Подробный разбор · Около 6 мин чтения
Тест Cekura для 26 TTS-моделей: сначала согласуйте начало отсчёта задержки
Снимок от 19 октября отдельно измеряет потоковый текст, сложное чтение, оценку естественности и остановку. Самая малая задержка — не полное время ответа голосового агента.
- Опубликовано здесь
- Дата источника
- Источник проверен
Страница теста синтеза речи Cekura впервые опубликована 4 октября и обновлена 19 октября; она сравнивает 26 конфигураций моделей. Полное прочтение исходных таблиц и методики показывает, почему скорость, точное чтение кодов и естественный голос требуют отдельных решений. Это измерения Cekura, а не тесты AISubHub и не новые запуски моделей.
Слушать новости
Прослушайте эту статью или включите новости подряд.
Подготовка чтения…
Голос устройства
Речь обрабатывает браузер или устройство. AISubHub не отправляет текст в аудио-API. Доступные голоса и работа при заблокированном экране зависят от устройства.
При продолжении короткая фраза может повториться.
Кратко
- На странице указаны 104 фразы агента, по три прочтения каждой и всего 30,564 запроса из одного клиентского региона на востоке США с одним штатным голосом на конфигурацию.
- Медиана Gradium −64 ms для потокового текста и 46 ms у Inworld TTS-2 Flash для полного текста отсчитываются от разных событий. Точность чтения и естественность UTMOS явно являются оценками.
Что контролируемое сравнение фиксирует, а что нет
Cekura вызывает каждую конфигурацию из одного облачного региона на востоке США и использует один штатный голос. Одинаковые 104 фразы охватывают приветствия и ответы примерно до 500 символов, каждую читают три раза. Это позволяет контролировать сравнение выбранного голоса и пути соединения. Но все серверы вывода поставщиков от этого не оказываются в одном месте, результат не охватывает каждый голос и реальную телефонную линию клиента. Видимые английские примеры также не доказывают аналогичное качество на китайском.
Число запросов требует отдельной оговорки. Умножение 26 моделей на 104 фразы и три прочтения даёт 8,112, а не заявленные на странице 30,564 запроса. Публичная страница не раскладывает итог по всем условиям; нельзя придумывать знаменатель или объяснять разницу повторными попытками. Полный текст, потоковый текст и прерывание — разные испытания. Восемь конфигураций не принимают потоковый текст и отсутствуют на соответствующем графике. Ни общее число, ни пропущенная строка не доказывают существование одной однородной выборки.
Почему потоковая задержка может быть отрицательной
Задержка без потокового ввода отсчитывается от отправки полного предложения до первого слышимого звука. Установление соединения исключено, начальная тишина включена. Выбранный голос Sarah для Inworld TTS-2 Flash показывает медиану 46 ms по этой метрике и 45 ms при потоковом тексте. Everly у Gradium даёт 76 ms для полного текста. Это показатели испытанного пути синтеза, а не время от окончания вопроса звонящего до завершения полного ответа агента.
Для потокового текста начало отсчёта другое: отправка последнего слова. По объяснению Cekura, медиана Gradium −64 ms означает, что на большинстве тестовых предложений звук начинается ещё до прихода последнего слова. Это не отрицательное физическое ожидание и не знание будущего текста. Агент также может ждать распознавание, рассуждение, инструменты и буфер воспроизведения. Этапы могут перекрываться, поэтому сложение отдельных медиан разных поставщиков тоже не даёт надёжного прогноза полной задержки.
Отделяйте оценку произношения от оценки естественности
Точность чтения относится к сложным фрагментам: числам, кодам, адресам, зависящим от контекста сокращениям и медицинским терминам. Записи расшифровывают Deepgram Nova-3 и OpenAI Whisper; наличие допустимого прочтения в расшифровке определяет успех, результаты объединяются. Человек не проверяет эти решения по отдельности. Cekura отмечает разницу в десять процентных пунктов между двумя распознавателями для одной модели. Высокая оценка потому характеризует чтение в рамках данного оценщика, а не доказывает понимание каждого слушателя или успех деловой задачи.
Inworld TTS-2 получает 93.4%, Flash — 93.2%, Fish Audio S2.1-Pro — 92.0%; страница советует считать лидирующие результаты с разницей до двух пунктов включительно равными. Естественность отвечает на другой вопрос: предварительная Fish Audio Drama 3 с голосом Delia лидирует по оценке UTMOS с 4.54. UTMOS предсказывает результат прослушивания, а не представляет опубликованное голосование человеческого жюри. Приятный тембр не подтверждает правильность кода, а малая разница без нужного анализа неопределённости не должна превращаться во всеобщее утверждение о качестве.
Остановить генератор и остановить воспроизведение — разные задачи
Прерывание показывает ещё одну границу. Grok TTS с Carina сообщает остановку за 0 ms, а Cartesia Sonic 3.6 со Skylar — за 764 ms. Это измерение остановки внутри бенчмарка, не обещание мгновенной тишины в телефоне звонящего. В некоторых строках нет сообщения остановки: приложение отбрасывает поток. Это не измеренный ноль для штатной отмены генерации; приложению всё равно нужно управлять звуком, уже попавшим в очередь воспроизведения.
Cekura также отмечает конфигурации, где генерация аудио иногда отстаёт от воспроизведения: у ElevenLabs v4 Turbo это происходит на 5% тестовых предложений. Это не то же самое, что медленный первый звук или результат прерывания. В иллюстративном агенте бронирования быстрое начало полезно лишь при плавном продолжении и замене старой речи исправленным кодом подтверждения. Разработчику следует проверять очереди клиента и восстановление вместе с конечной точкой синтеза. Этот пример — проверка конструкции приложения, а не выполненный нами эксперимент.
Превратите снимок в приёмочную проверку приложения
Цена — ещё один отдельный столбец. Минимальный показанный прейскурант на странице — Soniox TTS RT v2: $14.81 за миллион символов; для предварительной Fish Audio Drama 3 цена там не указана. Отсутствие цены не означает бесплатный доступ. Посимвольные тарифы не являются месячной подпиской или ценой завершённого звонка. Для бюджета нужно уточнить у поставщика единицы оплаты, уровни и доступность, затем учесть распознавание, рассуждение, инструменты, повторные попытки и фактический объём созданной речи.
Для приёмки сначала повторите характерные коды, имена и длинные ответы с нужным голосом и в регионе пользователя; затем подавайте частичный текст, прерывайте его и проверяйте слышимое воспроизведение; наконец сравните качество и стоимость всей задачи с требованиями приложения. Это рекомендации AISubHub, не новые измерения. Cekura раскрывает продажу инструментов тестирования и мониторинга на оцениваемом ею рынке; консультативный совет ещё формируется. Она ссылается на стенд с закреплённым commit и публикует результаты по CC BY 4.0. Это помогает атрибуции и проверке, но не означает нашего независимого воспроизведения или единого глобального рейтинга моделей.
Почему это важно
По анализу AISubHub, голос нужно выбирать под реальный ввод текста и прерывание в приложении, затем проверять сложное содержание и стоимость всей задачи. Победа в одном столбце не доказывает превосходство диалоговой системы целиком.
Ограничения и доступность
Мы полностью прочитали общедоступную страницу, About и правила управления, но не запускали тестовый стенд и не слушали записи. Снимок не доказывает качество китайского языка, всех голосов и регионов, не гарантирует работу сервиса в реальном времени или текущую доступность покупки.
Источники и подтверждения
Дата источника: · Источник проверен:
Дополнительные материалы
Источник проверен:
Источник проверен:
Материалы подготовлены с помощью ИИ и сверены с указанными первоисточниками. Заявления поставщиков атрибутированы; публикация не означает рекомендацию.