Artificial Analysis 推出 TTS 首音延迟基准:最快 76ms,流式中位 376ms
ArtificialAnlys · x · 2026-11-17
- Artificial Analysis 发布新基准 Time to First Audio,衡量 TTS 模型从接收到开始发声的等待时间——决定语音 agent 是否「感觉响应快」的关键指标。测试每天用固定 12 条 prompt、4 种输入长度,计量可听到的语音而非首字节,取 7 天滚动均值。
- 主要结论:
- 领先模型的首音延迟从 76 ms(SuperTone Gradium)到近 1 秒(Gemini 3 Flash TTS 960 ms)不等。
- 流式是分水岭:65 个流式模型中位 376 ms;20 个非流式模型必须生成完毕才返回,中位 2.0 秒。
- Speechify Simba 3.5 首音 116 ms,是 200 ms 内 Arena Elo 最高的模型;Inworld Realtime TTS-2 为 186 ms。
- Turbo 版名副其实:ElevenLabs v4 Turbo 258 ms 对比 v4 的 653 ms,质量(Elo)相同;Fish Audio Drama 3 也是 258 ms,Cartesia Sonic 3.6 为 287 ms。
- Eleven v4 Turbo 与 Simba 3.5 位于「质量-首音延迟」的 Pareto 前沿。
所属事件:Artificial Analysis 推出 TTS 首音延迟基准,最快 76ms(4 条相关)→
「模型」频道最新
- Fable 5.2 被疑「背题」:解开 MazeBench 旧版关卡后被更新难倒 — aiamblichus · 2026-11-17
- OpenAI 将向全球 20 万科学家免费开放前沿模型 — OpenAI · 2026-11-17
- Claude 隐身模式仍能读你 Gmail,学者批 UX 语义误导 — Afinetheorem · 2026-11-17
- AI改写滥用连接词:每千词 though 出现 0.89 次,人类仅 0.18 次 — rseroter · 2026-11-17
- 博主盲测:Hy4 Flash 网页生成体验胜过 Claude Haiku 5.5 — gnukeith · 2026-11-17
- vLLM 发布 DeepSeek V4.1 Flash 在 Vera Rubin NVL72 首批推理成绩 — vllm_project · 2026-11-17