Artificial Analysis 发布 TTS 发音鲁棒性基准

9 月 22 日,Artificial Analysis 发布全新的 TTS 发音鲁棒性(Pronunciation Robustness)基准,由人类评审标注英文片段发音是否正确,共 454 句、701 个目标词,覆盖四类挑战:语境相关读音、缩写展开、精确序列保留与独立术语,并同步上线整合偏好、速度、价格与发音指标的 TTS 模型横向对比页。

已确认

• Gemini 3.1 Flash 以 88.1% 的发音准确率居首,在语境相关读音(96.4%)和缩写展开(84.4%)两个分项也领先,但缩写展开仅比 SpaceXAI TTS 高 0.1 个百分点
• 价格维度:Gemini 3.1 Flash 每百万字符 $18.31;SpaceXAI TTS 定价 $15,是 80% 分以上最便宜的模型;Kokoro 仅 $0.65,为全场最便宜
• 速度维度:SpaceXAI TTS 以每秒 106 字符达到 87.6%;Realtime TTS-2 Flash 速度 220 字符/秒但准确率仅 77.8%;Kokoro 最快但仅 55.5%
• 分项中「精确序列保留」差距最大,各模型成绩从 5.3% 到 85.7% 不等
• 偏好与发音并不同步:Sonic 3.6 在 Provider Voice Arena 拥有最高 Elo(1276),但发音鲁棒性仅 74.5%;Gemini 3.1 Flash 的 Elo 为 1201
• 该机构后续在 TTS 全榜页面发布的结果中,以 xAI 87.6% 的发音准确率居首,与最初公布的 Gemini 88.1% 榜单口径存在出入

为什么重要

偏好类 Elo 榜只能反映「听感」,无法暴露读错缩写、专名等硬伤;发音鲁棒性基准为客服、有声书等对准确性敏感的场景提供了新的选型依据,且结合价格与速度数据可直接做性价比权衡。

2026-09-22 ~ 2026-09-22 · 6 条相关

• 【源头】TTS 发音鲁棒性新基准:Gemini 3.1 Flash 以 88.1% 居首 — ArtificialAnlys · 2026-09-22
• 【源头】TTS 分项成绩:精确序列类差距最大,模型间从 5.3% 到 85.7% — ArtificialAnlys · 2026-09-22
• 发音基准 vs 偏好榜:Sonic 3.6 Elo 第一但发音仅 74.5% — ArtificialAnlys · 2026-09-22
• 【源头】Artificial Analysis 发布 TTS 全榜:xAI 87.6% 发音准确率居首 — ArtificialAnlys · 2026-09-22
• TTS 发音基准价格账:Gemini 88.1% 卖 $18.31,Kokoro $0.65 最便宜 — ArtificialAnlys · 2026-09-22
• TTS 速度对比:SpaceXAI 每秒 106 字符达 87.6%,Kokoro 最快仅 55.5% — ArtificialAnlys · 2026-09-22