per checkpoint) supaya ayunan sungguhan kelihatan jujur — dan memang berayun, sebagian karena inferensi VITS bersifat stokastik (checkpoint yang sama persis bisa memberi skor beda tiap dirender ulang). Baris ★ adalah juara TERVERIFIKASI: sebelum dinobatkan, checkpoint itu dirender ulang 3 kali dan diambil nilai TENGAHnya (median) — bukan skor tertinggi (itu akan bias ke checkpoint yang paling sering dicoba, bukan yang benar-benar terbaik) dan bukan pula skor tunggal di baris ini (bisa jadi sekadar sekali render mujur). Bukan berdasarkan yang terbaru atau label “best model” dari Coqui (yang dihitung dari loss dan terbukti buta terhadap register dan timbre).