Na jednym GPU NVIDIA V100 wokoder HiFi-GAN V3 generował dźwięk 1.186,80 razy szybciej niż w czasie rzeczywistym, podczas gdy autoregresyjny WaveNet osiągał 0,003 czasu rzeczywistego na tej samej karcie (Kong i in., HiFi-GAN 2020). Ta różnica, większa niż pięć rzędów wielkości, jest powodem, dla którego synteza mowy przeszła od luksusu centrum danych do czegoś, co potrafi wykonać telefon. Wąskie gardło od tego czasu się przesunęło: oryginalna praca o F5-TTS, dużym modelu zero-shot, podała 0,15 sekundy czasu GPU na sekundę mowy (Chen i in., F5-TTS 2024), a test strumieniowania na jednym A100 zmierzył pierwszy dźwięk w przedziale od 102 ms do 1.643 ms, zależnie od systemu (KTH, VoXtream 2025). Po stronie cen główne ceny katalogowe chmur wahają się od $4 do $160 za milion znaków, czyli 40-krotna rozpiętość dla tej samej jednostki tekstu. Zagregowaliśmy dane z recenzowanych prac i prac z arXiv autorstwa KTH, Kyutai i Apple, z dokumentacji wydajności Riva firmy NVIDIA oraz z oficjalnych stron cenowych Google Cloud, Amazon Web Services, Microsoft Azure i OpenAI; wyniki jakości omawiamy osobno w naszych statystykach MOS mowy syntetycznej.
Uwaga o jednostce, która przewija się przez cały artykuł: współczynnik czasu rzeczywistego (RTF) zwykle oznacza czas obliczeń podzielony przez długość dźwięku, więc RTF 0,1 oznacza, że wygenerowanie jednej sekundy mowy zajmuje 0,1 sekundy, a im niższy, tym lepiej. Kilka źródeł odwraca ten stosunek i podaje, ile sekund dźwięku powstaje na sekundę obliczeń (NVIDIA nazywa to RTFX, a niektóre prace zapisują to jako “razy szybciej niż w czasie rzeczywistym”), gdzie im wyższa wartość, tym lepiej. W tabelach RTF oznacza konwencję “im niżej, tym szybciej”, chyba że wiersz mówi “razy czasu rzeczywistego”, “RTFX” lub “im wyżej, tym szybciej”.
TL;DR
- FastSpeech 2 obniżył RTF z 0,932 dla Transformer TTS do 0,0195, czyli 47,8x przyspieszenia (Ren i in., FastSpeech 2 2020).
- Matcha-TTS z 2 krokami próbkowania uzyskał RTF 0,015 łącznie z wokoderem (Mehta i in., Matcha-TTS 2023).
- F5-TTS podał RTF 0,15 przy 16 krokach wobec 0,92 dla CosyVoice w swojej tabeli porównawczej (Chen i in., F5-TTS 2024).
- VoXtream osiągnął opóźnienie pierwszego pakietu 102 ms na A100, podczas gdy CosyVoice2 w trybie pełnego strumienia potrzebował 1.643 ms w tym samym teście (KTH, VoXtream 2025).
- Opóźnienie DSM-TTS firmy Kyutai wzrosło ze 150 ms przy rozmiarze partii 1 do 403 ms przy rozmiarze partii 64, a przepustowość osiągnęła 137,3 razy czasu rzeczywistego (Kyutai, DSM-TTS 2025).
- Potok FastPitch plus HiFi-GAN w NVIDIA Riva przeszedł od 22 ms opóźnienia do pierwszego dźwięku przy 1 strumieniu do 323 ms przy 32 strumieniach (dokumentacja NVIDIA Riva 2.16.0, pomiar wykonany przez dostawcę).
- System Apple działający na urządzeniu pracował od 1,47 do 3,03 razy szybciej niż w czasie rzeczywistym na dwóch urządzeniach mobilnych (Apple, neuronowa synteza mowy na urządzeniu 2021).
- Mobile PresenTra z NICT osiągnął wsadowy RTF około 0,3 na średniej klasy Google Pixel 5 (Okamoto i in., Mobile PresenTra, Interspeech 2024).
- Zmniejszenie SupertonicTTS z 8 do 4 kroków próbkowania podniosło stopę błędów słów z 2,818% do 11,43% (Supertone, SupertonicTTS 2025).
- Fast F5-TTS działał około 4 razy szybciej niż bazowy model z 32 krokami, a stopa błędów słów zmieniła się z 2,37% na 2,45% (Zheng i in., Interspeech 2025).
- Google Cloud podaje $4 za 1 mln znaków dla głosów Standard i $160 dla głosów Studio (cennik Google Cloud Text-to-Speech 2026).
- Amazon przyrównuje 1 mln znaków do około 23 godzin 8 minut mowy, co daje Polly Generative około $1,30 za godzinę dźwięku (cennik AWS Amazon Polly 2026).
1. Współczynnik czasu rzeczywistego według rodziny modeli na GPU
Pierwszy duży skok szybkości wziął się z porzucenia autoregresji w modelu akustycznym, czyli w części zamieniającej tekst na mel-spektrogram (obraz mowy w czasie i częstotliwości). FastSpeech 2 uzyskał RTF 0,0195 wobec 0,932 dla Transformer TTS na tym samym serwerze V100, czyli 47,8-krotne przyspieszenie inferencji (Ren i in., FastSpeech 2). Gdy model przewiduje wszystkie ramki równolegle, nie musi już czekać na własne poprzednie wyjście, ramka po ramce.
Nowsze rodziny nie cofnęły tego zysku, ale go rozproszyły. Modele dyfuzyjne i oparte na dopasowywaniu przepływu, takie jak Grad-TTS i Matcha-TTS, wymieniają kilka dodatkowych przejść przez sieć na lepszą jakość, a w benchmarku Matcha-TTS na GPU RTX 3090 wszystkie testowane systemy pozostały poniżej RTF 0,08 łącznie z wokoderem (Mehta i in., Matcha-TTS). Ciekawa jest tam nie średnia, lecz rozrzut: VITS uzyskał 0,074 przy odchyleniu standardowym 0,083, większym niż sama średnia, co sygnalizuje bardzo nierówną szybkość od zdania do zdania.
| Metryka | Wartość | Źródło |
|---|---|---|
| RTF Transformer TTS, GPU V100, rozmiar partii 1 (im niżej, tym szybciej) | 0,932 | Ren i in., FastSpeech 2 2020 |
| RTF FastSpeech 2 i przyspieszenie względem Transformer TTS, ten sam układ | 0,0195 (47,8x) | Ren i in., FastSpeech 2 2020 |
| RTF i przyspieszenie FastSpeech 2s (tekst bezpośrednio do przebiegu fali) | 0,0180 (51,8x) | Ren i in., FastSpeech 2 2020 |
| RTF FastSpeech 2 w teście Matcha-TTS, łącznie z wokoderem, RTX 3090 | 0,010 (odchylenie standardowe 0,004) | Mehta i in., Matcha-TTS 2023 |
| RTF Matcha-TTS z 2 krokami próbkowania wobec 10 kroków próbkowania | 0,015 wobec 0,038 | Mehta i in., Matcha-TTS 2023 |
| RTF Grad-TTS z 10 krokami próbkowania | 0,049 | Mehta i in., Matcha-TTS 2023 |
| RTF VITS w teście Matcha-TTS (średnia i odchylenie standardowe) | 0,074 (0,083) | Mehta i in., Matcha-TTS 2023 |
| RTF StyleTTS 2 wobec RTF VITS w teście StyleTTS 2 | 0,0185 wobec 0,0599 | Li i in., StyleTTS 2 2023 |
Najnowsze dostępne dane: FastSpeech 2 (2020), StyleTTS 2 (2023) i Matcha-TTS (2023), wszystkie starsze niż trzy lata. Wartości RTF z różnych prac nie są bezpośrednio porównywalne, ponieważ różnią się GPU, rozmiary partii i to, czy uwzględniono wokoder. Autorzy Matcha-TTS podają też, że ich model dwukrokowy staje się konkurencyjny wobec FastSpeech 2 na dłuższych wypowiedziach.
2. Wokodery: dokąd idą obliczenia
Wokoder zamienia mel-spektrogram na słyszalny przebieg fali i przez lata był droższą połową potoku. WaveNet wytwarzał dźwięk z częstotliwością 0,07 kHz na GPU V100, czyli 0,003 czasu rzeczywistego, podczas gdy HiFi-GAN V1 wytwarzał 3.701 kHz, czyli 167,86 razy czasu rzeczywistego (Kong i in., HiFi-GAN). Chodzi nie tylko o to, że wokodery GAN są szybkie; wokoder przestał być powodem, dla którego produkt TTS w ogóle potrzebował GPU.
Ten sam wzorzec powtarza się dziś w systemach strumieniowych. Praca Apple o SpeakStream pokazuje, że model akustyczny zajmuje około 28 ms, a wokoder Parallel WaveGAN (PWG) dodał 152 ms; zamiana na wokoder strumieniowy skróciła ten etap do 13 ms (Apple, SpeakStream). Innymi słowy, sam wybór wokodera zdecydował, czy pierwszy dźwięk dotarł po około 40 ms, czy po około 180 ms.
| Metryka | Wartość | Źródło |
|---|---|---|
| Szybkość WaveNet (MoL) wobec WaveGlow wobec MelGAN na GPU V100, krotność czasu rzeczywistego (im wyżej, tym szybciej) | 0,003x wobec 22,75x wobec 645,73x | Kong i in., HiFi-GAN 2020 |
| Szybkość HiFi-GAN V1 wobec HiFi-GAN V3 na GPU V100, krotność czasu rzeczywistego | 167,86x wobec 1.186,80x | Kong i in., HiFi-GAN 2020 |
| RTF wokodera BigVGAN wobec RTF autoenkodera mowy SupertonicTTS, RTX 4090 (im niżej, tym szybciej) | 0,0124 wobec 0,0006 | Supertone, SupertonicTTS 2025 |
| SpeakStream na Mac mini z M4 Pro, z PWG wobec strumieniowego wokodera VocStream: czas wokodera i łączny czas do pierwszego dźwięku | 152 ms wobec 13 ms; 180 ms wobec 40 ms | Apple, SpeakStream 2025 |
Najnowsze dostępne dane: Kong i in., HiFi-GAN 2020, zmierzone w 32-bitowej arytmetyce zmiennoprzecinkowej bez dalszych optymalizacji. W teście Matcha-TTS sam wokoder działał z RTF 0,001, więc w tym układzie stanowił niewielki ułamek całkowitego czasu syntezy (Matcha-TTS).
3. Duże modele zero-shot: koszt szybkości klonowania głosu na dużą skalę
Modele zero-shot, które naśladują nowy głos na podstawie krótkiej próbki bez ponownego trenowania, przywróciły szybkość do dyskusji. Tabela porównawcza F5-TTS podaje CosyVoice z RTF 0,92 i FireRedTTS z 0,84, co oznacza, że każda sekunda mowy zajmowała większość sekundy obliczeń (Chen i in., F5-TTS). Sam F5-TTS podał 0,15 przy 16 krokach próbkowania na RTX 3090, czyli około 6,7 razy szybciej niż w czasie rzeczywistym (1 podzielone przez 0,15). To wystarcza do wsadowej pracy nad audiobookami, ale jest mało przy obsłudze wielu użytkowników na żywo z jednej karty.
Mniejsze modele zmniejszają dystans. SupertonicTTS, z 44M parametrów, podał 0,02 na RTX 4090 i 0,05 na RTX 3090, wobec 0,31 dla F5-TTS przy 32 krokach na RTX 3090 (Supertone, SupertonicTTS). Dla zespołów oceniających generator głosu AI sama liczba parametrów jest kiepskim wskaźnikiem kosztu obsługi: poniższa tabela pokazuje DiTTo-TTS z 740M parametrów jako szybszy niż Voicebox z 330M, choć te dwie wartości mogą nie pochodzić z tego samego sprzętu.
| Metryka | Wartość | Źródło |
|---|---|---|
| RTF F5-TTS, 16 wobec 32 kroków próbkowania, RTX 3090, 10 s mowy (im niżej, tym szybciej) | 0,15 wobec 0,31 | Chen i in., F5-TTS 2024 |
| RTF CosyVoice (około 300M parametrów) wobec FireRedTTS (około 580M) | 0,92 wobec 0,84 | Chen i in., F5-TTS 2024 |
| RTF Voicebox (330M) wobec VALL-E 2 | 0,64 wobec 0,732 | Chen i in., F5-TTS 2024 |
| RTF DiTTo-TTS (740M) wobec NaturalSpeech 3 (500M) | 0,162 wobec 0,296 | Chen i in., F5-TTS 2024 |
| RTF SupertonicTTS (44M) na RTX 4090 wobec RTX 3090 | 0,02 wobec 0,05 | Supertone, SupertonicTTS 2025 |
| Krotność czasu rzeczywistego przy rozmiarze partii 1 (im wyżej, tym szybciej): DSM-TTS wobec Chatterbox wobec CSM | 3,2 wobec 1,8 wobec 1,0 | Kyutai, DSM-TTS 2025 |
| Krotność czasu rzeczywistego przy rozmiarze partii 1: Dia i Orpheus | po 0,7 (wolniej niż w czasie rzeczywistym) | Kyutai, DSM-TTS 2025 |
Uwaga kontekstowa: praca o F5-TTS nie podaje, jak zmierzono bazowe wartości RTF, i mogły one nie powstać na tym samym RTX 3090, więc wiersze od 2 do 4 traktuj orientacyjnie. Późniejsza praca zmierzyła sam F5-TTS na 0,065 i 0,123 na RTX 3090 (zob. sekcja 6). Tabela Kyutai używa konwencji odwróconej, w której wartość poniżej 1,0 oznacza, że model nie nadąża za odtwarzaniem.
4. Czas do pierwszego dźwięku w strumieniowaniu i współbieżność obsługi
W użyciu na żywo liczy się nie RTF, lecz to, jak długo słuchacz czeka na pierwszy dźwięk. W jednym benchmarku na A100 VoXtream z torch.compile zaczął mówić po 102 ms, podczas gdy CosyVoice2 w trybie pełnego strumienia potrzebował 1.643 ms (KTH, VoXtream). Pełny strumień oznacza, że model startuje, gdy tekst jeszcze nadchodzi; system może mieć przyzwoity RTF, a mimo to kiepskie opóźnienie pierwszego pakietu, jeśli czeka na całe frazy.
Współbieżność to druga połowa sprawy. Upakowanie większej liczby użytkowników na jednym GPU podnosi łączną przepustowość, ale wydłuża oczekiwanie każdego z nich. DSM-TTS firmy Kyutai przeszedł od 150 ms przy rozmiarze partii 1 do 403 ms przy rozmiarze partii 64, a przepustowość wzrosła z 3,2 do 137,3 razy czasu rzeczywistego (Kyutai, DSM-TTS). Własne tabele NVIDIA Riva pokazują tę samą krzywą dla potoku FastPitch plus HiFi-GAN: opóźnienie do pierwszego dźwięku wzrosło około 15-krotnie od 1 do 32 strumieni, a przepustowość około 2,9-krotnie (NVIDIA Riva TTS performance). Jak te wartości mieszczą się w pełnym budżecie opóźnień agenta głosowego, opisujemy w naszych statystykach czasu do pierwszego dźwięku agentów głosowych.
| Metryka | Wartość | Źródło |
|---|---|---|
| Opóźnienie pierwszego pakietu i RTF VoXtream z torch.compile, A100, FP16 | 102 ms (RTF 0,17) | KTH, VoXtream 2025 |
| Opóźnienie pierwszego pakietu i RTF VoXtream bez kompilacji | 171 ms (RTF 1,00) | KTH, VoXtream 2025 |
| Opóźnienie pierwszego pakietu XTTS-v2, strumieniowanie wyjścia, bez DeepSpeed wobec z DeepSpeed | 295 ms wobec 196 ms | KTH, VoXtream 2025 |
| Opóźnienie pierwszego pakietu i RTF CosyVoice2, tryb pełnego strumienia, ten sam test na A100 | 1.643 ms (RTF 0,85) | KTH, VoXtream 2025 |
| Opóźnienie DSM-TTS przy rozmiarze partii 1 wobec 32 wobec 64 | 150 ms wobec 380 ms wobec 403 ms | Kyutai, DSM-TTS 2025 |
| Przepustowość DSM-TTS przy rozmiarze partii 64, krotność czasu rzeczywistego | 137,3x | Kyutai, DSM-TTS 2025 |
| Średnie opóźnienie do pierwszego dźwięku Riva FastPitch plus HiFi-GAN, 1 strumień wobec 32 strumieni | 22 ms wobec 323 ms | dokumentacja NVIDIA Riva 2.16.0 (pomiar wykonany przez dostawcę) |
| Przepustowość Riva (RTFX, im wyżej, tym szybciej), 1 strumień wobec 32 strumieni | 150,8 wobec 440 | dokumentacja NVIDIA Riva 2.16.0 (pomiar wykonany przez dostawcę) |
Uwaga kontekstowa: README projektu CosyVoice deklaruje opóźnienie “nawet 150ms” dla nowszego modelu Fun-CosyVoice 3.0 (FunAudioLLM CosyVoice on GitHub), czyli deklarację projektu dla innej wersji niż ta, którą zmierzyło KTH. Nie wskazujemy GPU dla wierszy Riva: to pierwsza tabela wyników na stronie NVIDIA, której lista GPU zaczyna się od A100, ale tekst strony, który mogliśmy odczytać, nie wiązał każdej tabeli z jej oznaczeniem GPU.
5. Sprzęt CPU, mobilny i brzegowy
Poza GPU marginesy szybkości szybko się kurczą. HiFi-GAN V1, który na V100 działał 167,86 razy szybciej niż w czasie rzeczywistym, na procesorze Intel i7 w laptopie osiągnął tylko 1,43 czasu rzeczywistego, a WaveGlow spadł do 0,21, czyli zbyt wolno do odtwarzania na żywo (Kong i in., HiFi-GAN). Model wygrywający na serwerze bywa złym wyborem dla laptopa, a mniejszy HiFi-GAN V3 (13,44 czasu rzeczywistego na tym samym CPU) pokazuje, jak wiele znaczą tu wybory architektury.
Specjalnie zaprojektowane małe modele idą znacznie dalej. EfficientSpeech, z 266k parametrów i 90 MFLOPS, generował mel-spektrogramy 104,3 razy szybciej niż w czasie rzeczywistym na Raspberry Pi 4, przy około 1% rozmiaru i obliczeń kompaktowych modeli takich jak Mixer-TTS (EfficientSpeech). Prace Apple nad syntezą na urządzeniu pokazały pełny potok działający na dwóch urządzeniach mobilnych, z pierwszym buforem dźwięku odtwarzanym 158 do 179 ms po żądaniu (Apple, neuronowa synteza mowy na urządzeniu). Trendy sprzętowe stojące za tą zmianą śledzimy w naszych statystykach brzegowych procesorów głosu AI.
Najnowsze pomiary pokazują, jak bardzo wybór projektu ma znaczenie na tym samym układzie. Na jednym wątku AMD EPYC 7413 model strumieniowy z Samsung Research osiągnął RTF 0,568 i wytworzył pierwszy token akustyczny w 0,061 s, wobec 7,665 i 41,41 s dla VALL-E X (Lee i in., Interspeech 2025). NICT podał wsadowy RTF około 0,3 i przyrostowe opóźnienie poniżej 0,5 s na Google Pixel 5, który opisuje jako telefon średniej klasy (Okamoto i in., Mobile PresenTra).
| Metryka | Wartość | Źródło |
|---|---|---|
| Szybkość HiFi-GAN V1 wobec HiFi-GAN V3 wobec WaveGlow na procesorze Intel i7 w laptopie, krotność czasu rzeczywistego | 1,43x wobec 13,44x wobec 0,21x | Kong i in., HiFi-GAN 2020 |
| Szybkość syntezy od początku do końca Apple, urządzenie mobilne A wobec B, krotność czasu rzeczywistego | 1,47x wobec 3,03x | Apple, neuronowa synteza mowy na urządzeniu 2021 |
| Opóźnienie odczuwane przez klienta w Apple (od żądania do odtworzenia pierwszego bufora dźwięku), urządzenie A wobec B | 179 ms wobec 158 ms | Apple, neuronowa synteza mowy na urządzeniu 2021 |
| Mobile PresenTra na Google Pixel 5: wsadowy RTF; przyrostowe opóźnienie | około 0,3; poniżej 0,5 s | Okamoto i in. (NICT), Mobile PresenTra, Interspeech 2024 |
| RTF na jednym wątku CPU AMD EPYC 7413, tylko generowanie tokenów (im niżej, tym szybciej): SMAM+INR wobec Small-E wobec VALL-E X | 0,568 wobec 2,404 wobec 7,665 | Lee i in. (Samsung Research), Interspeech 2025 |
| Czas do pierwszego tokenu akustycznego na tym samym wątku CPU: SMAM+INR wobec Small-E wobec VALL-E X | 0,061 s wobec 14,34 s wobec 41,41 s | Lee i in. (Samsung Research), Interspeech 2025 |
| Parametry EfficientSpeech i szybkość generowania mel-spektrogramu na Raspberry Pi 4 | 266k parametrów, 104,3x czasu rzeczywistego | EfficientSpeech 2023 |
| Nix-TTS wobec swojego modelu nauczyciela VITS, RTF na Raspberry Pi 3B (powyżej 1,0 oznacza wolniej niż w czasie rzeczywistym) | 1,974 wobec 16,50 | Nix-TTS 2022 |
Najnowsze dostępne dane: Kong i in. 2020, Apple 2021, Nix-TTS 2022 i EfficientSpeech 2023 są starsze niż trzy lata; nie znaleźliśmy nowszych recenzowanych wartości dla tych konkretnych porównań. Streszczenie Apple zaokrągla wartość mobilną do “3x szybciej niż w czasie rzeczywistym”, ale jego tabela pokazuje urządzenie A przy 1,47x. Wartość EfficientSpeech obejmuje wyłącznie generowanie mel-spektrogramu, bez wokodera, a wiersze Samsung pomijają przetwarzanie kodeka, więc żadna z nich nie jest pełnym potokiem syntezy mowy.
6. Kompromis między szybkością a jakością
Modele dyfuzyjne i oparte na dopasowywaniu przepływu udostępniają szybkość jako pokrętło: liczbę kroków próbkowania (liczbę ewaluacji funkcji sieci, NFE). SupertonicTTS utrzymał stopę błędów słów między 2,639% a 2,818% od 8 do 128 kroków, ale przy 4 krokach stopa błędów skoczyła do 11,43%, a wynik jakości NISQA spadł do 2,623 (Supertone, SupertonicTTS). Zrozumiałość nie słabnie stopniowo; trzyma się stabilnie, a potem załamuje się przy klifie, więc najtańsze bezpieczne ustawienie leży tuż nad nim.
Ten klif może się przesunąć bez nowego sprzętu. Na RTX 3090 F5-TTS z 7 równomiernie rozmieszczonymi krokami i Fast F5-TTS z 7 przycinanymi krokami działały z RTF 0,030, ale sam wybór rozmieszczenia kroków obniżył stopę błędów słów z 4,16% do 2,45%, blisko 2,37% bazowego modelu z 32 krokami przy 0,123 (Zheng i in., Interspeech 2025).
Ten sam kształt pojawia się w wokoderach i strumieniowaniu. HiFi-GAN V3 działał około 7,07 razy szybciej niż V1 na GPU V100 (26.169 kHz podzielone przez 3.701 kHz), przy spadku MOS z 4,36 do 4,05 (Kong i in., HiFi-GAN). CosyVoice 2 nazwał swój tryb strumieniowy “niemal bezstratnym w typowych przypadkach testowych”, a mimo to na trudnym zbiorze testowym stopa błędów słów wzrosła z 6,83% w trybie offline do 8,08% w trybie strumieniowym (CosyVoice 2).
| Metryka | Wartość | Źródło |
|---|---|---|
| SupertonicTTS przy 4 wobec 8 kroków próbkowania: RTF; stopa błędów słów; wynik NISQA | 0,006 wobec 0,011; 11,43% wobec 2,818%; 2,623 wobec 3,916 | Supertone, SupertonicTTS 2025 |
| SupertonicTTS przy 32 krokach (wybrane ustawienie) wobec 128 kroków: RTF; wynik NISQA (nagrania uzyskują 4,070) | 0,037 wobec 0,140; 4,033 wobec 4,070 | Supertone, SupertonicTTS 2025 |
| RTF F5-TTS na RTX 3090 przy 32 wobec 16 wobec 7 kroków próbkowania | 0,123 wobec 0,065 wobec 0,030 | Zheng i in., Interspeech 2025 |
| Stopa błędów słów na LibriSpeech-PC przy 7 krokach, F5-TTS z równomiernym rozmieszczeniem wobec Fast F5-TTS (model bazowy z 32 krokami 2,37%) | 4,16% wobec 2,45% | Zheng i in., Interspeech 2025 |
| MOS Matcha-TTS z 2 wobec 10 kroków próbkowania | 3,65 wobec 3,84 | Mehta i in., Matcha-TTS 2023 |
| Stopa błędów słów CosyVoice 2 na trudnym zbiorze testowym, offline wobec strumieniowo | 6,83% wobec 8,08% | CosyVoice 2 2024 |
| RTF StyleTTS 2 przy 4 wobec 128 krokach dyfuzji | 0,0179 wobec 0,0963 | Li i in., StyleTTS 2 2023 |
Uwaga kontekstowa: NISQA to automatyczny, nieinwazyjny predyktor jakości mowy, który szacuje wynik w stylu słuchacza bez nagrania referencyjnego; nie jest to test odsłuchowy z udziałem ludzi. Tabela kroków SupertonicTTS nie podaje swojego sprzętu, a jej wartość 0,037 przy 32 krokach różni się od 0,02 podanego w innym miejscu tej samej pracy.
7. Cena za milion znaków i za godzinę dźwięku
Ceny katalogowe pokazują rynek podzielony na poziomy, a nie jedną obowiązującą stawkę. Google Cloud pobiera $4 za 1 milion znaków dla głosów Standard i WaveNet, ale $160 za głosy Studio, czyli 40-krotną różnicę za ten sam tekst (cennik Google Cloud Text-to-Speech). Amazon Polly kosztuje od $4 za Standard do $100 za głosy Long-Form, a jego własny przykład przyrównuje 1 milion znaków do około 23 godzin i 8 minut mowy (cennik AWS Amazon Polly).
Przy użyciu tego przelicznika AWS (23 godziny 8 minut to około 23,13 godziny) Polly Generative za $30 daje około $1,30 za godzinę dźwięku (30 podzielone przez 23,13), a Standard około $0,17. Modele wyceniane w tokenach wymagają innego rachunku: Google podaje, że dźwięk Gemini TTS to 25 tokenów na sekundę, więc godzina to 90.000 tokenów audio, a Gemini 2.5 Pro TTS po $20 za milion tokenów audio daje $1,80 za godzinę wyjścia, przed opłatami za tekst wejściowy. Modele z otwartymi wagami ściskają to jeszcze bardziej: Artificial Analysis podaje Kokoro 82M na Replicate po $0,65 za milion znaków (Artificial Analysis text-to-speech leaderboard). Szerszą ekonomię GPU stojącą za tymi cenami opisujemy w naszych statystykach kosztów inferencji AI.
| Metryka | Wartość | Źródło |
|---|---|---|
| Cena katalogowa Google Cloud za 1 mln znaków: Standard i WaveNet wobec Neural2 | $4 wobec $16 | cennik Google Cloud Text-to-Speech 2026 |
| Cena katalogowa Google Cloud za 1 mln znaków: Chirp 3 HD wobec Instant custom voice wobec Studio | $30 wobec $60 wobec $160 | cennik Google Cloud Text-to-Speech 2026 |
| Cena katalogowa Amazon Polly za 1 mln znaków: Standard, Neural, Generative, Long-Form | $4, $16, $30, $100 | cennik AWS Amazon Polly 2026 |
| Głosy neuronowe Microsoft Azure, płatność według zużycia wobec ceny za przekroczenie w progu zobowiązania 2.000M znaków, za 1 mln znaków | $15 wobec $7,50 | cennik Microsoft Azure Speech 2026 |
| OpenAI tts-1 (opisany jako zoptymalizowany pod kątem szybkości) wobec tts-1-hd, za 1 mln znaków | $15 wobec $30 | cennik OpenAI API 2026 |
| Cena wyjścia audio Gemini 2.5 Pro TTS i wyliczony koszt za godzinę dźwięku (25 tokenów na sekundę) | $20 za 1 mln tokenów audio, około $1,80 za godzinę | cennik Google Cloud Text-to-Speech 2026 (wyliczone) |
| Amazon Polly Generative i Standard, wyliczony koszt za godzinę dźwięku | około $1,30 i około $0,17 | cennik AWS Amazon Polly 2026 (wyliczone) |
| Cena hostowanego API Kokoro 82M za 1 mln znaków (Replicate) | $0,65 | ranking Artificial Analysis TTS 2026 |
Uwaga kontekstowa: to ceny katalogowe na dzień 31 października 2026 roku, przed negocjowanymi rabatami. Progi zobowiązania Azure zaczynają się od $960 za 80M znaków, czyli $12 za milion (960 podzielone przez 80). Progi bezpłatne bardzo się różnią: Polly Standard obejmuje 5 milionów znaków miesięcznie, a Polly Generative 100 tysięcy znaków miesięcznie przez pierwsze 12 miesięcy. Karta modelu Kokoro podaje, że model wytrenowano za około $1.000 przy użyciu 1.000 godzin GPU A100 80GB (Kokoro-82M model card), co pokazuje, jak mało mocy obliczeniowej treningu potrzebuje dziś tani głos.
Podsumowanie: współczynnik czasu rzeczywistego i koszt inferencji w syntezie mowy w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Szybkość HiFi-GAN V3 wobec WaveNet na GPU V100, krotność czasu rzeczywistego | 1.186,80x wobec 0,003x | Kong i in., HiFi-GAN 2020 |
| RTF FastSpeech 2 wobec Transformer TTS | 0,0195 wobec 0,932 | Ren i in., FastSpeech 2 2020 |
| RTF Matcha-TTS z 2 krokami próbkowania, łącznie z wokoderem | 0,015 | Mehta i in., Matcha-TTS 2023 |
| RTF F5-TTS przy 16 krokach wobec RTF CosyVoice | 0,15 wobec 0,92 | Chen i in., F5-TTS 2024 |
| Opóźnienie pierwszego pakietu VoXtream wobec CosyVoice2, ten sam test na A100 | 102 ms wobec 1.643 ms | KTH, VoXtream 2025 |
| Opóźnienie DSM-TTS, rozmiar partii 1 wobec 64 | 150 ms wobec 403 ms | Kyutai, DSM-TTS 2025 |
| Opóźnienie do pierwszego dźwięku Riva, 1 wobec 32 strumieni | 22 ms wobec 323 ms | dokumentacja NVIDIA Riva 2.16.0 (pomiar wykonany przez dostawcę) |
| Pierwszy dźwięk SpeakStream z PWG wobec wokodera strumieniowego | 180 ms wobec 40 ms | Apple, SpeakStream 2025 |
| Szybkość syntezy Apple na urządzeniu, dwa urządzenia mobilne | 1,47x i 3,03x czasu rzeczywistego | Apple, neuronowa synteza mowy na urządzeniu 2021 |
| Generowanie mel-spektrogramu EfficientSpeech na Raspberry Pi 4 | 104,3x czasu rzeczywistego | EfficientSpeech 2023 |
| Wsadowy RTF Mobile PresenTra na Google Pixel 5 | około 0,3 | Okamoto i in. (NICT), Mobile PresenTra, Interspeech 2024 |
| Stopa błędów słów SupertonicTTS przy 4 wobec 8 kroków próbkowania | 11,43% wobec 2,818% | Supertone, SupertonicTTS 2025 |
| Stopa błędów słów F5-TTS przy 7 krokach, rozmieszczenie równomierne wobec przycinanego harmonogramu | 4,16% wobec 2,45% | Zheng i in., Interspeech 2025 |
| Stopa błędów słów CosyVoice 2 na trudnym zbiorze, offline wobec strumieniowo | 6,83% wobec 8,08% | CosyVoice 2 2024 |
| Głosy Google Cloud Standard wobec Studio, za 1 mln znaków | $4 wobec $160 | cennik Google Cloud Text-to-Speech 2026 |
| Głosy Amazon Polly Long-Form, za 1 mln znaków | $100 | cennik AWS Amazon Polly 2026 |
| Mowa uzyskana z 1 mln znaków, przykład cenowy Amazon | około 23 godzin 8 minut | cennik AWS Amazon Polly 2026 |
| Głosy neuronowe Azure, płatność według zużycia za 1 mln znaków | $15 | cennik Microsoft Azure Speech 2026 |
| Cena hostowanego Kokoro 82M za 1 mln znaków | $0,65 | ranking Artificial Analysis TTS 2026 |
Metodologia i źródła
- Kong, Kim i Bae: HiFi-GAN (2020), tabela 1: szybkość, MOS i liczba parametrów na GPU V100 i CPU laptopa.
- Ren i in.: FastSpeech 2 (2020), tabela 2: RTF inferencji na serwerze V100 przy rozmiarze partii 1.
- Mehta i in.: Matcha-TTS (2023), RTF łącznie z wokoderem na GPU RTX 3090.
- Li i in.: StyleTTS 2 (2023), RTF ogółem i według liczby kroków dyfuzji.
- Chen i in.: F5-TTS (2024), RTF na RTX 3090 dla 10 s mowy, z tabelą porównawczą modeli bazowych.
- Supertone: SupertonicTTS (2025), RTF na RTX 4090 i RTX 3090 oraz ablacja liczby kroków próbkowania.
- Królewski Instytut Technologii KTH: VoXtream (2025), opóźnienie pierwszego pakietu i RTF w FP16 na A100.
- Kyutai: Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling (2025), opóźnienie, RTF i przepustowość DSM-TTS według rozmiaru partii.
- Apple: SpeakStream (2025), opóźnienie na Mac mini z M4 Pro z MLX; On-device neural speech synthesis (2021), pomiary na urządzeniach mobilnych.
- FunAudioLLM: CosyVoice 2 (2024), jakość w trybie strumieniowym wobec offline; CosyVoice GitHub README (deklaracja projektu, 2026).
- EfficientSpeech (2023) i Nix-TTS (2022), modele o małym rozmiarze na CPU i Raspberry Pi.
- Prace z Interspeech: Okamoto, Ohtani i Kawai (NICT), Mobile PresenTra (2024), RTF i opóźnienie na smartfonie; Lee i in. (Samsung Research), Efficient Streaming TTS Acoustic Model with Depthwise RVQ Decoding Strategies in a Mamba Framework (2025), RTF i opóźnienie na jednym wątku CPU; Zheng i in., Accelerating Flow-Matching-Based Text-to-Speech via Empirically Pruned Step Sampling (2025), szybkość F5-TTS i stopy błędów według liczby kroków.
- NVIDIA: Riva 2.16.0 TTS performance, tabele opóźnienia i RTFX wykonane przez dostawcę.
- Strony cenowe, odczytane 31 października 2026 roku: Google Cloud Text-to-Speech, Amazon Polly, Microsoft Azure Speech, OpenAI API oraz strona modelu OpenAI tts-1.
- Artificial Analysis text-to-speech leaderboard (2026) i karta modelu Kokoro-82M (Hugging Face), dla cen i kosztu trenowania modeli z otwartymi wagami.
- Uwaga o danych: liczb RTF nie można porównywać między pracami, o ile nie zgadzają się sprzęt, rozmiar partii, precyzja i uwzględnienie wokodera; nawet w obrębie jednej pracy SupertonicTTS podaje 0,037 i 0,02 dla pozornie tego samego ustawienia. Praca o F5-TTS nie podaje, jak zmierzono bazowe wartości RTF, a sama szybkość F5-TTS jest sprzeczna między źródłami na tym samym modelu GPU: oryginalna praca podaje 0,15 przy 16 krokach i 0,31 przy 32 krokach na RTX 3090, podczas gdy Zheng i in. podają 0,065 i 0,123 na RTX 3090, bez wyjaśnienia tej różnicy na przeczytanych przez nas stronach. Tabela 6 Kyutai nie podaje swojego GPU, a praca drukuje opóźnienie około 800 ms dla F5-TTS przy 16 krokach i około 400 ms przy 32 krokach, odwrotnie niż zwykle dają kolejne kroki, więc tych dwóch wartości nie użyliśmy. Pomiar VoXtream i wartość z README CosyVoice dotyczą różnych wersji CosyVoice, więc nie są bezpośrednio porównywalne. Dwa przeliczniki znaków na dźwięk są sprzeczne: przykład Amazon implikuje około 720 znaków na minutę (1.000.000 znaków podzielone przez 1.388 minut), podczas gdy karta Kokoro przyjmuje około 1.000, więc koszt za godzinę oparty na przeliczniku Kokoro byłby o około 39% wyższy niż oparty na przeliczniku Amazon (1.000 podzielone przez 720 to około 1,39). Google Cloud oznacza swoje modele Gemini 3.8 TTS jako wersję zapoznawczą, a zmiany cen są zaplanowane na 1 stycznia 2027 roku. Zasady MLPerf Inference od MLCommons wymieniają Whisper do zamiany mowy na tekst, ale nie zawierają obciążenia dla syntezy mowy, więc szybkość TTS nie ma tam neutralnego branżowego benchmarku; kilka prac sprzętowych przytoczonych tutaj jest starszych niż trzy lata i jest oznaczonych jako najnowsze dostępne dane.
Ostatnia aktualizacja: 31 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejne odświeżenie planujemy po wejściu w życie zmiany cen Gemini TTS w Google Cloud z 1 stycznia 2027 roku.