Cekuraが26の音声モデルをテストし、速度は自然さを買えないと判明
Tarush Agarwalのベンチマークは、Inworld TTS-2 Flashをフルセンテンスのレイテンシで1位に置き、Fish Audio Drama 3は自動化された自然さ推定でトップに立ちます。
By Ryan Merket · Published
Primary source: X
なぜ重要なのか
音声エージェントの開発者は、応答時間、発音、割り込み処理の間でトレードオフに直面している。Cekuraのベンチマークはこれらの選択を精査しやすくするが、評価者であると同時にベンダーでもあるという立場は、購入者にリーダーボードと併せて方法論を精査する理由を与えている。
Cekura は10月19日に26のtext-to-speechモデルの公開ベンチマークを発表し、音声エージェント向けのレイテンシ、読み上げ精度、自然さ、割り込み時の挙動を比較しました。テストで最も高速だったモデルは中央値46ミリ秒で話し始め、もっとも自然さの推定値が高かったモデルは速度でかなり後れを取ったと、共同創業者でCEOのTarush Agarwal (@tarush_agarwal_)が結果で共有しています。
When you purchase through links in our articles, we may earn a small commission. This doesn’t affect our editorial independence.