Análise aprofundada · Cerca de 6 min de leitura
O teste TTS de 26 modelos da Cekura: alinhe os relógios antes de escolher a voz
O retrato de 19 de outubro separa texto transmitido, leitura de trechos difíceis, naturalidade estimada e interrupção. O menor número não mede uma resposta conversacional completa.
- Publicado aqui
- Data da fonte
- Fonte verificada
A avaliação de síntese de voz da Cekura foi publicada inicialmente em 4 de outubro e atualizada em 19 de outubro, comparando 26 configurações. A leitura das tabelas e da metodologia originais mostra por que rapidez, códigos corretos e voz natural exigem escolhas distintas. São resultados relatados pela Cekura, não testes do AISubHub nem lançamentos de modelos.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- A página informa 104 frases de agentes, três leituras por frase e 30,564 solicitações no total, com cliente numa região US East e uma voz de catálogo por configuração.
- A mediana de −64 ms da Gradium com texto transmitido e os 46 ms da Inworld TTS-2 Flash com texto completo usam pontos iniciais diferentes. Precisão de leitura e naturalidade UTMOS são estimativas.
O que a comparação controla, e o que não controla
A Cekura chama cada configuração de uma região de nuvem no US East e usa uma voz de catálogo. As mesmas 104 frases vão de saudações a respostas de aproximadamente 500 caracteres, cada uma lida três vezes. Isso ajuda a comparar uma voz e um caminho de conexão específicos. Não coloca os servidores de inferência de todos os fornecedores no mesmo lugar, não estabelece o desempenho de todas as vozes nem cobre a linha telefônica real do cliente. Os exemplos visíveis também não demonstram resultados equivalentes em chinês.
A contagem de solicitações precisa de um limite próprio. Multiplicar 26 modelos por 104 frases e três leituras resulta em 8,112, e não nas 30,564 solicitações informadas. A página pública não detalha o total por todas as condições; não podemos inventar um denominador ou explicar a diferença como novas tentativas. Texto completo, texto palavra por palavra e interrupção são testes distintos. Oito configurações não recebem texto transmitido e não aparecem nesse gráfico. Nem o total nem uma linha ausente provam uma amostra uniforme.
Por que a latência de texto transmitido pode ser negativa
A latência sem transmissão de texto começa no envio da frase inteira e termina no primeiro som audível. A conexão inicial fica de fora; o silêncio na abertura entra na medida. A voz Sarah usada na Inworld TTS-2 Flash registra mediana de 46 ms nesse teste e 45 ms com texto transmitido. Everly, da Gradium, registra 76 ms com texto completo. São medidas do caminho de síntese testado, não do intervalo entre o fim da solicitação do usuário e a resposta completa do agente.
No texto transmitido, o relógio começa na última palavra enviada. Segundo a Cekura, a mediana de −64 ms da Gradium significa que a voz começa antes dessa palavra na maioria das frases testadas. Não existe espera física negativa ou conhecimento do texto futuro. O agente também pode esperar reconhecimento, raciocínio, ferramentas e buffers de reprodução. Essas etapas podem se sobrepor; somar medianas isoladas de fornecedores diferentes também não produz uma previsão confiável de ponta a ponta.
Separar estimativas de pronúncia e de naturalidade
A precisão de leitura verifica trechos difíceis, incluindo números, códigos, endereços, abreviações dependentes do contexto e termos médicos. Deepgram Nova-3 e OpenAI Whisper transcrevem as gravações; a presença de uma leitura aceita determina o acerto e os resultados são combinados. Nenhuma pessoa confere os casos. A Cekura observa uma diferença de dez pontos percentuais entre os transcritores em um modelo. Assim, a pontuação estima a leitura segundo esse avaliador, sem provar o entendimento de cada ouvinte ou o sucesso de uma tarefa comercial.
Inworld TTS-2 marca 93.4%, Flash 93.2% e Fish Audio S2.1-Pro 92.0%; a página recomenda considerar empatados os líderes separados por até dois pontos. Naturalidade responde a outra pergunta: Drama 3 preview, da Fish Audio, com Delia, lidera a estimativa UTMOS com 4.54. UTMOS prevê uma nota de teste de audição, não representa votação publicada de um painel humano. Timbre agradável não certifica um código de confirmação; uma pequena vantagem numérica sem análise adequada de incerteza não deve virar superioridade universal.
Parar a geração e parar a reprodução são trabalhos diferentes
A interrupção revela outra fronteira. Grok TTS com Carina informa 0 ms para parar; Cartesia Sonic 3.6 com Skylar informa 764 ms. Os números descrevem a medida do benchmark, não garantem silêncio instantâneo no aparelho do usuário. Algumas linhas não têm mensagem de parada; a aplicação descarta o fluxo. Isso não equivale a zero medido no cancelamento nativo do gerador. A aplicação ainda precisa gerenciar o áudio que já entrou na fila de reprodução.
A Cekura também assinala configurações cujo áudio gerado às vezes fica atrás da reprodução: isso ocorre com ElevenLabs v4 Turbo em 5% das frases testadas. É uma questão diferente da demora no primeiro som ou ao interromper. Num agente de reservas ilustrativo, começar depressa só ajuda se o restante chegar sem falhas e um código corrigido substituir a fala antiga. É preciso testar filas do cliente e recuperação, além do endpoint de síntese. Trata-se de uma verificação de projeto, não de um experimento executado pelo AISubHub.
Transformar o retrato em aceitação da aplicação
Preço é mais uma coluna separada. A menor tarifa de catálogo exibida é a da Soniox TTS RT v2, $14.81 por milhão de caracteres. Drama 3 preview não tem preço informado ali; ausência de preço não significa acesso gratuito. Tarifas por caracteres não são assinaturas mensais nem orçamentos por ligação concluída. O planejamento deve confirmar unidades, faixas e disponibilidade com o fornecedor, incluindo reconhecimento, raciocínio, ferramentas, novas tentativas e o volume de fala realmente produzido.
Para aceitar a aplicação, teste códigos, nomes e respostas longas com a voz e a região pretendidas; transmita texto parcial, interrompa e inspecione a reprodução audível; depois compare qualidade e custo da tarefa com os requisitos. São recomendações do AISubHub, não novas medições. A Cekura declara vender testes e monitoramento no mercado que avalia, e seu conselho consultivo ainda está em formação. A página liga um commit fixo do sistema de testes e publica resultados sob CC BY 4.0. Isso facilita atribuição e inspeção, mas não prova reprodução independente por nós nem cria um ranking mundial combinado.
Por que importa
A análise do AISubHub recomenda escolher a voz conforme a entrada e as interrupções reais da aplicação, verificar os trechos difíceis e calcular o custo da tarefa inteira. Vencer uma coluna não define o melhor sistema de conversação.
Limites e disponibilidade
Lemos a página pública completa e os textos About e de governança, sem executar o sistema de testes nem ouvir gravações. O retrato não estabelece desempenho em chinês, em todas as vozes e regiões, garantias operacionais ou elegibilidade comercial atual.
Fontes e evidências
Data da fonte: · Fonte verificada:
Leituras complementares
Fonte verificada:
Fonte verificada:
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.