Artificial Analysis mide el arranque de la voz en TTS: una latencia de entre 76 ms y casi 1 segundo
Artificial Analysis ha incorporado a su ranking de síntesis de voz (TTS) la métrica Time to First Audio: el tiempo hasta el primer sonido audible. Piense en un bot de voz: usted hace una pregunta, él guarda silencio durante un segundo y parece que se ha cortado la conexión. En los modelos líderes, esa pausa va de 76 ms a casi un segundo. Para un diálogo en vivo, conviene elegir modelos con streaming. Los datos clave:
Procesado por IA desde X: @ArtificialAnlys; editado por Hamidun News
Imagine que desarrolla un agente de voz para atención al cliente. El usuario hace una pregunta, el modelo de lenguaje ya ha redactado la respuesta, pero al otro lado de la línea solo hay silencio: el sintetizador de voz todavía no ha emitido ningún sonido. En ese momento, la persona no piensa en la calidad de la entonación, sino que cree que se ha cortado la llamada.
Artificial Analysis ha decidido medir esa pausa por separado: en sus benchmarks de síntesis de voz (Text to Speech, TTS, la conversión de texto en voz) ha añadido la métrica Time to First Audio, es decir, el «tiempo hasta el primer sonido». En los modelos líderes, esta espera se sitúa entre 76 ms y casi un segundo.
Hasta ahora, la comparación de modelos TTS ya incluía la calidad de la voz, la pronunciación y la velocidad de generación. Pero ninguna de esas cifras responde a una pregunta sencilla: cuánto espera una persona antes de oír algo. De ello depende que el agente se perciba como un interlocutor vivo o como un contestador automático con pausas.
Cómo se hace la medición
La metodología es bastante estricta. Cada modelo se evalúa a diario con los mismos 12 prompts, y los textos tienen cuatro longitudes distintas. El tiempo no se cuenta hasta el primer byte de datos, sino hasta el momento en que la respuesta contiene voz audible. El ranking final muestra la media móvil de 7 días, de modo que un pico de carga aislado no distorsiona el resultado.
Para una conversación, la diferencia entre los extremos del rango es enorme: un intervalo de un centenar de milisegundos apenas se nota, mientras que un segundo ya se percibe como un titubeo.
Quién es más rápido
Entre los modelos de vanguardia, el mejor equilibrio lo ofrece Simba 3.5: empieza a hablar en 116 ms y tiene el Arena Elo más alto de todos los modelos que necesitan menos de 200 ms. El Arena Elo es un ranking de calidad de voz construido a partir de comparaciones directas entre modelos. Le sigue Realtime TTS-2, con una latencia de 186 ms.
Las versiones «turbo» resultan curiosas. Eleven v4 Turbo arranca en 258 ms, mientras que la Eleven v4 estándar tarda 653 ms, y ambas tienen el mismo Arena Elo. Es decir, una aceleración de aproximadamente dos veces y media no ha costado calidad en este ranking. Fish Audio Drama 3 registra los mismos 258 ms, y Sonic 3.6, 287 ms.
El streaming como línea divisoria
La división principal no depende de las marcas, sino de la arquitectura. 65 modelos admiten streaming: envían el audio por fragmentos mientras el resto del texto aún se procesa. Su arranque mediano es de 376 ms. Otros 20 modelos no hacen streaming: el usuario no recibe nada hasta que se ha generado la frase completa. Su mediana es de 2,0 segundos. Cuanto más larga es la intervención, más pierde este esquema, porque hay que esperar a que termine toda la generación.
Qué hacer con estos datos
La conclusión práctica para quienes construyen agentes de voz, escenarios de call center o locución en aplicaciones es bastante directa:
- No elija un TTS solo por el ranking de calidad. Un modelo con una voz excelente pero con una pausa de un segundo puede arruinar la sensación de diálogo en vivo.
- Para escenarios conversacionales, use modelos con streaming y fíjese en las variantes turbo: Eleven v4 Turbo obtiene la misma puntuación de calidad que la versión estándar, pero arranca 2,5 veces más rápido.
- Recuerde que la latencia total del agente suma el reconocimiento de voz, la respuesta del modelo de lenguaje y la síntesis. El TTS es solo el último eslabón, pero es el que determina cuándo oye el usuario la respuesta por primera vez.
Limitaciones
Son mediciones de un único servicio independiente con 12 prompts, y en un producto real las cifras serán distintas: la red, la región, la carga y la longitud de sus intervenciones añadirán decenas o cientos de milisegundos. Además, el anuncio no revela todos los detalles; por ejemplo, cómo se eligieron exactamente las cuatro longitudes de entrada. Por eso conviene usar el ranking como referencia para preseleccionar candidatos y tomar la decisión final tras una prueba propia con su tráfico. Aun así, el hecho de que el sector disponga ahora de una medición pública común del tiempo hasta el primer sonido ayuda a comparar los modelos según lo que el usuario realmente percibe.
- 18 nov 2026Eleven v4 Turbo arranca en 258 ms en lugar de 653 ms con la misma calidad de voz
- 24 jul 2026Qwen Audio 3.0 TTS Plus, de Alibaba, lidera el ranking de síntesis de voz Speech Arena
- 8 nov 2026GLM-5.3: los endpoints con el streaming más rápido tardan entre 18 y 26 segundos en generar el primer token
- 27 oct 2026Cómo no adivinar el umbral de autoescalado en la síntesis de voz: AWS midió un techo de 50 solicitudes por GPU
Preguntas frecuentes sobre la noticia
Cómo se hace la medición?
La metodología es bastante estricta. Cada modelo se evalúa a diario con los mismos 12 prompts, y los textos tienen cuatro longitudes distintas. El tiempo no se cuenta hasta el primer byte de datos, sino hasta el momento en que la respuesta contiene voz audible. El ranking final muestra la media móvil de 7 días, de modo que un pico de carga aislado no distorsiona el resultado.
¿Qué se sabe sobre Quién es más rápido?
Entre los modelos de vanguardia, el mejor equilibrio lo ofrece Simba 3.5: empieza a hablar en 116 ms y tiene el Arena Elo más alto de todos los modelos que necesitan menos de 200 ms. El Arena Elo es un ranking de calidad de voz construido a partir de comparaciones directas entre modelos. Le sigue Realtime TTS-2, con una latencia de 186 ms. Las versiones «turbo» resultan curiosas. Eleven v4 Turbo arranca en 258 ms, mientras que la Eleven v4 estándar tarda 653 ms, y ambas tienen el mismo Arena Elo.
¿Qué se sabe sobre El streaming como línea divisoria?
La división principal no depende de las marcas, sino de la arquitectura. 65 modelos admiten streaming: envían el audio por fragmentos mientras el resto del texto aún se procesa. Su arranque mediano es de 376 ms. Otros 20 modelos no hacen streaming: el usuario no recibe nada hasta que se ha generado la frase completa. Su mediana es de 2,0 segundos. Cuanto más larga es la intervención, más pierde este esquema, porque hay que esperar a que termine toda la generación.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.