Analyse approfondie · Environ 7 min de lecture
Le test TTS de 26 modèles de Cekura : aligner les horloges avant de choisir une voix
L’instantané du 19 octobre distingue texte transmis, passages difficiles, naturel estimé et arrêt. Le meilleur temps ne mesure pas une réponse conversationnelle complète.
- Publié ici
- Date de la source
- Source vérifiée
Le benchmark de synthèse vocale de Cekura, publié initialement le 4 octobre puis mis à jour le 19, compare 26 configurations. Ses tableaux et sa méthode montrent pourquoi vitesse, codes correctement lus et naturel de la voix appellent des choix distincts. Ce sont les mesures rapportées par Cekura, pas des essais AISubHub ni de nouveaux lancements de modèles.
Écouter les actualités
Écoutez cet article ou poursuivez la lecture des actualités.
Préparation de la lecture…
Voix de l’appareil
La voix est traitée par votre navigateur ou appareil. AISubHub n’envoie pas le texte à une API audio. Les voix et la lecture écran verrouillé dépendent de l’appareil.
La reprise peut répéter une courte phrase.
En bref
- La page indique 104 phrases d’agent, trois lectures par phrase et 30,564 requêtes au total, depuis une région cliente US East avec une voix de catalogue par configuration.
- La médiane de −64 ms de Gradium en texte transmis et les 46 ms d’Inworld TTS-2 Flash en texte complet n’ont pas le même départ. La précision de lecture et le naturel UTMOS sont des estimations.
Ce que la comparaison contrôle réellement
Cekura appelle chaque configuration depuis une région cloud US East et utilise une voix de catalogue. Les mêmes 104 phrases vont de salutations à des réponses d’environ 500 caractères, chaque phrase étant lue trois fois. Cela aide à comparer une voix et un chemin de connexion choisis. Tous les serveurs d’inférence ne sont pas pour autant au même endroit ; toutes les voix et la vraie ligne téléphonique du client ne sont pas couvertes. Les exemples visibles n’établissent pas non plus des résultats équivalents en chinois.
Le nombre de requêtes demande une interprétation distincte. Le produit de 26 modèles, 104 phrases et trois lectures donne 8,112, pas les 30,564 requêtes annoncées. La page publique ne ventile pas ce total entre toutes les conditions : nous ne pouvons inventer un dénominateur ni attribuer l’écart à des relances. Texte complet, texte mot à mot et interruption sont des tests différents. Huit configurations n’acceptent pas le texte transmis et sont absentes du graphique correspondant. Ni le total ni une absence ne prouvent un échantillon uniforme.
Pourquoi une latence de texte transmis peut être négative
La latence en texte complet commence à l’envoi de toute la phrase et finit au premier son audible. L’établissement de connexion est exclu, mais le silence initial compte. La voix Sarah choisie pour Inworld TTS-2 Flash affiche une médiane de 46 ms sur cette mesure, contre 45 ms en texte transmis. Everly de Gradium affiche 76 ms en texte complet. Ces chiffres décrivent la chaîne de synthèse testée, pas le délai entre la fin d’une demande de l’appelant et la réponse complète de l’agent.
Avec du texte transmis, le point de départ devient le dernier mot envoyé. D’après Cekura, la médiane de −64 ms de Gradium signifie que le son débute avant ce mot pour la majorité des phrases testées. Elle ne signifie ni attente physique négative ni connaissance du texte futur. L’agent peut aussi attendre reconnaissance, raisonnement, outils et tampons audio. Ces étapes peuvent se chevaucher : additionner les médianes isolées de fournisseurs différents ne permet pas davantage de prédire fiablement le délai de bout en bout.
Distinguer estimation de lecture et estimation du naturel
La précision vise des passages difficiles : nombres, codes, adresses, abréviations dépendantes du contexte et termes médicaux. Deepgram Nova-3 et OpenAI Whisper transcrivent les enregistrements ; une lecture acceptée dans la transcription vaut réussite, puis leurs résultats sont combinés. Personne ne vérifie les cas. Cekura précise que les deux transcripteurs diffèrent de dix points sur un modèle. Une note élevée estime donc la lecture selon cet évaluateur, sans démontrer la compréhension de chaque auditeur ni la réussite d’une tâche métier.
Inworld TTS-2 obtient 93.4%, Flash 93.2% et Fish Audio S2.1-Pro 92.0% ; la page recommande de traiter comme ex æquo les premiers scores séparés de deux points au plus. Le naturel répond à une autre question : Drama 3 preview de Fish Audio, avec Delia, mène l’estimation UTMOS à 4.54. UTMOS prédit une note d’écoute ; ce n’est pas un vote de préférence publié par un panel humain. Un timbre agréable ne certifie pas un code, et un petit écart sans analyse d’incertitude suffisante ne prouve pas une supériorité universelle.
Arrêter le générateur et arrêter la lecture audio sont deux tâches
L’interruption révèle une autre limite. Grok TTS avec Carina rapporte 0 ms d’arrêt, contre 764 ms pour Cartesia Sonic 3.6 avec Skylar. Ce sont les mesures du benchmark, pas une promesse de silence immédiat sur le téléphone de l’appelant. Certaines lignes n’ont aucun message d’arrêt : l’application abandonne le flux. Cela ne correspond pas à une annulation native du générateur mesurée à zéro, et il faut encore gérer les sons déjà placés en file de lecture.
Cekura signale également des configurations dont l’audio généré prend parfois du retard sur la lecture : ElevenLabs v4 Turbo le fait pour 5% des phrases testées. Ce problème diffère d’un premier son lent ou d’un arrêt tardif. Dans un agent de réservation illustratif, parler vite n’est utile que si la suite reste fluide et si un code corrigé remplace l’ancienne parole. Il faut tester files audio et récupération côté client, pas seulement l’endpoint de synthèse. C’est une vérification de conception, pas notre propre expérience.
Transformer l’instantané en réception de l’application
Le prix forme encore une colonne distincte. Le tarif catalogue le plus bas affiché est celui de Soniox TTS RT v2, $14.81 par million de caractères. Aucun prix n’est indiqué pour Drama 3 preview ; cela ne signifie pas gratuité. Un tarif par caractères n’est ni un abonnement mensuel ni un devis par appel terminé. Il faut confirmer unités, paliers et disponibilité auprès du fournisseur, puis inclure reconnaissance, raisonnement, outils, relances et quantité de parole réellement produite.
Pour réceptionner l’application, retestez des codes, noms et longues réponses avec la voix et la région visées ; transmettez du texte partiel, interrompez-le et inspectez ce qui est audible ; comparez enfin qualité et coût de la tâche aux exigences. Ce sont des recommandations AISubHub, pas de nouvelles mesures. Cekura déclare vendre tests et supervision sur le marché évalué, et son conseil consultatif est encore en formation. Le site lie un commit fixe du dispositif et publie les résultats sous CC BY 4.0. Cela facilite attribution et inspection, sans prouver une reproduction indépendante par nous ni créer un classement mondial combiné.
Pourquoi cela compte
L’analyse d’AISubHub consiste à choisir selon les entrées et interruptions réelles de l’application, puis à vérifier les passages difficiles et le coût de la tâche complète. Une colonne gagnée ne désigne pas le meilleur système conversationnel.
Limites et disponibilité
Nous avons lu la page publique entière ainsi que les textes About et de gouvernance, sans exécuter le dispositif ni écouter les enregistrements. Cet instantané ne démontre ni les performances en chinois, ni toutes les voix et régions, ni des garanties de service ou d’accès commercial actuelles.
Sources et preuves
Date de la source: · Source vérifiée:
Pour approfondir
Source vérifiée:
Source vérifiée:
Articles assistés par IA, vérifiés avec les sources primaires citées. Les affirmations des fournisseurs sont attribuées ; la présence ne vaut pas recommandation.