Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РазборРазбор · На радарX: @ArtificialAnlys→ оригинал

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
Artificial Analysis замерила старт речи у TTS: задержка от 76 мс до почти 1 секунды
Источник: X: @ArtificialAnlys. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникX: @ArtificialAnlys ↗
Главный редактор
Ключевой факт #1Simba 3.5 стартует за 116 мс — лучший Arena Elo среди моделей быстрее 200 мс
Eleven v4 Turbo258 мс против 653 мс у Eleven v4 при том же Elo
Медиана65 стриминговых моделей — 376 мс, 20 нестриминговых — 2,0 с

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.

Сюжет

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.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

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.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…