主要来源Artificial Analysis
查看原文事件专题 ·单一信源
Artificial Analysis 推出 TTFA 基准:衡量 TTS 模型首声延迟,最快 76 ms
Artificial Analysis 发布 Time to First Audio(TTFA)基准,专门测量 Text to Speech 模型从请求到用户实际听到声音的延迟。测试每天在相同的 12 条提示、四种输入长度上运行,计时的是可听语音而非首个字节,并报告 7 天滚动均值。目前领先模型的等待时间从 76 ms 到近 1 秒不等。 具体成绩方面,Speechify 的 Simba 3.5 首声延迟 116 ms,是 200 ms 内起播模型中 Arena Elo 最高的;Inworld 的 Realtime TTS-2 以 186 ms 紧随其后。ElevenLabs 的 Eleven v4 Turbo 为 258 ms,而同 Elo 的 Eleven v4 需要 653 ms;Fish Audio Drama 3 同为 258 ms,Cartesia 的 Sonic 3.6 为 287 ms。 基准还揭示了一个关键分水岭:65 个支持流式输出的模型通常几百毫秒内起播,中位数 376 ms;20 个非流式模型必须完成全部生成才能返回,中位数达 2.0 秒。对于语音智能体开发者来说,流式 TTS 是实现实时对话体感的前提。
当前结论
做语音智能体的朋友看这个。Artificial Analysis 新出了 TTFA 基准,专门测 TTS 首声延迟:Simba 3.5 只要 116 ms,Eleven v4 开 Turbo 后从 653 ms 降到 258 ms,非流式模型中位数却要 2 秒。选 TTS 供应商前先看这张榜单,延迟直接决定对话体验。
2 个信源54° AI 热度最后更新 2026/11/16 17:00:36
证据链
2 个信源相关来源 1pandaily
查看原文冲突核查
现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。