Vertiefende Analyse · Etwa 6 Min. Lesezeit
Cekuras TTS-Test mit 26 Modellen: Erst die Zeitmessung abgleichen, dann die Stimme wählen
Der Stand vom 19. Oktober trennt gestreamten Text, schwierige Lesestellen, geschätzte Natürlichkeit und Stoppen. Der schnellste Wert misst keine vollständige Agentenantwort.
- Hier veröffentlicht
- Datum der Quelle
- Quelle geprüft
Cekuras Sprachsynthese-Benchmark wurde erstmals am 4. Oktober veröffentlicht und am 19. Oktober aktualisiert. Er vergleicht 26 Konfigurationen. Die vollständigen Originaltabellen und Methoden zeigen, warum Antworttempo, korrekte Codes und Natürlichkeit getrennte Entscheidungen verlangen. Die Messwerte stammen von Cekura, nicht aus AISubHub-Tests oder neuen Modellankündigungen.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- Die Seite nennt 104 Agentensätze, je drei Lesungen und insgesamt 30,564 Anfragen, aus einer US-East-Clientregion mit einer Standardstimme je Konfiguration.
- Gradiums Median von −64 ms bei gestreamtem Text und Inworld TTS-2 Flash mit 46 ms bei vollständigem Text haben verschiedene Startpunkte. Lesegenauigkeit und UTMOS-Natürlichkeit sind ausdrücklich Schätzungen.
Was der Vergleich kontrolliert und was offenbleibt
Cekura ruft jede Konfiguration aus einer Cloudregion im US East auf und verwendet eine Standardstimme. Die gleichen 104 Agentensätze reichen von Begrüßungen bis zu Antworten mit ungefähr 500 Zeichen; jeder wird dreimal gelesen. Das erleichtert den Vergleich einer ausgewählten Stimme und Verbindungsstrecke. Es verlegt nicht die Inferenzserver aller Anbieter an denselben Ort, bewertet nicht sämtliche Stimmen und bildet nicht die tatsächliche Telefonstrecke eines Kunden ab. Auch die sichtbaren Beispiele belegen keine gleichwertigen Ergebnisse für Chinesisch.
Die Anfragezahl braucht eine eigene Einordnung. 26 Modelle mal 104 Sätze mal drei Lesungen ergibt 8,112 und nicht die angegebenen 30,564 Anfragen. Die öffentliche Seite schlüsselt die Gesamtsumme nicht für sämtliche Bedingungen auf. Wir können daher weder einen Nenner erfinden noch die Differenz als Wiederholungsversuche erklären. Vollständiger Text, wortweise Eingabe und Unterbrechung sind unterschiedliche Tests. Acht Konfigurationen akzeptieren keinen gestreamten Text und fehlen in diesem Diagramm. Weder die Gesamtsumme noch eine fehlende Zeile beweist eine einheitliche Stichprobe.
Warum gestreamter Text eine negative Latenz haben kann
Die Latenz ohne Textstreaming beginnt beim Senden des vollständigen Satzes und endet beim ersten hörbaren Laut. Der Verbindungsaufbau ist ausgenommen, anfängliche Stille wird mitgezählt. Inworld TTS-2 Flash mit der ausgewählten Stimme Sarah erreicht dabei 46 ms im Median, bei gestreamtem Text 45 ms. Gradiums Everly liegt mit vollständigem Text bei 76 ms. Das sind Werte der getesteten Synthesestrecke, nicht die Zeit zwischen dem Ende einer Anruferfrage und der vollständigen Antwort des Agenten.
Bei gestreamtem Text beginnt die Uhr dagegen beim zuletzt gesendeten Wort. Nach Cekuras Erklärung bedeutet Gradiums Median von −64 ms, dass auf den meisten Testsätzen der Ton vor diesem Wort beginnt. Das ist weder negative physische Wartezeit noch Kenntnis zukünftigen Textes. Ein Agent wartet womöglich zusätzlich auf Erkennung, Schlussfolgern, Werkzeuge und Wiedergabepuffer. Diese Schritte können sich überlappen. Auch das Addieren isolierter Anbieter-Mediane ergibt daher keine verlässliche Prognose für die gesamte Antwortzeit.
Lesegenauigkeit und Natürlichkeit bleiben verschiedene Schätzungen
Lesegenauigkeit betrifft schwierige Stellen wie Zahlen, Codes, Adressen, kontextabhängige Abkürzungen und medizinische Begriffe. Deepgram Nova-3 und OpenAI Whisper transkribieren die Aufnahmen; eine akzeptierte Lesart in den Transkripten entscheidet über Erfolg, beide Ergebnisse werden kombiniert. Menschen prüfen diese Fälle nicht. Laut Cekura unterscheiden sich die Transkribierer bei einem Modell um zehn Prozentpunkte. Ein hoher Wert schätzt somit die Lesegenauigkeit unter diesem Prüfer, beweist aber weder das Verständnis jedes Zuhörers noch den Erfolg eines Geschäftsprozesses.
Inworld TTS-2 erreicht 93.4%, Flash 93.2% und Fish Audio S2.1-Pro 92.0%. Die Seite empfiehlt, führende Werte innerhalb von zwei Punkten als Gleichstand zu behandeln. Natürlichkeit ist eine andere Frage: Fish Audio Drama 3 preview mit Delia führt die UTMOS-Schätzung mit 4.54 an. UTMOS sagt einen Hörtestwert voraus; das ist keine veröffentlichte Präferenzabstimmung eines menschlichen Panels. Angenehmer Klang bestätigt keinen richtigen Code. Ein kleiner Abstand ohne erforderliche Unsicherheitsanalyse darf auch nicht als universeller Qualitätsvorsprung gelten.
Generator stoppen und Wiedergabe stoppen sind zwei Aufgaben
Unterbrechungen zeigen eine weitere Grenze. Grok TTS mit Carina meldet 0 ms beim Stoppen, Cartesia Sonic 3.6 mit Skylar 764 ms. Diese Zahlen beschreiben die Stoppmessung des Benchmarks, nicht garantiert sofortige Stille am Telefon des Anrufers. Manche Zeilen besitzen keine Stoppnachricht; die Anwendung verwirft den Stream. Das ist kein gemessener Nullwert für native Abbruchlatenz des Generators. Die Anwendung muss außerdem das bereits zur Wiedergabe eingereihte Audio verwalten.
Cekura markiert auch Konfigurationen, deren erzeugtes Audio gelegentlich hinter der Wiedergabe zurückbleibt: Bei ElevenLabs v4 Turbo passiert das in 5% der Testsätze. Das unterscheidet sich von einem späten ersten Laut oder langsamem Stoppen. Bei einem beispielhaften Buchungsagenten hilft ein schneller Beginn nur, wenn danach flüssiges Audio folgt und ein korrigierter Bestätigungscode die alte Ausgabe ersetzt. Deshalb müssen auch Wiedergabewarteschlangen und Wiederaufnahme geprüft werden, nicht allein der Synthese-Endpunkt. Dieses Beispiel ist eine Entwurfsprüfung, kein von uns durchgeführter Benchmark.
Aus dem Datenstand eine Anwendungsabnahme ableiten
Der Preis bildet eine weitere eigene Spalte. Der niedrigste angezeigte Listenpreis ist Soniox TTS RT v2 mit $14.81 pro Million Zeichen; für Fish Audio Drama 3 preview steht dort kein Preis. Fehlender Preis bedeutet keinen kostenlosen Zugang. Zeichenbasierte Listenpreise sind weder Monatsabonnements noch Angebote pro abgeschlossenem Anruf. Für das Budget müssen Abrechnungseinheiten, Stufen und Verfügbarkeit beim Anbieter geklärt werden. Erkennung, Schlussfolgern, Werkzeuge, Wiederholungsversuche und die tatsächlich erzeugte Sprachmenge gehören hinzu.
Zur Abnahme sollten zuerst typische Codes, Namen und lange Antworten mit der vorgesehenen Stimme und Nutzerregion getestet werden; danach folgen Teiltext, Unterbrechung und Kontrolle der hörbaren Wiedergabe. Anschließend werden Qualität und vollständige Auftragskosten mit den Anforderungen verglichen. Das sind AISubHub-Empfehlungen, keine neuen Messungen. Cekura legt offen, im bewerteten Markt Test- und Monitoringdienste zu verkaufen; der Beirat ist noch im Aufbau. Ein fester Harness-Commit ist verlinkt, Ergebnisse stehen unter CC BY 4.0. Das erleichtert Quellenangabe und Prüfung, beweist aber weder unsere unabhängige Reproduktion noch eine kombinierte weltweite Modellrangliste.
Warum es wichtig ist
AISubHubs Analyse empfiehlt, nach dem tatsächlichen Eingabe- und Unterbrechungsmuster zu wählen und schwierige Inhalte sowie vollständige Auftragskosten zu prüfen. Eine gewonnene Spalte beweist kein insgesamt bestes Gesprächssystem.
Grenzen und Verfügbarkeit
Wir lasen die vollständige öffentliche Seite und die About- und Governance-Texte, führten aber weder den Testaufbau aus noch hörten wir Aufnahmen an. Der Stand belegt keine chinesischen Ergebnisse, alle Stimmen oder Regionen, Dienstgarantien oder aktuelle Kaufberechtigung.
Quellen und Belege
Datum der Quelle: · Quelle geprüft:
Weiterführende Quellen
Quelle geprüft:
Quelle geprüft:
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.