Cekura 团队比较了 26 款文字转语音（TTS）模型：让它们从同一美东云区域调用，朗读同一批 104 条英语通话句子，每句读三遍，并测整句输入、逐词输入与打断等不同情况。团队报告，整个基准共发起 30,564 次请求，包含多种测试，并非三万多条不同句子。

每个模型选用一个固定的美式英语预置女声。这是一组特定接口、声音和网络位置下的比较，结果不能直接外推到中文或声音克隆。

同一批模型，换个衡量标准，领先者就变了：

• 全句输入延迟：Inworld TTS-2 Flash 以 46 毫秒的中位数首个可听声音时间领跑；
• 逐词流式输入延迟：Gradium 的中位数为 −64 毫秒，出现了「负延迟」，在句子最后一个单词尚未输入完毕前就已经开口发声；
• 数字与专业术语准确率：Inworld TTS-2 达到 93.4%，与 Inworld TTS-2 Flash（93.2%）、Fish Audio S2.1-Pro（92.0%）处于第一梯队；
• 声音自然度估算：Fish Audio Drama 3 达到 4.54 分（满分 5 分）居首；

本次比较没有一个模型在所有指标上都居首。快开口、读准电话号码、声音自然，以及用户插话后如何处理旧音频，分别考验不同能力。选语音 Agent 的声音，需要先弄清自己的产品最怕哪一种问题。

为什么同一句话，换个输入方式就会换冠军？

把文章交给工具转成语音时，可以一次发送全文；实时语音对话却常常边生成回复边说。大语言模型陆续生成文字，Agent 可以把已生成的片段先交给 TTS，让语音合成与后续文字生成重叠进行。

本次测试分别采用两种文本输入方式：

1. 整句输入模式（Non-streaming）：客户端一次发送完整句子，从发送时刻量到首个可听声音出现。Inworld TTS-2 Flash 的中位数为 46 毫秒，Gradium 为 76 毫秒，Inworld TTS-2 为 126 毫秒。实际产品也可以先选好一个语段再发送，不必机械地等句号。
2. 逐词流式输入模式（Streaming）：客户端逐词发送，让 TTS 在文字尚未传完时就有机会开始发声。本榜以每秒 30 个词模拟输入节奏，再从最后一个词发送算到首个可听声音：Gradium 为 −64 毫秒，Inworld TTS-2 Flash 为 45 毫秒，ElevenLabs v4 Turbo 为 69 毫秒。每秒 30 词是测试设定，并非大语言模型固定的生成速度。

散点图未画出的 8 款模型，包括 GPT-4o mini TTS、Gemini 3.8 Flash、ElevenLabs v3 和 Qwen3-TTS 等，在本次所测接口与配置下不接受逐词文本输入。它们即使能把输出音频分块传回来，也与“文字没传完就开始合成”不同。这个区别影响应用怎样安排流水线，不能据此断言这些模型在所有部署方式下都无法低延迟。

中位数还不能说明偶尔会等多久。P90 是约九成测试的等待不超过的时长，仍有最慢一成会更久。整句输入的同一项首声测量中：

• Inworld TTS-2 Flash：中位数约 46 毫秒，P90 约 73 毫秒；
• Smallest Lightning v3.1 Pro：中位数约 357 毫秒，P90 约 679 毫秒。

后者的 P90 接近中位数的两倍。选型时既要看通常的节奏，也要看慢请求拖到什么程度；P90 本身也不是最长等待时间。

拆解「-64毫秒」：负延迟是时光倒流，还是时序抢跑？

“负延迟”来自计时起点的选择，并不表示模型预知了还没收到的文字。

流式延迟计时的基准原点，是客户端把句子的「最后一个词」推入 TTS 接口的瞬间。

比如用一个 10 个单词的句子理解这个计时法：将最后一个词发送的时刻记为 0；如果前面收到的文字已经开始发声，且首个可听声音早于零点 64 毫秒，就会记作 −64 毫秒。这只是计时示例；榜上的 −64 毫秒是多次测试的中位数，不表示每句话都提前这么多，也没有揭示模型收到第几个词才开始计算。

连接准备和整套对话系统的耗时，也会改变这些数字的含义。

• 计时前已建立连接，网络往返仍在计时内：握手、鉴权和上下文准备不计入；客户端发出文本，到音频返回并出现可听声音的等待则计入。因此，换一个网络位置，实际体验可能不同。
• TTS 的首声时间只是整套对话的一段：整套对话还涉及判断说话是否结束、识别内容、生成回复和播放器输出等环节，这些过程也可能重叠进行。46 毫秒量的是已建连条件下，发送完整文本到首个可听声音的这一段，不能当成用户说完到 AI 回答的总耗时。

音频包落地不等于开口：开头静音陷阱

在语音交互中，接口返回了数据包（TTFB），人类耳朵不一定能听到声音。

返回的音频开头可能有一段低于可听声音检测门槛的内容。如果只记录首个数据包抵达，系统会显示“已经响应”，用户却可能还没听到说话声。

本次用首个可听声音时间（TTFA）来比较：先记录音频块到达，再计入声音开始之前的低音量段。检测采用去除直流分量后的 10 毫秒音频窗口，以 1 毫秒步长移动，寻找均方根幅度（RMS）首次超过满幅度 1% 的位置。这是统一的检测规则，并非逐个用户的听力测量。

整句输入测试中，检测到的开头静音时长中位数包括：

• Deepgram Aura-2：223 毫秒；
• Cartesia Sonic 3.5 与 Sonic 3.6：分别为 132 和 142 毫秒；
• Smallest Lightning v3.1 Pro：141 毫秒。

这些数值说明，收到音频数据与听到第一句话，是两个不同事件。不能将整句测试的静音中位数，直接拼入另一组逐词输入测试，假装它们是同一条录音的连续阶段。

自动准确率评分究竟测出了什么？

语音助手读出一个电话号码，听起来流畅还不够，数字也要对；读地址时，同一个缩写还可能因上下文改变读法。

测试为通话句子中的难点片段标注可接受读法，分成四类：

1. 数字与缩写速记：如 7 a.m.、20%、36°F、approx.；
2. 代码与地址：如优惠券 SAVE20、电子邮箱 help@north-clinic.org、免费电话 1-800-555-0199；
3. 依上下文展开的缩写：如 St. Mary's on Main St.（前一个 St. 是 Saint，后一个 St. 是 Street）、Dr. Okafor 中的 Dr. 应展开为 Doctor；
4. 生僻医疗药物术语：如左旋甲状腺素 levothyroxine、胃肠病学 gastroenterology。

这些标记难点的自动通过率，Inworld TTS-2 为 93.4%，Inworld TTS-2 Flash 为 93.2%，Fish Audio S2.1-Pro 为 92.0%，Fish Audio Drama 3 为 91.3%。它不是整句全部读对的比例，也不是整通电话的成功率。

评分的方法决定了它适合怎样使用：

• 先转录，再核对难点：合成音频分别交给 Deepgram Nova-3 和 OpenAI Whisper 两个自动语音识别系统，检查转录中是否出现了标注的可接受读法；号码和代码还需核对字母、数字。识别器自己也会听错，因而这些是估计值。
• 两位机器“听者”可能给出不同结果：网页说明，它们对某个模型的读对率估计相差可达 10 个百分点。
• 顶部的小差距按并列看待：评测建议将两个百分点以内的顶部结果视作并列。例如 93.4% 与 93.2%，不足以据此认定前者有明确的体验优势。
• 快开口不能代替读音检查：Gradium 的流式延迟最小，难点通过率为 79.5%；Inworld Flash 则是 45 毫秒、93.2%。这说明两项能力需要分别比较，并不能证明“为了快才读错”。

有些读音问题，转录文字本身就无法判断。例如 read 的现在式和过去式发音不同，转写结果却都可能是 read。原始语料把这类项目单列为需要听音频，没有计入这里的自动读对率。因此，“语境项目 100%”不能理解成所有同形异音词和重音都已经读对。

总分还会掩盖题型差异。在这些可由转录判断的项目中，Gradium 的语境读法约为 67%，医学术语却约为 99%；Inworld TTS-2 的语境读法约为 100%，代码与地址约为 86%。这些同样是转录器的分类估计。经常报验证码的助手，应特别检查代码和号码，不能仅因医学术语得分高，就认为所有难点都可靠。

打断与播放卡顿：音色之外的工程体验

用户插话说“等一下”时，声音再好听，继续把旧话说下去也会妨碍对话。打断需要同时处理服务端的合成任务和客户端的播放。

1. 打断机制的协议真相

本次“Stopping”衡量的是发出取消请求后，仍收到多少可播放音频，以音频时长计算。它不是取消请求到最后一个数据包抵达的墙钟响应时间。

• 可用取消接口的结果：Grok TTS 和 Soniox 的取消后额外音频时长中位数为 0 毫秒，Deepgram Aura-2 为 40 毫秒，Cartesia Sonic 3.6 为 764 毫秒。这里的 0 是中位数，不表示每次都没有额外音频，也不表示整通电话可以在零时间内安静下来。
• n/a 也有不同原因：Gradium、Inworld 和所测 ElevenLabs v3 等没有可用取消消息；所测 ElevenLabs Flash v2.5、v4 Turbo 和 v4 的关闭控制，则会先输出已提交文本的音频，再关闭上下文。它们都不能把 n/a 当作零，也不代表成品里的用户无法打断。
• 播放器仍要立即处理旧音频：Agent 需要停止本地播放、丢弃不再需要的音频，再按接口能力取消、关闭或放弃旧流。否则，即使后端不再发送，缓冲区里已有的声音仍可能继续播放。

2. 播放中途断粮（Playout stall / Underrun）

播放器可以先存下一些音频，再一边接收、一边播放。这像水箱一边进水一边出水：已经有余量时，短暂的供给波动未必会让出口断流。

但如果后续音频迟迟不到，缓冲区被播空，声音就可能中断。因此，第一声出得快与整句话持续播放顺畅，是两项不同的要求。

本次整句播放测量中，ElevenLabs v4 约有 7% 的句子出现音频供应落后于实时播放，v4 Turbo 约为 5%。这些比例对应整批测量句子，不是仅针对长段落的结果。

3. 请求能否正常完成

播放中途断粮之外，还要检查请求是否按测试规则正常结束。公开快照中，GPT-4o mini TTS 汇总的 936 次相关合成记录，有 52 次以超时结束。这是本次接口和等待规则下的记录，不能直接当作生产环境的长期失败率。

测试把密钥、余额、配额或限流引起的账户拒绝另列，不能将它们与服务超时混算。一个多步骤测试未通过，也不一定是 API 请求报错：例如未满足取消要求，不能因此记成又一次服务超时。

自然度估算与真实试听建议

自然度一项采用开源模型 UTMOS，对整句生成的录音预测 1–5 分的平均听测评分。它估计人可能觉得声音有多自然，本次并未用真人听测来产生这个排名。

Fish Audio Drama 3 的预测分为 4.54，Inworld TTS-2 为 4.52，Gradium 为 4.51。前三读数接近，0.02 分的差距没有证明用户会明显更喜欢哪一个。

先用日常问候对照语调与停顿，再听含有两个 read 的句子，判断不同读法是否被保留。播放器标出相同的输入原句与中文释义，读音留给耳朵判断。

更多声音和测试句子可到官方的同句试听页面对照。

落地选型决策参考

这份榜单更适合用来缩小候选范围，再用自己的业务语句验证：

1. 先看对话能否跟上节奏：Gradium 和 Inworld TTS-2 Flash 可进入低延迟候选；同时保留难点读对率这一列，检查快速开口是否伴随你的业务能接受的读音表现。
2. 经常报号码、地址或专业名词：可对照 Inworld TTS-2（93.4%）、Flash（93.2%）、Fish Audio S2.1-Pro（92.0%）和 Drama 3（91.3%）继续测。将实际号码与专名放进完整业务句中听，必要时人工复核；这些英语自动分数不能直接证明中文业务可靠。
3. 再比较语音合成预算：本次榜单每百万字符的参考标价，Soniox TTS RT v2 为 14.81 美元，Inworld Flash 和 Grok TTS 为 15 美元；Drama 3 未提供价格。它们是榜单收录的厂商报价或换算口径，不是包含识别、大模型和电话线路的整通通话成本，低标价也没有证明高并发性能。

选出少数候选后，在目标语言与实际网络位置下复测：听首句要等多久，报出的数字是否正确，用户插话时旧声音能否停下，一整段话能否顺畅播完，请求能否正常完成。这些才是榜单与成品体验接上的地方。