XNews

Artificial Analysis 推出 TTS 模型首音频时间基准测试

Artificial Analysis 推出 TTS 模型首音频时间基准测试

Artificial Analysis 宣布推出一项“首音频时间”基准测试,用于衡量文本转语音模型开始发声的速度,领先模型的成绩从 76 毫秒到接近 1 秒不等。该基准每天在 12 条提示词、四种输入长度上测试每个模型,计时可听语音而非首字节,并报告滚动 7 天均值。流式模型的中位数为 376 毫秒,而非流式模型为 2.0 秒。

事件版本 1.

Key insights

Simba 3.5 领跑 200 毫秒以下梯队

SpeechifyAI 的 Simba 3.5 在 116 毫秒内开始发声,在所有 200 毫秒以下开始发声的模型中拥有最高的 Arena Elo。InworldAI 的 Realtime TTS-2 以 186 毫秒紧随其后。

Turbo 变体在同等质量下降低延迟

ElevenLabs 的 Eleven v4 Turbo 在 258 毫秒内开始发声,而同等 Arena Elo 的 Eleven v4 为 653 毫秒。Fish Audio Drama 3 以 258 毫秒持平,Cartesia Sonic 3.6 为 287 毫秒。

流式与非流式划分延迟表现

65 个流式模型在几百毫秒内开始发声,中位数为 376 毫秒。20 个非流式模型必须完成生成后才能返回任何内容,中位数为 2.0 秒。

基准测试方法

每个模型每天在相同的 12 条提示词、四种输入长度上进行测量,计时可听语音而非首字节,并报告滚动 7 天均值。

Source posts