विस्तृत विश्लेषण · लगभग 7 मिनट पढ़ना
Cekura का 26-मॉडल TTS बेंचमार्क: आवाज़ चुनने से पहले समय का आधार मिलाएँ
19 अक्टूबर का स्नैपशॉट स्ट्रीम किए गए पाठ की देरी, कठिन उच्चारण, अनुमानित स्वाभाविकता और रुकने को अलग मापता है। सबसे छोटी संख्या पूरे वॉइस एजेंट का प्रतिक्रिया समय नहीं है।
- यहाँ प्रकाशित
- स्रोत की तारीख
- स्रोत जाँचा गया
Cekura का टेक्स्ट-टू-स्पीच बेंचमार्क पहली बार 4 अक्टूबर को प्रकाशित हुआ और 19 अक्टूबर को अपडेट हुआ। इसमें 26 मॉडल कॉन्फ़िगरेशन की तुलना है। मूल तालिकाएँ और पूरी पद्धति पढ़ने पर स्पष्ट होता है कि गति, कोड का सही उच्चारण और स्वाभाविक आवाज़ अलग निर्णय माँगते हैं। ये Cekura के माप हैं, AISubHub के परीक्षण या नए मॉडल लॉन्च नहीं।
समाचार सुनें
यह लेख सुनें या समाचार लगातार चलाएँ।
पढ़ने की तैयारी हो रही है…
डिवाइस की आवाज़
वाक् प्रक्रिया आपके ब्राउज़र या डिवाइस में होती है। AISubHub पाठ किसी ऑडियो API को नहीं भेजता। आवाज़ों और लॉक स्क्रीन पर चलने की सुविधा डिवाइस पर निर्भर है।
जारी करने पर छोटा वाक्यांश दोहराया जा सकता है।
मुख्य बातें
- पृष्ठ एक अमेरिकी पूर्वी क्लाइंट क्षेत्र और हर कॉन्फ़िगरेशन की एक तैयार आवाज़ के साथ 104 एजेंट वाक्य, हर वाक्य के तीन पाठ और कुल 30,564 अनुरोध बताता है।
- Gradium की −64 ms स्ट्रीम-पाठ माध्यिका और Inworld TTS-2 Flash की 46 ms पूर्ण-पाठ माध्यिका अलग बिंदुओं से समय गिनती हैं। उच्चारण शुद्धता और UTMOS स्वाभाविकता स्पष्ट रूप से अनुमान हैं।
नियंत्रित तुलना में क्या समान है और क्या नहीं
Cekura हर कॉन्फ़िगरेशन को अमेरिकी पूर्वी हिस्से के एक क्लाउड क्षेत्र से कॉल करता है और एक तैयार आवाज़ चुनता है। वही 104 एजेंट वाक्य अभिवादन से लगभग 500 अक्षरों के उत्तर तक जाते हैं; हर वाक्य तीन बार पढ़ा जाता है। इससे चुनी हुई आवाज़ और कनेक्शन-पथ की तुलना नियंत्रित होती है। इसका अर्थ यह नहीं कि सभी प्रदाताओं के अनुमान सर्वर एक स्थान पर हैं, सभी आवाज़ें ऐसी ही चलेंगी या ग्राहक की वास्तविक टेलीफ़ोन लाइन शामिल है। दिखाए गए अंग्रेज़ी उदाहरण चीनी में समान परिणाम भी सिद्ध नहीं करते।
अनुरोधों की संख्या की अपनी सीमा है। 26 मॉडल × 104 वाक्य × तीन पाठ = 8,112, जबकि पृष्ठ कुल 30,564 अनुरोध बताता है। सार्वजनिक पृष्ठ हर परीक्षण-स्थिति के हिसाब से यह कुल नहीं बाँटता, इसलिए हम कोई हर नहीं गढ़ सकते या अंतर को पुनः प्रयास कहकर नहीं समझा सकते। पूरा पाठ, स्ट्रीम किया पाठ और बीच में रोकना अलग परीक्षण हैं। आठ कॉन्फ़िगरेशन स्ट्रीम किया पाठ स्वीकार नहीं कर सकते और उस चार्ट में नहीं हैं। कुल संख्या या गायब पंक्ति एक समान नमूने का प्रमाण नहीं है।
स्ट्रीमिंग देरी ऋणात्मक कैसे हो सकती है
गैर-स्ट्रीमिंग देरी पूरा वाक्य भेजे जाने से पहली सुनाई देने वाली ध्वनि तक मापी जाती है। कनेक्शन स्थापित करना बाहर है, शुरुआती मौन अंदर। Inworld TTS-2 Flash की चुनी Sarah आवाज़ की इस माप पर माध्यिका 46 ms है और स्ट्रीम किए पाठ में 45 ms। Gradium की Everly पूरे पाठ में 76 ms देती है। ये परीक्षित संश्लेषण-पथ के माप हैं, कॉल करने वाले के प्रश्न समाप्त होने से एजेंट का पूरा उत्तर समाप्त होने तक का समय नहीं।
स्ट्रीम किए पाठ में घड़ी अंतिम शब्द भेजने से शुरू होती है। Cekura के अनुसार Gradium की −64 ms माध्यिका का अर्थ है कि अधिकतर परीक्षण-वाक्यों में आख़िरी शब्द आने से पहले ध्वनि शुरू हो जाती है। इसका अर्थ ऋणात्मक भौतिक प्रतीक्षा या भविष्य का पाठ जानना नहीं है। वॉइस एजेंट को पहचान, तर्क, टूल और प्लेबैक बफ़र का भी इंतज़ार हो सकता है। चरण आपस में चल सकते हैं, इसलिए अलग प्रदाताओं की माध्यिकाएँ जोड़ना भी भरोसेमंद संपूर्ण प्रतिक्रिया का अनुमान नहीं देगा।
उच्चारण और स्वाभाविकता के अनुमानों को अलग रखें
पढ़ने की शुद्धता संख्याओं, कोड, पतों, संदर्भ के अनुसार बदलने वाले संक्षेपों और चिकित्सा शब्दों जैसे कठिन अंशों को जाँचती है। रिकॉर्डिंग Deepgram Nova-3 और OpenAI Whisper से लिखित पाठ में बदली जाती हैं; स्वीकार्य उच्चारण मिलने पर पास तय होता है और दोनों परिणाम जोड़े जाते हैं। कोई व्यक्ति इन निर्णयों को अलग से नहीं जाँचता। Cekura बताता है कि एक मॉडल पर दोनों ट्रांसक्राइबर में दस प्रतिशत-अंकों का अंतर है। इसलिए उच्च अंक इस मूल्यांकनकर्ता के तहत सही पढ़ने का अनुमान हैं, हर श्रोता की समझ या व्यावसायिक कार्य-सफलता का प्रमाण नहीं।
Inworld TTS-2 को 93.4%, Flash को 93.2% और Fish Audio S2.1-Pro को 92.0% मिले हैं; पृष्ठ दो अंकों के भीतर वाले अग्रणी अंकों को बराबर मानने की सलाह देता है। स्वाभाविकता अलग प्रश्न है: Delia आवाज़ वाला Fish Audio Drama 3 प्रीव्यू UTMOS अनुमान में 4.54 के साथ आगे है। UTMOS सुनने के परीक्षण का स्कोर अनुमानित करता है; यह मानव निर्णायक दल का प्रकाशित पसंद-मत नहीं है। मधुर आवाज़ पुष्टि-कोड सही होने की गारंटी नहीं। आवश्यक अनिश्चितता-विश्लेषण के बिना छोटा संख्यात्मक अंतर सार्वभौमिक गुणवत्ता का दावा नहीं बनना चाहिए।
जनरेटर रोकना और प्लेबैक रोकना अलग काम हैं
बीच में रोकना एक और सीमा दिखाता है। Carina के साथ Grok TTS रुकने का 0 ms बताता है, जबकि Skylar के साथ Cartesia Sonic 3.6 का 764 ms है। ये बेंचमार्क के रुकने के माप हैं, कॉल करने वाले के फ़ोन में तुरंत मौन की गारंटी नहीं। कुछ पंक्तियों में रोकने का संदेश ही नहीं; अनुप्रयोग स्ट्रीम छोड़ देता है। यह जनरेटर के मूल रद्दीकरण का मापा हुआ शून्य नहीं है। पहले से प्लेबैक कतार में पहुँचे ऑडियो को अनुप्रयोग को फिर भी सँभालना पड़ता है।
Cekura ऐसे कॉन्फ़िगरेशन भी चिह्नित करता है जिनका तैयार ऑडियो कभी-कभी प्लेबैक से पीछे रह जाता है। ElevenLabs v4 Turbo में यह 5% परीक्षण-वाक्यों में होता है। यह पहली ध्वनि देर से आने या रुकने के परिणाम से अलग है। उदाहरण के लिए एक काल्पनिक बुकिंग एजेंट में पहली पंक्ति जल्दी बोलना तभी उपयोगी है जब बाकी आवाज़ सहज आती रहे और सुधारा गया पुष्टि-कोड पुराने भाषण को बदल दे। डेवलपर को संश्लेषण एंडपॉइंट के साथ क्लाइंट कतार और पुनर्प्राप्ति भी जाँचनी चाहिए। यह अनुप्रयोग-डिज़ाइन की सलाह है, हमारा किया हुआ बेंचमार्क नहीं।
स्नैपशॉट को अनुप्रयोग की स्वीकृति जाँच में बदलें
कीमत एक अलग स्तंभ है। पृष्ठ की सबसे कम प्रदर्शित सूची-दर Soniox TTS RT v2 की $14.81 प्रति दस लाख अक्षर है; Fish Audio Drama 3 प्रीव्यू की कीमत वहाँ नहीं दी गई। कीमत का न होना मुफ़्त पहुँच नहीं है। प्रति-अक्षर दर मासिक सदस्यता या पूरी कॉल का कोटेशन नहीं। बजट बनाते समय प्रदाता से बिलिंग इकाई, स्तर और उपलब्धता स्पष्ट करें, फिर पहचान, तर्क, टूल, दोबारा प्रयास और वास्तव में तैयार भाषण की मात्रा शामिल करें।
स्वीकृति के लिए पहले इच्छित आवाज़ और उपयोगकर्ता क्षेत्र में प्रतिनिधि कोड, नाम और लंबे उत्तर फिर जाँचें। फिर आंशिक पाठ स्ट्रीम करें, बीच में रोकें और सुनाई देने वाला प्लेबैक देखें। अंत में गुणवत्ता और पूरे कार्य की लागत को अनुप्रयोग की ज़रूरत से मिलाएँ। ये AISubHub की सिफ़ारिशें हैं, नए माप नहीं। Cekura बताता है कि वह उसी बाज़ार में परीक्षण और निगरानी बेचता है जिसका मूल्यांकन करता है, और उसका सलाहकार बोर्ड अभी बन रहा है। वह निश्चित कमिट वाला परीक्षण ढाँचा जोड़ता है और CC BY 4.0 में परिणाम देता है। इससे स्रोत देना और जाँच करना संभव होता है; यह हमारा स्वतंत्र पुनरुत्पादन या संयुक्त वैश्विक मॉडल रैंकिंग नहीं।
यह क्यों अहम है
AISubHub का विश्लेषण है कि वास्तविक पाठ-इनपुट और बीच में रोकने के तरीके के अनुसार आवाज़ चुनें, फिर कठिन सामग्री और पूरे कार्य की लागत जाँचें। किसी एक स्तंभ में पहला स्थान सर्वश्रेष्ठ संवाद प्रणाली सिद्ध नहीं करता।
सीमाएँ और उपलब्धता
हमने पूरा सार्वजनिक पृष्ठ, About और संचालन संबंधी जानकारी पढ़ी, लेकिन परीक्षण ढाँचा नहीं चलाया और रिकॉर्डिंग नहीं सुनी। यह स्नैपशॉट चीनी भाषा, सभी आवाज़ों, हर क्षेत्र, लाइव सेवा की गारंटी या वर्तमान खरीद-पात्रता का प्रमाण नहीं है।
स्रोत और प्रमाण
स्रोत की तारीख: · स्रोत जाँचा गया:
पूरक पठन
स्रोत जाँचा गया:
स्रोत जाँचा गया:
AI की सहायता से लिखे लेखों को दिए गए प्राथमिक स्रोतों से जाँचा जाता है। प्रदाता के दावों का श्रेय स्पष्ट है; सूची में होना समर्थन नहीं है।