Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarX: @ArtificialAnlys→ original

Artificial Analysis mesure le démarrage de la parole des TTS : de 76 ms à près d'une seconde de latence

Artificial Analysis a ajouté à son classement de synthèse vocale (TTS) la métrique Time to First Audio, c'est-à-dire le délai avant le premier son audible. Imaginez un bot vocal : vous posez une question, il reste muet pendant une seconde, et vous avez l'impression que la connexion est coupée. Chez les modèles de pointe, cette pause va de 76 ms à près d'une seconde. Pour un dialogue fluide, privilégiez les modèles en streaming.

Traité par IA depuis X: @ArtificialAnlys ; édité par Hamidun News
Artificial Analysis mesure le démarrage de la parole des TTS : de 76 ms à près d'une seconde de latence
Source : X: @ArtificialAnlys. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireX: @ArtificialAnlys ↗
Rédacteur en chef
Simba 3.5 démarre en 116 msle meilleur Arena Elo parmi les modèles plus rapides que 200 ms
Eleven v4 Turbo258 ms contre 653 ms pour Eleven v4, à Elo identique
Médiane376 ms pour les 65 modèles en streaming, 2,0 s pour les 20 modèles sans streaming

Vous développez un agent vocal pour le support client. L'utilisateur pose sa question, le modèle de langage a déjà rédigé la réponse, mais le silence règne au bout du fil : le synthétiseur vocal n'a pas encore émis le moindre son. À cet instant, la personne ne pense pas à la qualité de l'intonation : elle croit que la communication a été coupée.

C'est précisément cette pause qu'Artificial Analysis a décidé de mesurer séparément : ses benchmarks de synthèse vocale (Text to Speech, TTS, la conversion du texte en voix) intègrent désormais la métrique Time to First Audio, soit le « délai avant le premier son ». Chez les modèles de pointe, cette attente se situe entre 76 ms et près d'une seconde.

Jusqu'ici, la comparaison des modèles TTS reposait déjà sur la qualité de la voix, la prononciation et la vitesse de génération. Mais aucun de ces chiffres ne répond à une question simple : combien de temps l'utilisateur attend-il avant d'entendre quoi que ce soit ? Or c'est ce délai qui détermine si l'agent sonne comme un interlocuteur vivant ou comme un répondeur à pauses.

Comment fonctionne la mesure

La méthodologie est plutôt rigoureuse. Chaque modèle est testé tous les jours sur les mêmes 12 prompts, dont les textes existent en quatre longueurs différentes. Le chronomètre ne s'arrête pas au premier octet de données, mais au moment où la réponse contient de la parole audible. Le classement final affiche une moyenne glissante sur 7 jours : un pic de charge isolé ne fausse donc pas le tableau.

Pour une conversation, l'écart entre les deux extrémités de la fourchette est énorme : l'humain remarque à peine une centaine de millisecondes, alors qu'une seconde se ressent déjà comme un temps d'hésitation.

Les plus rapides

Parmi les modèles de pointe, Simba 3.5 offre le meilleur équilibre : il commence à parler en 116 ms et affiche l'Arena Elo le plus élevé de tous les modèles qui démarrent en moins de 200 ms. L'Arena Elo est un classement de la qualité vocale établi à partir de comparaisons directes entre modèles. Realtime TTS-2 suit avec une latence de 186 ms.

Les versions « turbo » sont intéressantes. Eleven v4 Turbo démarre en 258 ms, contre 653 ms pour l'Eleven v4 classique, avec un Arena Elo identique. Autrement dit, une accélération d'environ deux fois et demie, sans perte de qualité dans ce classement. Fish Audio Drama 3 affiche les mêmes 258 ms, et Sonic 3.6 287 ms.

Le streaming comme ligne de partage

La principale fracture ne passe pas par les marques, mais par l'architecture. 65 modèles savent faire du streaming : ils envoient l'audio par morceaux pendant que le reste du texte est encore en cours de traitement. Leur démarrage médian est de 376 ms. 20 autres modèles ne font pas de streaming : tant que la phrase entière n'est pas générée, l'utilisateur ne reçoit rien. Leur médiane est de 2,0 secondes. Plus la réplique est longue, plus ce schéma est pénalisé, puisqu'il faut attendre la génération complète.

Que faire de ces données

La conclusion pratique pour ceux qui construisent des agents vocaux, des scénarios de centre d'appels ou de la voix off dans des applications est assez directe :

  • Ne choisissez pas un TTS uniquement d'après le classement de qualité. Un modèle à la voix excellente mais avec une pause d'une seconde peut détruire la sensation d'un dialogue vivant.
  • Pour les scénarios conversationnels, prenez des modèles en streaming et regardez les variantes turbo : Eleven v4 Turbo obtient les mêmes scores de qualité que la version classique, mais démarre 2,5 fois plus vite.
  • Gardez en tête que la latence totale de l'agent additionne la reconnaissance vocale, la réponse du modèle de langage et la synthèse. Le TTS n'est que le dernier maillon, mais c'est lui qui détermine à quel moment l'utilisateur entend la réponse pour la première fois.

Limites

Ces mesures proviennent d'un seul service indépendant et reposent sur 12 prompts ; dans un produit réel, les chiffres seront différents : le réseau, la région, la charge et la longueur de vos répliques ajouteront leurs dizaines ou centaines de millisecondes. De plus, l'annonce ne dévoile pas tous les détails, par exemple la façon dont les quatre longueurs de texte ont été choisies. Mieux vaut donc utiliser le classement comme repère pour constituer une présélection, et prendre la décision finale après un test sur votre propre trafic. Mais le simple fait que le secteur dispose désormais d'une mesure publique commune du délai avant le premier son aide à comparer les modèles sur ce que l'utilisateur ressent réellement.

Dossier

Questions clés sur cet article

Comment fonctionne la mesure?

La méthodologie est plutôt rigoureuse. Chaque modèle est testé tous les jours sur les mêmes 12 prompts, dont les textes existent en quatre longueurs différentes. Le chronomètre ne s'arrête pas au premier octet de données, mais au moment où la réponse contient de la parole audible. Le classement final affiche une moyenne glissante sur 7 jours : un pic de charge isolé ne fausse donc pas le tableau.

Que sait-on sur Les plus rapides ?

Parmi les modèles de pointe, Simba 3.5 offre le meilleur équilibre : il commence à parler en 116 ms et affiche l'Arena Elo le plus élevé de tous les modèles qui démarrent en moins de 200 ms. L'Arena Elo est un classement de la qualité vocale établi à partir de comparaisons directes entre modèles. Realtime TTS-2 suit avec une latence de 186 ms. Les versions « turbo » sont intéressantes. Eleven v4 Turbo démarre en 258 ms, contre 653 ms pour l'Eleven v4 classique, avec un Arena Elo identique.

Que sait-on sur Le streaming comme ligne de partage ?

La principale fracture ne passe pas par les marques, mais par l'architecture. 65 modèles savent faire du streaming : ils envoient l'audio par morceaux pendant que le reste du texte est encore en cours de traitement. Leur démarrage médian est de 376 ms. 20 autres modèles ne font pas de streaming : tant que la phrase entière n'est pas générée, l'utilisateur ne reçoit rien. Leur médiane est de 2,0 secondes. Plus la réplique est longue, plus ce schéma est pénalisé, puisqu'il faut attendre la génération complète.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…