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
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.
- 18 de nov. de 2026Eleven v4 Turbo começa a falar em 258 ms, e não em 653 ms, com a mesma qualidade de voz
- 24 de jul. de 2026Qwen Audio 3.0 TTS Plus, da Alibaba, lidera o ranking de síntese de voz da Speech Arena
- 8 de nov. de 2026GLM-5.3: os endpoints com streaming mais rápido levam de 18 a 26 segundos para gerar o primeiro token
- 27 de out. de 2026Como não chutar o autoscaling de síntese de voz: AWS mediu o teto de 50 requisições por GPU
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.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.