Artificial Analysis замерила старт речи у TTS: задержка от 76 мс до почти 1 секунды
Artificial Analysis добавила в рейтинг синтеза речи (TTS) метрику Time to First Audio — время до первого слышимого звука. Представьте голосового бота: вы задали вопрос, а он молчит секунду, и кажется, что связь пропала. У ведущих моделей эта пауза — от 76 мс до почти секунды. Для живого диалога выбирайте стриминговые модели.
AI-обработка оригинала X: @ArtificialAnlys; редакция Hamidun News
Вы делаете голосового агента для поддержки клиентов. Пользователь задал вопрос, языковая модель уже написала ответ, но в трубке тишина: синтезатор речи ещё не выдал ни звука. Человек в этот момент не думает о красоте интонаций, он решает, что связь оборвалась. Именно эту паузу Artificial Analysis решила измерить отдельно: в её бенчмарки синтеза речи (Text to Speech, TTS — превращение текста в голос) добавлена метрика Time to First Audio, то есть «время до первого звука». У ведущих моделей это ожидание укладывается в диапазон от 76 мс до почти секунды.
Раньше в сравнении TTS-моделей уже были качество голоса, произношение и скорость генерации. Но ни одна из этих цифр не отвечает на простой вопрос: сколько человек ждёт, прежде чем что-то услышит. А от этого зависит, будет ли агент ощущаться живым собеседником или автоответчиком с паузами.
Как устроен замер
Методика довольно строгая. Каждую модель проверяют ежедневно на одних и тех же 12 промптах, причём тексты бывают четырёх разных длин. Время считают не до первого байта данных, а до момента, когда в ответе появляется слышимая речь. В итоговом рейтинге показывают скользящее среднее за 7 дней, так что один случайный всплеск нагрузки картину не портит.
Для разговора разница между краями диапазона огромна: сотню миллисекунд человек почти не замечает, а секунда уже ощущается как заминка.
Кто быстрее всех
Среди моделей на переднем крае лучший баланс показал Simba 3.5: он начинает говорить за 116 мс и имеет самый высокий Arena Elo среди всех моделей, которым нужно меньше 200 мс. Arena Elo — рейтинг качества голоса, построенный на сравнениях моделей между собой. Следом идёт Realtime TTS-2 с задержкой 186 мс.
Любопытно выглядят «турбо»-версии. Eleven v4 Turbo стартует за 258 мс, тогда как обычная Eleven v4 — за 653 мс, а Arena Elo у них одинаковый. То есть ускорение примерно в два с половиной раза обошлось без потери качества в этом рейтинге. Fish Audio Drama 3 показывает те же 258 мс, а Sonic 3.6 — 287 мс.
Стриминг как линия раздела
Главное разделение проходит не по брендам, а по архитектуре. 65 моделей умеют стримить: они отдают звук кусками, пока остальной текст ещё обрабатывается. Их медианный старт — 376 мс. Ещё 20 моделей не стримят: пока вся фраза не сгенерирована, пользователь ничего не получает. Их медиана — 2,0 секунды. Чем длиннее реплика, тем сильнее такая схема проигрывает, ведь ждать приходится всю генерацию целиком.
Что с этим делать
Практический вывод для тех, кто строит голосовых агентов, колл-центровые сценарии или озвучку в приложениях, довольно прямой:
- Не выбирайте TTS только по рейтингу качества. Модель с отличным голосом, но с паузой в секунду, может убить ощущение живого диалога.
- Для разговорных сценариев берите стриминговые модели и смотрите на турбо-варианты: у Eleven v4 Turbo те же баллы качества, что у обычной версии, но старт в 2,5 раза быстрее.
- Помните, что полная задержка агента складывается из распознавания речи, ответа языковой модели и синтеза. TTS — лишь последнее звено, но именно оно определяет, когда пользователь впервые услышит ответ.
Ограничения
Это измерения одного независимого сервиса на 12 промптах, и в реальном продукте цифры будут другими: сеть, регион, нагрузка и длина ваших реплик добавят свои десятки или сотни миллисекунд. Кроме того, в анонсе не раскрыты все детали, например, как именно выбраны четыре длины ввода. Поэтому рейтинг лучше использовать как ориентир для шорт-листа, а финальное решение принимать после собственного теста на своём трафике. Но сам факт, что у отрасли появился общий публичный замер времени до первого звука, помогает сравнивать модели по тому, что пользователь действительно чувствует.
- 21 нояб. 2026 г.Восемь open-source инструментов для ИИ-агентов: Browser Use лидирует со 121 тысячей звёзд
- 21 нояб. 2026 г.Parallel Search взял 83 балла в рейтинге 26 поисковых API для ИИ-агентов
- 21 нояб. 2026 г.MCP-сервер на 360 строк без SDK: пять решений, после которых агент перестал ломать ссылки
- 21 нояб. 2026 г.Text-to-cad: ИИ-агент рисует детали робота по описанию, проект набрал 26 тысяч звёзд
Вопросы и ответы по материалу
Что известно по теме: как устроен замер?
Методика довольно строгая. Каждую модель проверяют ежедневно на одних и тех же 12 промптах, причём тексты бывают четырёх разных длин. Время считают не до первого байта данных, а до момента, когда в ответе появляется слышимая речь. В итоговом рейтинге показывают скользящее среднее за 7 дней, так что один случайный всплеск нагрузки картину не портит. Для разговора разница между краями диапазона огромна: сотню миллисекунд человек почти не замечает, а секунда уже ощущается как заминка.
Что известно по теме: кто быстрее всех?
Среди моделей на переднем крае лучший баланс показал Simba 3.5: он начинает говорить за 116 мс и имеет самый высокий Arena Elo среди всех моделей, которым нужно меньше 200 мс. Arena Elo — рейтинг качества голоса, построенный на сравнениях моделей между собой. Следом идёт Realtime TTS-2 с задержкой 186 мс. Любопытно выглядят «турбо»-версии. Eleven v4 Turbo стартует за 258 мс, тогда как обычная Eleven v4 — за 653 мс, а Arena Elo у них одинаковый.
Что известно по теме: стриминг как линия раздела?
Главное разделение проходит не по брендам, а по архитектуре. 65 моделей умеют стримить: они отдают звук кусками, пока остальной текст ещё обрабатывается. Их медианный старт — 376 мс. Ещё 20 моделей не стримят: пока вся фраза не сгенерирована, пользователь ничего не получает. Их медиана — 2,0 секунды. Чем длиннее реплика, тем сильнее такая схема проигрывает, ведь ждать приходится всю генерацию целиком.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.