深度解读 · 约 6 分钟阅读
Cekura的26模型TTS评测：先把语音时延的起点对齐
10月19日快照分开测流式文本时延、难读内容、自然度估计与停止行为。最快的一列，并不等于完整语音对话的响应时间。
- 本站发布
- 原文发布
- 核实时间
Cekura的语音合成评测页面首次发表于10月4日，最后更新于10月19日，比较了26种模型配置。完整阅读原始榜单与方法后，更值得讨论的是怎样分别选择响应速度、号码读法与声音自然度。下文数字均为Cekura报告，不是本站实测，也不是这些模型在当天新发布。
听读资讯
朗读当前文章，或连续收听资讯。
正在准备听读…
设备语音
朗读由浏览器或设备处理，AISubHub 不向音频 API 发送文本。可用语音及锁屏播放能力因设备而异。
继续播放时可能重复一小段。
一分钟速览
- 官网列出104条代理话术、每句读三次、合计30,564次请求；客户端位于同一美国东部云区域，每个配置选用一种预设音色。
- Gradium流式文本的−64毫秒中位数，与Inworld TTS-2 Flash整句输入的46毫秒使用不同计时起点；读音准确率和UTMOS自然度都明确属于估计。
统一了哪些条件，仍有哪些条件没有统一
Cekura从同一美国东部云区域调用各配置，每个配置选一种预设音色。104条话术从问候延伸到约500字符的回复，每句读三次。这能约束所选音色与连接路径的比较，却不等于所有厂商的推理服务器位于同一地点，也不覆盖全部音色或客户真实电话线路。页面展示的英文例句，同样不能证明中文能取得相同结果。
请求总数也要单独读。26种模型乘104句再乘三次，是8,112，并非官网列出的30,564次请求。公开页没有拆出所有测试条件对应的计数，因此本站不能编一个分母，也不能把差额解释为重试。整句文本、逐词文本和中途打断是不同测试；八个配置不接受流式文本，没有进入对应图表。总请求量或缺席行，都不能被当成统一样本的证明。
负时延来自计时起点，而不是提前理解用户
整句输入的时延，从完整句子发出开始，到第一个可听见的声音结束；建立连接的过程不计入，开头静音则计入。Inworld TTS-2 Flash所选Sarah音色在这一项的中位数是46毫秒，流式文本是45毫秒；Gradium的Everly整句输入为76毫秒。这些是特定合成链路的读数，并不是用户说完问题到代理完整回答的耗时。
流式文本换了起点：从最后一个词发出开始计时。按Cekura的解释，Gradium的−64毫秒中位数表示，多数测试句在最后一个词到达前已经出声，并不是物理等待时间小于零，更不是模型预知后文。语音代理还可能等待识别、推理、工具与播放缓冲；这些环节能够重叠，把不同厂商各自的中位数相加，也不能可靠预测端到端响应。
读音估计与自然度估计回答不同问题
读音准确率针对数字、代码、地址、依上下文变化的缩写和医学词等难读片段。录音交给Deepgram Nova-3与OpenAI Whisper转写，再按转写中是否出现可接受读法判定，并合并两者结果；没有人工逐项核查。Cekura还指出，某个模型在两种转写器之间能相差十个百分点。因此高分是在这个判定器下的读音估计，不代表每位听者都听对，更不等于业务任务成功。
Inworld TTS-2为93.4%，Flash为93.2%，Fish Audio S2.1-Pro为92.0%；官网建议把相差两点以内的领先者视为并列。自然度是另一回事：Fish Audio Drama 3预览版的Delia音色以4.54领先UTMOS估计。UTMOS是预测听测得分的模型，这不是人工评审团公布的偏好投票。声音悦耳不能保证确认码无误，缺少必要的不确定性分析时，细小分差也不应被写成普遍质量优势。
停止生成和停止播放需要分开验收
打断还涉及另一个边界。Grok TTS的Carina停止读数为0毫秒，Cartesia Sonic 3.6的Skylar为764毫秒；这描述的是本评测的停止指标，不能保证来电者手机立即安静。有些行根本没有停止消息，由应用丢弃流。这不等于原生生成取消已经测得零延迟；应用仍须处理提前排入播放队列的声音。
Cekura还标记了生成音频偶尔跟不上播放的配置，例如ElevenLabs v4 Turbo在5%的测试句出现这种情况。它与首声慢、打断慢是不同问题。以一个教学性的预约代理为例，第一句话开口快，只有在后续音频连续、确认码改正后旧声音能退出时才有意义。因此要连客户端队列与恢复过程一起测，不能只验合成接口；这个场景是本站的设计检查，并非本站新做的实验。
把榜单快照转为自己的业务验收
价格又是一列不同的数据。页面最低展示价为Soniox TTS RT v2的$14.81／百万字符，Fish Audio Drama 3预览版则未列价格；缺价不等于免费。按字符的目录价不是月费订阅，也不是完成一通电话的报价。预算需要向供应商核对计费单位、档位和可用条件，再纳入识别、推理、工具、重试，以及实际合成的语音量。
实际验收可先用目标音色与用户地区，复测业务中的代码、姓名和长回复，再逐词输入、打断并检查可听见的播放，最后按需求比较质量与整项任务成本。这是本站建议，不是新增测量。Cekura披露自己在受评市场出售测试与监控服务，咨询委员会仍在组建；页面链接固定提交的测试框架，结果使用CC BY 4.0。它有助于署名引用和检查，但不代表本站已独立复现，更不能合成一个全球模型总榜。
有什么影响
本站分析认为，应按实际文本输入与打断方式选择语音，再核对难读内容和完整任务成本。单项第一不能直接证明哪套对话系统最好。
限制与可用性
本站读完公开评测、About与治理说明，没有运行测试框架或试听录音。这个快照不能证明中文、全部音色、各地区的效果，也不能承诺实时服务水平或当前购买资格。
来源与证据
原文发布: · 核实时间:
补充阅读
AI 辅助采编，依据所列一手来源核实。厂商自报结论注明归属，收录不代表背书。