Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarX: @ArtificialAnlys→ original

Artificial Analysis mede o início da fala em TTS: latência vai de 76 ms a quase 1 segundo

A Artificial Analysis incluiu no ranking de síntese de voz (TTS) a métrica Time to First Audio, o tempo até o primeiro som audível. Imagine um bot de voz: você faz uma pergunta, ele fica um segundo em silêncio, e parece que a ligação caiu. Nos modelos líderes, essa pausa vai de 76 ms a quase um segundo. Para diálogos em tempo real, escolha modelos com streaming.

Processado por IA de X: @ArtificialAnlys; editado por Hamidun News
Artificial Analysis mede o início da fala em TTS: latência vai de 76 ms a quase 1 segundo
Fonte: X: @ArtificialAnlys. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalX: @ArtificialAnlys ↗
Editor-chefe
Dado-chave #1Simba 3.5 começa em 116 ms, com o melhor Arena Elo entre os modelos abaixo de 200 ms
Eleven v4 Turbo258 ms, contra 653 ms do Eleven v4, com o mesmo Elo
Mediana65 modelos com streaming, 376 ms; 20 modelos sem streaming, 2,0 s

Você está criando um agente de voz para o atendimento ao cliente. O usuário faz uma pergunta, o modelo de linguagem já escreveu a resposta, mas a linha está em silêncio: o sintetizador de voz ainda não emitiu nenhum som. Nesse momento, a pessoa não está pensando na beleza da entonação, e sim concluindo que a ligação caiu. Foi essa pausa que a Artificial Analysis decidiu medir separadamente: nos benchmarks de síntese de voz (Text to Speech, TTS, que converte texto em voz), foi adicionada a métrica Time to First Audio, ou seja, o "tempo até o primeiro som". Nos modelos líderes, essa espera fica entre 76 ms e quase um segundo.

Antes, a comparação entre modelos de TTS já incluía qualidade da voz, pronúncia e velocidade de geração. Mas nenhum desses números responde a uma pergunta simples: quanto a pessoa espera até ouvir alguma coisa. E disso depende se o agente vai soar como um interlocutor vivo ou como uma secretária eletrônica cheia de pausas.

Como funciona a medição

A metodologia é bastante rigorosa. Cada modelo é testado diariamente com os mesmos 12 prompts, e os textos têm quatro comprimentos diferentes. O tempo é contado não até o primeiro byte de dados, mas até o momento em que a resposta traz fala audível. O ranking final mostra a média móvel de 7 dias, então um pico de carga isolado não distorce o resultado.

Para uma conversa, a diferença entre as pontas dessa faixa é enorme: uma centena de milissegundos a pessoa quase não percebe, mas um segundo já soa como um tropeço.

Quem é mais rápido

Entre os modelos de ponta, o melhor equilíbrio ficou com o Simba 3.5: ele começa a falar em 116 ms e tem o maior Arena Elo entre todos os modelos que levam menos de 200 ms. O Arena Elo é um ranking de qualidade de voz construído a partir de comparações diretas entre os modelos. Em seguida vem o Realtime TTS-2, com latência de 186 ms.

As versões "turbo" chamam atenção. O Eleven v4 Turbo começa em 258 ms, enquanto o Eleven v4 comum leva 653 ms, e os dois têm o mesmo Arena Elo. Ou seja, uma aceleração de cerca de duas vezes e meia sem perda de qualidade nesse ranking. O Fish Audio Drama 3 registra os mesmos 258 ms, e o Sonic 3.6, 287 ms.

Streaming como linha divisória

A principal divisão não passa pelas marcas, mas pela arquitetura. 65 modelos conseguem fazer streaming: eles entregam o áudio em blocos enquanto o restante do texto ainda está sendo processado. A mediana de início deles é de 376 ms. Outros 20 modelos não fazem streaming: o usuário não recebe nada até que a frase inteira seja gerada. A mediana deles é de 2,0 segundos. Quanto mais longa a fala, pior fica esse esquema, já que é preciso esperar a geração completa.

O que fazer com isso

A conclusão prática para quem desenvolve agentes de voz, cenários de call center ou narração em aplicativos é bastante direta:

  • Não escolha um TTS apenas pelo ranking de qualidade. Um modelo com voz excelente, mas com uma pausa de um segundo, pode destruir a sensação de diálogo natural.
  • Para cenários de conversa, prefira modelos com streaming e考虑 as variantes turbo: o Eleven v4 Turbo tem a mesma pontuação de qualidade da versão comum, mas começa 2,5 vezes mais rápido.
  • Lembre-se de que a latência total do agente soma o reconhecimento de fala, a resposta do modelo de linguagem e a síntese. O TTS é apenas o último elo, mas é ele que define quando o usuário ouve a resposta pela primeira vez.

Limitações

São medições de um único serviço independente, feitas com 12 prompts, e em um produto real os números serão outros: rede, região, carga e o comprimento das suas falas vão acrescentar dezenas ou centenas de milissegundos. Além disso, o anúncio não revela todos os detalhes, por exemplo, como exatamente foram escolhidos os quatro comprimentos de entrada. Por isso, o ranking serve melhor como referência para montar uma lista curta, e a decisão final deve vir de um teste próprio, com o seu tráfego. Mesmo assim, o fato de o setor ter agora uma medição pública comum do tempo até o primeiro som ajuda a comparar os modelos pelo que o usuário realmente sente.

História

Perguntas frequentes sobre a notícia

Como funciona a medição?

A metodologia é bastante rigorosa. Cada modelo é testado diariamente com os mesmos 12 prompts, e os textos têm quatro comprimentos diferentes. O tempo é contado não até o primeiro byte de dados, mas até o momento em que a resposta traz fala audível. O ranking final mostra a média móvel de 7 dias, então um pico de carga isolado não distorce o resultado. Para uma conversa, a diferença entre as pontas dessa faixa é enorme: uma centena de milissegundos a pessoa quase não percebe, mas um segundo já soa como um tropeço.

O que se sabe sobre Quem é mais rápido?

Entre os modelos de ponta, o melhor equilíbrio ficou com o Simba 3.5: ele começa a falar em 116 ms e tem o maior Arena Elo entre todos os modelos que levam menos de 200 ms. O Arena Elo é um ranking de qualidade de voz construído a partir de comparações diretas entre os modelos. Em seguida vem o Realtime TTS-2, com latência de 186 ms. As versões "turbo" chamam atenção. O Eleven v4 Turbo começa em 258 ms, enquanto o Eleven v4 comum leva 653 ms, e os dois têm o mesmo Arena Elo.

O que se sabe sobre Streaming como linha divisória?

A principal divisão não passa pelas marcas, mas pela arquitetura. 65 modelos conseguem fazer streaming: eles entregam o áudio em blocos enquanto o restante do texto ainda está sendo processado. A mediana de início deles é de 376 ms. Outros 20 modelos não fazem streaming: o usuário não recebe nada até que a frase inteira seja gerada. A mediana deles é de 2,0 segundos. Quanto mais longa a fala, pior fica esse esquema, já que é preciso esperar a geração completa.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ 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
O que você acha?
Carregando comentários…