返回全部资讯
Artificial Analysis (@ArtificialAnlys)T1·开发与工程

Artificial Analysis 新增语音首字延迟基准 最快 76 毫秒

原标题:Announcing Artificial Analysis Time to First Audio, measuring how quickly Text to Speech models star...
62AI 研判分

Artificial Analysis 推出 Time to First Audio 指标,衡量 TTS 模型从输入到发出可听语音的等待时长,填补其语音基准中响应延迟的空白。测试显示前沿模型首音延迟从 76 毫秒到近 1 秒不等,流式与非流式模型的中位数分别为 376 毫秒和 2.0 秒,流式架构成为响应体验的分水岭。

报道正文

Artificial Analysis (@ArtificialAnlys) · 2026-11-16 17

宣布推出 Artificial Analysis 首个音频延迟(Time to First Audio)指标,用于衡量文本转语音(Text to Speech)模型开始发声的速度。在领先的模型中,等待时间从 76 毫秒到接近 1 秒不等。

我们的文本转语音基准测试已覆盖质量、发音和生成速度,但尚未涵盖用户等待听到第一个声音的时间——而这个数字决定了语音智能体是否让人感觉响应及时。我们每天在相同的 12 条提示词、四种输入长度下对每个模型进行测量,计时的是可听见的语音而非首个字节,并报告滚动 7 天均值。

关键结果:

➤ 前沿模型中最快:@SpeechifyAI 的 Simba 3.5 在 116 毫秒内开始发声——在所有 200 毫秒内开始发声的模型中 Arena Elo 最高。@InworldAI 的 Realtime TTS-2 以 186 毫秒紧随其后。

➤ Turbo 变体名副其实:@ElevenLabs 的 Eleven v4 Turbo 在 258 毫秒内开始发声,而 Eleven v4 为 653 毫秒,两者 Arena Elo 相同。@FishAudio 的 Fish Audio Drama 3 以 258 毫秒与之持平,@cartesia 的 Sonic 3.6 为 287 毫秒。

➤ 流式与否是分水岭:65 个流式模型通常在几百毫秒内开始发声,中位数为 376 毫秒。20 个非流式模型必须先完成生成才能返回任何内容:中位数为 2.0 秒。

更多详情见下方 ⬇️

推文配图