AI 語音等多久才開口?Artificial Analysis 新增首音延遲評測,串流與音質怎麼選?
Artificial Analysis 新增 TTS 首音延遲評測。說明完整文字到可聽語音的計時、靜音、十二則提示與七日平均,並比較串流、音質、波動和中文產品驗收。
首音延遲衡量文字送進語音模型後,要等多久才能聽見第一段說話。即使整段音檔生成得很快,開頭若等太久,語音助理還是容易讓對話冷場。
Artificial Analysis 在 2026 年 11 月 16 日新增 Time to First Audio 評測,以每日十二則、涵蓋四種長度的提示,觀察各家文字轉語音服務何時開始發聲。
這個指標計入音訊開頭的靜音。伺服器先回一小包資料,和使用者聽見聲音,可能還差一段時間,所以不能把第一個位元組抵達當成開始說話。
新榜單同時保留音質、發音和完整生成速度,讓開發者比較不同取捨。測到的延遲是評測方呼叫指定服務的結果,並非每個地區、每種語言的共同保證。
我會建議開發對話產品的團隊先看首音延遲,再把自己系統前段的理解與思考時間加回來。若作品會預先產生配音,則應把音質和全文完成成本放在更前面。
要把這份榜單用對,先釐清從送出文字到聲音開始之間,計時包含哪些階段。
首音延遲如何計算,為何要把靜音算進去?
計時從完整文字送出開始,包含第一段音訊抵達前的等待,以及音訊開頭尚未發聲的時間。這樣才比較接近使用者聽見第一句話的時刻,而非只看伺服器開始傳資料。
Artificial Analysis 的方法文件舉出一個例子,請求送出後一百毫秒收到音訊,但其中有兩百五十毫秒靜音,首音延遲就是三百五十毫秒。
這個差別很容易被忽略,因為程式已收到回應,看起來像服務很快。對正在等答案的人而言,喇叭尚未發聲,對話的空白仍然存在,所以兩種量測不能互相替代。
為了讓不同音訊有一致標準,評測使用固定的聲音能量門檻。它尋找第一個超過門檻的十毫秒區段,把前面的部分算成初始靜音,而不靠人逐段猜測何時開始。
這是可重複的技術定義,但仍有範圍。很小聲的語音、背景聲和不同播放設備,可能影響使用者實際感受。評測數字描述的是該方法下的起點。
另外,這次是完整文字已經送出的情況。若應用還在等語言模型產生下一句話,前面的等待沒有自動算進來,因此不能把榜單的一百多毫秒當成整個助手的回應速度。
量測起訖清楚後,還要看哪些請求被平均在一起。

每日十二則提示與七日平均,代表什麼使用情境?
評測在隨機時點以英文聲線測四種文字長度,主數字平均最近七天所有已測請求。這避免只用一則很短的句子,就推論模型對長回答也能同樣快開始。
每次先送一個不計分的暖機請求,再測十二則提示。暖機會降低冷啟動影響,所以實際產品第一次啟動服務時,未必能直接取得相同等待時間。
十二則分成四組,分別是二十到四十五、六十到一百二十、一百八十到三百,以及四百五十到七百個字元,每組三則。這裡的字元也不等於模型的計費 token。
每組有一則固定提示,另兩則每天更換。當天所有模型使用同一批、相同打亂順序的提示,讓比較不會因為某家剛好收到比較簡單的句子就偏向它。
聲線也會隨機選擇,而主結果使用七日內所有已量測請求的平均。這可以降低單次結果的影響,卻仍只代表測到的時間與服務條件,不能當成全天候延遲保證。
新模型未必已經累積完整七天。十一月十七日查閱榜單,部分版本只列出兩到三個量測日,所以比較時還要注意觀測天數,不能把滾動視窗誤讀成每個模型都有七天資料。
平均值能比較整體表現,個別請求仍可能比它慢很多。
串流讓聲音先開始,完整生成速度另有分工
串流可以邊產生邊播放,非串流得等完整回應,因此開始播放所需等待不同。兩者的計時都從完整文字送出起算,差別在於使用者何時取得可播放的內容。
非串流服務要等整段音訊完成才回傳,長文字通常會讓使用者先等一段時間。它可能很適合預先產生配音,但在輪流說話的產品裡,這段等待會直接被感受到。
原始發布統計的六十五款串流模型,首音延遲中位數為三百七十六毫秒。二十款非串流模型則為兩秒。這是兩組服務在當次快照中的分布,沒有證明只改成串流就能固定省下多少時間。
中位數代表一組結果中間的位置,和前面每款模型的七日平均不同。把兩個數字放在一起時,應先辨認它是在描述一款模型,還是在描述多款模型形成的群體。
完整生成速度則以每秒處理多少字元衡量。它包含產生與取得整段音訊的時間,所以一款模型可能很快開口,卻需要較久才完成長篇朗讀。
方法文件中的吞吐量使用最近三天的中位數,並以另一套約五百字元的請求測試。它與首音延遲的七日平均、四種文字長度並非相同分母,不適合直接相減算出播放時間。
先開口之後是否持續順暢,仍要看後續傳輸和播放。
同時比較音質與延遲,怎麼讀前緣模型?
新圖把聽眾偏好評分與首音等待放在一起,讓開發者看見速度和品質的取捨。若只選最快服務,可能失去需要的聲音表現。只看音質,也可能讓即時對話等太久。
十一月十六日的原始發布列出,Simba 3.5 為一百一十六毫秒,且在兩百毫秒內開始發聲的模型中,有最高的 Arena 評分。這不是宣稱它是全部模型的最低延遲。
同一快照也列出 Inworld Realtime TTS-2 為一百八十六毫秒。Eleven v4 Turbo 為兩百五十八毫秒,Eleven v4 則為六百五十三毫秒,兩者在當時的 Arena 評分相同。
Arena 評分來自聽眾比較同一段文字的兩份音訊,透過成對選擇估計相對偏好。它反映整體聽感偏好,發音正確率與個人喜好仍需另行檢查。
圖表中的前緣,表示在該組結果裡,沒有另一個選項同時更快且品質分更高。它是協助縮小候選的方法,並不代表線上的每個選項都適合相同產品。
例如企業可能需要指定聲線、語言或發音字典,這些條件會先排除部分模型。先套入必要條件,再比較剩下候選的速度和品質,才比較接近可執行的選擇。
發音品質還有另一套檢查,讓模型朗讀容易出錯的數字、縮寫和專有名詞,再由人判斷指定片段是否自然正確。這能補上整體聽感評分不一定會抓到的細節。
因此,一款聲音很自然的模型,也可能需要特別處理代碼或日期。對客服報讀帳號、教育朗讀題目等用途,錯一個字會改變意思,應把這類樣本加入自己的驗收。
模型清單上的數量也不必等於延遲圖的數量。有些開放模型沒有可量測的遠端端點,仍可參加音質比較,但不一定有相同方法取得的速度與價格,不能把空白當成零。
比較成立的條件,是保留相同模型版本與評測日期。
等待波動與語言差異,決定產品實際體感
平均延遲之外,請求分布和使用語言會影響真實對話能否穩定開始。同樣一個平均值,可能來自大多數請求都接近它,也可能由很快和很慢的請求混合而成。
新評測因此另列波動圖,方框涵蓋中間一半請求,延伸線則呈現較低與較高分位。這讓開發者能觀察等待是否穩定,避免只被單一平均數吸引。
較長的尾端等待會影響連續對話。使用者可能在數次順暢回應後,遇到一次特別久的停頓,開始重說或以為斷線,這和每次都稍微慢一點是不同產品問題。
方法文件也明說,串流量到第一段音訊後,假設播放能繼續,沒有把後段傳送停頓納入這個首音指標。因此,首音表現好仍可能遇到後續緩衝,應用需要另外觀察。
語言範圍同樣重要,這套延遲方法使用英文聲線。台灣產品若主要處理中文、數字、中英混讀或人名,必須用自己的內容測,不能把英文快照當成本地語言結果。
網路與部署位置也會進入等待。本文查核的是評測方公布的原始方法與快照,沒有在台灣重新呼叫各家服務,因此不宣稱已驗證本地使用者能取得相同毫秒數。
榜單能縮小候選,自己的服務仍要用完整路徑驗收。
先選對場景,再建立端到端語音測試
對話回應要串接聽懂、生成答案與開始發聲,而預錄配音更在意全文品質和產生成本。先確定產品在哪一種情境,才知道該把新指標放到多前面。
客服助理可以先記錄使用者停止說話、文字理解完成、答案開始產生與第一段語音播放的時點。這些時點連起來,才是使用者感受到的完整等待。
如果主要時間花在查資料,單換 TTS 就未必改善很多。TTS 是把文字轉成語音的元件。把它的一百多毫秒與前段幾秒的工作分開,才知道優化資源應放在哪裡。
教學旁白則可以先產生完整音檔再播放,開頭多等幾百毫秒通常不會出現在觀眾面前。這時應先檢查專有名詞、停頓與整段一致性,再看生成速度與費用。
成本比較也要留意單位。模型比較頁統一用每百萬字元顯示價格,但部分供應商原本按音訊長度或訂閱收費,換算包含假設,不等於實際帳單會完全相同。
尤其英文每位元組約一字元的換算,不能直接移到中文。若自己的應用含大量中文,應用供應商原始費率與實際計量核對,再把價格放回候選比較。
我會先用同一組中文短句、長句、數字和常見人名,測幾款符合需求的模型。把開始發聲、整段完成、播放停頓和發音錯誤同時記錄,就能知道低延遲付出的品質代價。
正式產品還應保留超時處理。若音訊尚未開始,不一定要盲目重新送出同一段內容。先確認舊請求狀態,能減少重複播放或不必要費用,這也屬於完整對話體驗。
新榜單補上的是以前容易漏掉的等待起點。把各段等待分開記錄,再依自己的場景取捨,才能知道換語音模型究竟省下哪一段時間。
首音延遲評測常見問題
首音快,代表整段音檔也會先完成嗎?
不一定,開始發聲與完整生成是不同指標。串流可以先播放一部分,但剩餘內容的產生與傳輸仍需要時間,長篇用途要一起看吞吐量。
第一個資料包很快回來,可以當成開始說話嗎?
音訊開頭可能包含靜音,新方法因此把這段等待加回來。真正要比較的是可聽見聲音的起點,不能只看網路開始回資料。
英文榜單最快的一款適合台灣產品嗎?
榜單可以作為候選來源,但中文發音、聲線、連線位置與完整應用等待仍需實測。先用自己的內容做小範圍比較,再決定是否切換服務。
延伸閱讀:LiquidCodec 公開設計:74M 語音編解碼器跑在 CPU,87 倍即時速度代表什麼?
延伸閱讀:EMA Lightning 語音模型只有34MB:4毫秒首音與440倍速度,該怎麼讀?