Análisis en profundidad · Unos 6 min de lectura
La prueba TTS de 26 modelos de Cekura: alinear los relojes antes de elegir una voz
La instantánea del 19 de octubre distingue texto transmitido, lecturas difíciles, naturalidad estimada e interrupciones. El valor más rápido no mide una respuesta conversacional completa.
- Publicado aquí
- Fecha de la fuente
- Fuente revisada
La evaluación de síntesis de voz de Cekura, publicada inicialmente el 4 de octubre y actualizada el 19, compara 26 configuraciones. Sus tablas y metodología originales muestran por qué velocidad, códigos correctos y voz natural requieren decisiones distintas. Los resultados pertenecen a Cekura: no son pruebas de AISubHub ni anuncios de nuevos modelos.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- La página indica 104 frases de agentes, tres lecturas por frase y 30,564 solicitudes totales, desde una región cliente de US East y con una voz de catálogo por configuración.
- La mediana de −64 ms de Gradium con texto transmitido y los 46 ms de Inworld TTS-2 Flash con texto completo parten de instantes diferentes. La precisión de lectura y la naturalidad UTMOS son estimaciones.
Qué condiciones controla realmente la comparación
Cekura llama a cada configuración desde una región de nube en US East y selecciona una voz de catálogo. Las mismas 104 frases abarcan desde saludos hasta respuestas de unos 500 caracteres, con tres lecturas de cada frase. Esto permite comparar una voz y una ruta de conexión concretas. No coloca los servidores de inferencia de todos los proveedores en el mismo lugar, no evalúa todas sus voces ni reproduce la línea telefónica del cliente. Los ejemplos visibles tampoco demuestran resultados equivalentes en chino.
El total de solicitudes necesita una interpretación separada. Multiplicar 26 modelos por 104 frases y tres lecturas da 8,112, no las 30,564 solicitudes que declara la página. No se desglosa ese total para todas las condiciones; no podemos inventar un denominador ni atribuir la diferencia a reintentos. Texto completo, texto palabra por palabra e interrupción son pruebas distintas. Ocho configuraciones no aceptan texto transmitido y faltan en ese gráfico. Ni el total ni una fila ausente prueban una muestra uniforme.
Por qué puede existir una latencia de transmisión negativa
La latencia no transmitida comienza al enviar una frase completa y termina en el primer sonido audible. Excluye establecer la conexión, pero incluye el silencio inicial. La voz Sarah seleccionada para Inworld TTS-2 Flash obtiene una mediana de 46 ms en esa medida y 45 ms con texto transmitido. Everly de Gradium obtiene 76 ms con texto completo. Son mediciones de la ruta de síntesis probada, no del tiempo entre el final de la petición del interlocutor y una respuesta completa del agente.
Con texto transmitido, el reloj empieza en la última palabra enviada. Según Cekura, la mediana de −64 ms de Gradium significa que el sonido empieza antes de esa palabra en la mayoría de las frases probadas. No implica espera física negativa ni conocimiento del texto futuro. El agente también puede esperar al reconocimiento, razonamiento, herramientas y búferes de reproducción. Esas etapas pueden solaparse; sumar las medianas publicadas por proveedores distintos tampoco ofrece una previsión fiable de extremo a extremo.
Distinguir la estimación de pronunciación de la de naturalidad
La precisión de lectura examina fragmentos difíciles: números, códigos, direcciones, abreviaturas dependientes del contexto y términos médicos. Deepgram Nova-3 y OpenAI Whisper transcriben las grabaciones; se comprueba si contienen una lectura aceptada y se combinan ambos resultados. Ninguna persona verifica esos aciertos. Cekura señala que los transcriptores difieren diez puntos porcentuales en un modelo. Por ello, una puntuación alta estima la lectura según ese evaluador, sin probar qué entendió cada oyente o si una tarea comercial terminó correctamente.
Inworld TTS-2 alcanza 93.4%, Flash 93.2% y Fish Audio S2.1-Pro 92.0%; la página aconseja considerar empate las primeras posiciones separadas por dos puntos o menos. La naturalidad plantea otra pregunta: Drama 3 preview de Fish Audio, con Delia, encabeza la estimación UTMOS con 4.54. UTMOS predice una puntuación de escucha; no es una votación de preferencias publicada por un panel humano. Un timbre agradable no certifica un código correcto, ni una pequeña diferencia sin suficiente análisis de incertidumbre demuestra superioridad universal.
Detener la generación y detener la reproducción son tareas distintas
La interrupción muestra otro límite. Grok TTS con Carina registra 0 ms de detención, frente a 764 ms de Cartesia Sonic 3.6 con Skylar. Esas cifras describen la medición del benchmark, no garantizan silencio instantáneo en el teléfono del usuario. Algunas filas carecen de un mensaje de parada: la aplicación descarta el flujo. Eso no equivale a medir cero latencia de cancelación nativa del generador; además hay que gestionar el audio que ya espera en la cola de reproducción.
Cekura también marca configuraciones cuyo audio generado a veces no sigue el ritmo de reproducción: ElevenLabs v4 Turbo lo hace en el 5% de las frases probadas. Es un problema distinto de la primera palabra lenta o de la interrupción. En un agente de reservas ilustrativo, hablar rápido solo ayuda si después el audio es continuo y un código corregido sustituye al anterior. Hay que comprobar las colas del cliente y la recuperación, además del endpoint de síntesis. Es una comprobación de diseño, no un experimento realizado por nosotros.
Convertir la instantánea en una prueba de aceptación
El precio es una columna independiente. La tarifa de catálogo más baja mostrada corresponde a Soniox TTS RT v2: $14.81 por millón de caracteres. Drama 3 preview no tiene un precio indicado allí; eso no significa acceso gratuito. Esas tarifas por caracteres no son suscripciones mensuales ni presupuestos por llamada completada. El despliegue debe confirmar unidades de facturación, niveles y disponibilidad con el proveedor, e incluir reconocimiento, razonamiento, herramientas, reintentos y la cantidad de voz realmente generada.
Para aceptar una integración, conviene probar códigos, nombres y respuestas largas con la voz y región previstas; después, transmitir texto parcial, interrumpirlo y revisar el audio reproducido; finalmente, comparar calidad y coste de la tarea con los requisitos. Son recomendaciones de AISubHub, no nuevas mediciones. Cekura declara que vende pruebas y monitorización en el mercado evaluado y que su consejo asesor sigue formándose. Enlaza un commit fijo del sistema de pruebas y publica resultados bajo CC BY 4.0. Facilita atribución e inspección, pero no significa que los hayamos reproducido independientemente ni crea una clasificación mundial combinada.
Por qué importa
El análisis de AISubHub propone elegir según la entrada y las interrupciones reales de la aplicación, comprobar el contenido difícil y calcular el coste de una tarea completa. Ganar una columna no demuestra qué sistema conversacional es mejor.
Límites y disponibilidad
Leímos la página pública completa y sus documentos About y de gobernanza; no ejecutamos el sistema de pruebas ni escuchamos grabaciones. La instantánea no demuestra rendimiento en chino, en todas las voces o regiones, garantías operativas ni disponibilidad comercial actual.
Fuentes y pruebas
Fecha de la fuente: · Fuente revisada:
Lecturas complementarias
Fuente revisada:
Fuente revisada:
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.