Artificial Analysis 推出 TTFA 基准:衡量 TTS 模型首声延迟,最快 76 ms
Artificial Analysis 发布 Time to First Audio(TTFA)基准,专门测量 Text to Speech 模型从请求到用户实际听到声音的延迟。测试每天在相同的 12 条提示、四种输入长度上运行,计时的是可听语音而非首个字节,并报告 7 天滚动均值。目前领先模型的等待时间从 76 ms 到近 1 秒不等。 具体成绩方面,Speechify 的 Simba 3.5 首声延迟 116 ms,是 200 ms 内起播模型中 Arena Elo 最高的;Inworld 的 Realtime TTS-2 以 186 ms 紧随其后。ElevenLabs 的 Eleven v4 Turbo 为 258 ms,而同 Elo 的 Eleven v4 需要 653 ms;Fish Audio Drama 3 同为 258 ms,Cartesia 的 Sonic 3.6 为 287 ms。 基准还揭示了一个关键分水岭:65 个支持流式输出的模型通常几百毫秒内起播,中位数 376 ms;20 个非流式模型必须完成全部生成才能返回,中位数达 2.0 秒。对于语音智能体开发者来说,流式 TTS 是实现实时对话体感的前提。
Current read
做语音智能体的朋友看这个。Artificial Analysis 新出了 TTFA 基准,专门测 TTS 首声延迟:Simba 3.5 只要 116 ms,Eleven v4 开 Turbo 后从 653 ms 降到 258 ms,非流式模型中位数却要 2 秒。选 TTS 供应商前先看这张榜单,延迟直接决定对话体验。
Evidence
2 sourcesConflict check
Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.