Em uma única GPU NVIDIA V100, o vocoder HiFi-GAN V3 gerou áudio 1.186,80 vezes mais rápido que o tempo real, enquanto um WaveNet autorregressivo chegou a 0,003 vez o tempo real na mesma placa (Kong et al., HiFi-GAN 2020). Essa diferença, de mais de cinco ordens de grandeza, é o motivo de a síntese de fala ter deixado de ser um luxo de data center e passado a ser algo que um celular consegue fazer. O gargalo mudou de lugar desde então: o artigo original do F5-TTS, um grande modelo zero-shot, informou 0,15 segundo de GPU por segundo de fala (Chen et al., F5-TTS 2024), e um teste de streaming em uma única A100 mediu o primeiro áudio entre 102 ms e 1.643 ms, conforme o sistema (KTH, VoXtream 2025). Do lado dos preços, os preços de lista das grandes nuvens vão de $4 a $160 por milhão de caracteres, uma diferença de 40 vezes para a mesma unidade de texto. Reunimos dados de artigos revisados por pares e do arXiv da KTH, da Kyutai e da Apple, da documentação de desempenho do NVIDIA Riva e das páginas oficiais de preços do Google Cloud, da Amazon Web Services, do Microsoft Azure e da OpenAI; as pontuações de qualidade são tratadas à parte em nossas estatísticas de MOS de fala sintética.
Uma observação sobre a unidade que atravessa este artigo: o fator de tempo real (RTF) normalmente significa o tempo de computação dividido pela duração do áudio, então um RTF de 0,1 quer dizer que um segundo de fala leva 0,1 segundo para ser gerado, e quanto menor, melhor. Várias fontes invertem a razão e informam quantos segundos de áudio saem por segundo de computação (a NVIDIA chama isso de RTFX, e alguns artigos escrevem “vezes mais rápido que o tempo real”), em que quanto maior, melhor. Nas tabelas, RTF segue a convenção de que menor é mais rápido, a menos que a linha diga “vezes o tempo real”, “RTFX” ou “maior é mais rápido”.
TL;DR
- O FastSpeech 2 reduziu o RTF de 0,932 do Transformer TTS para 0,0195, uma aceleração de 47,8x (Ren et al., FastSpeech 2 2020).
- O Matcha-TTS com 2 passos de amostragem mediu um RTF de 0,015 incluindo o vocoder (Mehta et al., Matcha-TTS 2023).
- O F5-TTS informou RTF de 0,15 com 16 passos contra 0,92 do CosyVoice em sua tabela comparativa (Chen et al., F5-TTS 2024).
- O VoXtream atingiu 102 ms de latência do primeiro pacote em uma A100, enquanto o CosyVoice2 em modo full-stream levou 1.643 ms no mesmo teste (KTH, VoXtream 2025).
- A latência do DSM-TTS da Kyutai subiu de 150 ms com tamanho de lote 1 para 403 ms com tamanho de lote 64, enquanto a vazão chegou a 137,3 vezes o tempo real (Kyutai, DSM-TTS 2025).
- O pipeline FastPitch mais HiFi-GAN do NVIDIA Riva foi de 22 ms de latência do primeiro áudio com 1 fluxo para 323 ms com 32 fluxos (documentação do NVIDIA Riva 2.16.0, executado pelo fornecedor).
- O sistema on-device da Apple rodou de 1,47 a 3,03 vezes mais rápido que o tempo real em dois dispositivos móveis (Apple, On-device neural speech synthesis 2021).
- O Mobile PresenTra, do NICT, atingiu um RTF em lote de cerca de 0,3 em um Google Pixel 5 de faixa intermediária (Okamoto et al., Mobile PresenTra, Interspeech 2024).
- Reduzir o SupertonicTTS de 8 para 4 passos de amostragem elevou a taxa de erro de palavras de 2,818% para 11,43% (Supertone, SupertonicTTS 2025).
- O Fast F5-TTS rodou cerca de 4 vezes mais rápido que a linha de base de 32 passos, enquanto a taxa de erro de palavras foi de 2,37% para 2,45% (Zheng et al., Interspeech 2025).
- O Google Cloud lista $4 por 1M de caracteres para vozes Standard e $160 para vozes Studio (preços do Google Cloud Text-to-Speech 2026).
- A Amazon equipara 1M de caracteres a cerca de 23 horas e 8 minutos de fala, o que coloca o Polly Generative em cerca de $1,30 por hora de áudio (preços do AWS Amazon Polly 2026).
1. Fator de Tempo Real por Família de Modelos em GPU
O primeiro grande salto de velocidade veio de abandonar a autorregressão no modelo acústico, a parte que transforma texto em um espectrograma mel (uma imagem tempo-frequência da fala). O FastSpeech 2 mediu um RTF de 0,0195 contra 0,932 do Transformer TTS no mesmo servidor V100, uma aceleração de inferência de 47,8x (Ren et al., FastSpeech 2). Quando um modelo prevê todos os quadros em paralelo, ele deixa de precisar esperar pela própria saída anterior, quadro a quadro.
As famílias mais novas não desfizeram esse ganho, mas o espalharam. Modelos de difusão e de flow matching, como o Grad-TTS e o Matcha-TTS, trocam algumas passagens extras pela rede por mais qualidade, e no benchmark do Matcha-TTS em GPUs RTX 3090 todos os sistemas testados ficaram abaixo de um RTF de 0,08 incluindo a vocodificação (Mehta et al., Matcha-TTS). O número interessante ali não é a média, e sim a dispersão: o VITS registrou 0,074 com desvio padrão de 0,083, maior que a própria média, o que indica uma velocidade muito irregular de uma frase para outra.
| Métrica | Valor | Fonte |
|---|---|---|
| RTF do Transformer TTS, GPU V100, tamanho de lote 1 (menor é mais rápido) | 0,932 | Ren et al., FastSpeech 2 2020 |
| RTF do FastSpeech 2 e aceleração em relação ao Transformer TTS, mesmo cenário | 0,0195 (47,8x) | Ren et al., FastSpeech 2 2020 |
| RTF e aceleração do FastSpeech 2s (texto direto para forma de onda) | 0,0180 (51,8x) | Ren et al., FastSpeech 2 2020 |
| RTF do FastSpeech 2 no teste do Matcha-TTS, incluindo vocoder, RTX 3090 | 0,010 (desvio padrão 0,004) | Mehta et al., Matcha-TTS 2023 |
| RTF do Matcha-TTS com 2 passos de amostragem vs 10 passos de amostragem | 0,015 vs 0,038 | Mehta et al., Matcha-TTS 2023 |
| RTF do Grad-TTS com 10 passos de amostragem | 0,049 | Mehta et al., Matcha-TTS 2023 |
| RTF do VITS no teste do Matcha-TTS (média e desvio padrão) | 0,074 (0,083) | Mehta et al., Matcha-TTS 2023 |
| RTF do StyleTTS 2 vs RTF do VITS no teste do StyleTTS 2 | 0,0185 vs 0,0599 | Li et al., StyleTTS 2 2023 |
Dados mais recentes disponíveis: FastSpeech 2 (2020), StyleTTS 2 (2023) e Matcha-TTS (2023), todos com mais de três anos. Valores de RTF de artigos diferentes não são diretamente comparáveis, porque GPUs, tamanhos de lote e a inclusão ou não do vocoder variam. Os autores do Matcha-TTS também informam que seu modelo de 2 passos se torna competitivo com o FastSpeech 2 em falas mais longas.
2. Vocoders: Onde Vai a Computação
Um vocoder converte o espectrograma mel em uma forma de onda audível, e por anos foi a metade cara do pipeline. O WaveNet produziu 0,07 kHz de áudio em uma GPU V100, o que equivale a 0,003 vez o tempo real, enquanto o HiFi-GAN V1 produziu 3.701 kHz, ou 167,86 vezes o tempo real (Kong et al., HiFi-GAN). O ponto não é só que os vocoders GAN são rápidos; é que o vocoder deixou de ser o motivo pelo qual um produto de TTS precisava de uma GPU.
O mesmo padrão agora se repete dentro dos sistemas de streaming. O artigo SpeakStream, da Apple, mostra o modelo acústico levando cerca de 28 ms enquanto um vocoder Parallel WaveGAN (PWG) acrescentava 152 ms; trocá-lo por um vocoder de streaming reduziu essa etapa para 13 ms (Apple, SpeakStream). Em outras palavras, só a escolha do vocoder decidiu se o primeiro áudio chegava em cerca de 40 ms ou em cerca de 180 ms.
| Métrica | Valor | Fonte |
|---|---|---|
| Velocidade do WaveNet (MoL) vs WaveGlow vs MelGAN em uma GPU V100, vezes o tempo real (maior é mais rápido) | 0,003x vs 22,75x vs 645,73x | Kong et al., HiFi-GAN 2020 |
| Velocidade do HiFi-GAN V1 vs HiFi-GAN V3 em uma GPU V100, vezes o tempo real | 167,86x vs 1.186,80x | Kong et al., HiFi-GAN 2020 |
| RTF do vocoder BigVGAN vs RTF do autoencoder de fala do SupertonicTTS, RTX 4090 (menor é mais rápido) | 0,0124 vs 0,0006 | Supertone, SupertonicTTS 2025 |
| SpeakStream em um Mac mini M4 Pro, com PWG vs com o vocoder de streaming VocStream: tempo do vocoder e tempo total até o primeiro áudio | 152 ms vs 13 ms; 180 ms vs 40 ms | Apple, SpeakStream 2025 |
Dados mais recentes disponíveis: Kong et al., HiFi-GAN 2020, medido em ponto flutuante de 32 bits e sem otimização adicional. No teste do Matcha-TTS, o vocoder sozinho rodou a um RTF de 0,001, então nesse cenário ele foi uma fração pequena do tempo total de síntese (Matcha-TTS).
3. Grandes Modelos Zero-Shot: O Custo de Velocidade da Clonagem de Voz em Escala
Os modelos zero-shot, que imitam uma voz nova a partir de um prompt curto sem retreinamento, trouxeram a velocidade de volta à conversa. A tabela comparativa do F5-TTS lista o CosyVoice com RTF de 0,92 e o FireRedTTS com 0,84, ou seja, cada segundo de fala levou a maior parte de um segundo para ser computado (Chen et al., F5-TTS). O próprio F5-TTS informou 0,15 com 16 passos de amostragem em uma RTX 3090, ou cerca de 6,7 vezes mais rápido que o tempo real (1 dividido por 0,15). Isso é rápido o bastante para trabalho em lote com audiolivros, mas apertado para atender muitos usuários ao vivo a partir de uma única placa.
Modelos menores estão fechando a diferença. O SupertonicTTS, com 44M de parâmetros, informou 0,02 em uma RTX 4090 e 0,05 em uma RTX 3090, contra 0,31 do F5-TTS com 32 passos na RTX 3090 (Supertone, SupertonicTTS). Para equipes que avaliam um gerador de voz com IA, a contagem de parâmetros sozinha é um mau guia do custo de operação: a tabela abaixo lista o DiTTo-TTS, com 740M de parâmetros, como mais rápido que o Voicebox, com 330M, embora esses dois números possam não vir do mesmo hardware.
| Métrica | Valor | Fonte |
|---|---|---|
| RTF do F5-TTS, 16 vs 32 passos de amostragem, RTX 3090, 10 s de fala (menor é mais rápido) | 0,15 vs 0,31 | Chen et al., F5-TTS 2024 |
| RTF do CosyVoice (cerca de 300M de parâmetros) vs FireRedTTS (cerca de 580M) | 0,92 vs 0,84 | Chen et al., F5-TTS 2024 |
| RTF do Voicebox (330M) vs VALL-E 2 | 0,64 vs 0,732 | Chen et al., F5-TTS 2024 |
| RTF do DiTTo-TTS (740M) vs NaturalSpeech 3 (500M) | 0,162 vs 0,296 | Chen et al., F5-TTS 2024 |
| RTF do SupertonicTTS (44M) na RTX 4090 vs RTX 3090 | 0,02 vs 0,05 | Supertone, SupertonicTTS 2025 |
| Múltiplo de tempo real com tamanho de lote 1 (maior é mais rápido): DSM-TTS vs Chatterbox vs CSM | 3,2 vs 1,8 vs 1,0 | Kyutai, DSM-TTS 2025 |
| Múltiplo de tempo real com tamanho de lote 1: Dia e Orpheus | 0,7 cada (mais lento que o tempo real) | Kyutai, DSM-TTS 2025 |
Nota de contexto: o artigo do F5-TTS não diz como os valores de RTF da linha de base foram medidos, e eles podem não usar a mesma RTX 3090, então trate as linhas 2 a 4 como indicativas. Um artigo posterior mediu o próprio F5-TTS em 0,065 e 0,123 em uma RTX 3090 (veja a seção 6). A tabela da Kyutai usa a convenção invertida, em que um valor abaixo de 1,0 significa que o modelo não acompanha a reprodução.
4. Tempo até o Primeiro Áudio em Streaming e Concorrência de Atendimento
Para uso ao vivo, o número que importa não é o RTF, e sim quanto tempo o ouvinte espera pelo primeiro som. Em um benchmark em A100, o VoXtream com torch.compile começou a falar após 102 ms, enquanto o CosyVoice2 em modo full-stream levou 1.643 ms (KTH, VoXtream). Full-stream significa que o modelo começa enquanto o texto ainda está chegando; um sistema pode ter um RTF decente e ainda assim uma latência do primeiro pacote ruim se esperar por frases inteiras.
A concorrência é a outra metade. Colocar mais usuários em lote em uma GPU eleva a vazão total, mas estica a espera de cada usuário. O DSM-TTS da Kyutai foi de 150 ms com tamanho de lote 1 para 403 ms com tamanho de lote 64, enquanto a vazão subiu de 3,2 para 137,3 vezes o tempo real (Kyutai, DSM-TTS). As próprias tabelas do NVIDIA Riva mostram a mesma curva em um pipeline FastPitch mais HiFi-GAN: a latência do primeiro áudio cresceu cerca de 15 vezes de 1 para 32 fluxos, enquanto a vazão cresceu cerca de 2,9 vezes (NVIDIA Riva TTS performance). Como esses números se encaixam em um orçamento completo de latência de agente de voz está em nossas estatísticas de tempo até o primeiro áudio em agentes de voz.
| Métrica | Valor | Fonte |
|---|---|---|
| Latência do primeiro pacote e RTF do VoXtream com torch.compile, A100, FP16 | 102 ms (RTF 0,17) | KTH, VoXtream 2025 |
| Latência do primeiro pacote e RTF do VoXtream sem compilação | 171 ms (RTF 1,00) | KTH, VoXtream 2025 |
| Latência do primeiro pacote do XTTS-v2, streaming de saída, sem vs com DeepSpeed | 295 ms vs 196 ms | KTH, VoXtream 2025 |
| Latência do primeiro pacote e RTF do CosyVoice2, modo full-stream, mesmo teste em A100 | 1.643 ms (RTF 0,85) | KTH, VoXtream 2025 |
| Latência do DSM-TTS com tamanho de lote 1 vs 32 vs 64 | 150 ms vs 380 ms vs 403 ms | Kyutai, DSM-TTS 2025 |
| Vazão do DSM-TTS com tamanho de lote 64, vezes o tempo real | 137,3x | Kyutai, DSM-TTS 2025 |
| Latência média do primeiro áudio do Riva FastPitch mais HiFi-GAN, 1 fluxo vs 32 fluxos | 22 ms vs 323 ms | Documentação do NVIDIA Riva 2.16.0 (executado pelo fornecedor) |
| Vazão do Riva (RTFX, maior é mais rápido), 1 fluxo vs 32 fluxos | 150,8 vs 440 | Documentação do NVIDIA Riva 2.16.0 (executado pelo fornecedor) |
Nota de contexto: o README do projeto CosyVoice afirma uma latência “de apenas 150 ms” para seu modelo mais novo, o Fun-CosyVoice 3.0 (FunAudioLLM CosyVoice on GitHub), uma afirmação do projeto para uma versão diferente da que a KTH mediu. Não citamos uma GPU para as linhas do Riva: elas são a primeira tabela de resultados da página da NVIDIA, cuja lista de GPUs começa com a A100, mas o texto da página que conseguimos ler não associava cada tabela ao seu rótulo de GPU.
5. Hardware de CPU, Mobile e Edge
Fora da GPU, as margens de velocidade encolhem rápido. O HiFi-GAN V1, que rodou 167,86 vezes mais rápido que o tempo real em uma V100, chegou a apenas 1,43 vez o tempo real em uma CPU Intel i7 de notebook, enquanto o WaveGlow caiu para 0,21 vez, lento demais para reprodução ao vivo (Kong et al., HiFi-GAN). O modelo que vence em um servidor costuma ser o errado para um notebook, e o HiFi-GAN V3, menor (13,44 vezes o tempo real na mesma CPU), mostra o quanto as escolhas de arquitetura pesam aqui.
Modelos pequenos feitos sob medida vão bem mais longe. O EfficientSpeech, com 266k parâmetros e 90 MFLOPS, gerou espectrogramas mel 104,3 vezes mais rápido que o tempo real em um Raspberry Pi 4, cerca de 1% do tamanho e da computação de modelos compactos como o Mixer-TTS (EfficientSpeech). O trabalho on-device da Apple mostrou o pipeline completo rodando em dois dispositivos móveis, com o primeiro buffer de áudio sendo reproduzido de 158 a 179 ms após a solicitação (Apple, On-device neural speech synthesis). As tendências de hardware por trás dessa mudança são acompanhadas em nossas estatísticas de processadores de voz com IA na borda.
As medições mais recentes mostram o quanto a escolha de projeto pesa no mesmo chip. Em uma thread de um AMD EPYC 7413, um modelo de streaming da Samsung Research atingiu um RTF de 0,568 e produziu seu primeiro token acústico em 0,061 s, contra 7,665 e 41,41 s do VALL-E X (Lee et al., Interspeech 2025). O NICT informou um RTF em lote de cerca de 0,3 e latência incremental inferior a 0,5 s em um Google Pixel 5, que descreve como um celular de faixa intermediária (Okamoto et al., Mobile PresenTra).
| Métrica | Valor | Fonte |
|---|---|---|
| Velocidade do HiFi-GAN V1 vs HiFi-GAN V3 vs WaveGlow em uma CPU Intel i7 de notebook, vezes o tempo real | 1,43x vs 13,44x vs 0,21x | Kong et al., HiFi-GAN 2020 |
| Velocidade de síntese de ponta a ponta da Apple, dispositivo móvel A vs dispositivo B, vezes o tempo real | 1,47x vs 3,03x | Apple, On-device neural speech synthesis 2021 |
| Latência percebida pelo cliente da Apple (da solicitação até a reprodução do primeiro buffer de áudio), dispositivo A vs dispositivo B | 179 ms vs 158 ms | Apple, On-device neural speech synthesis 2021 |
| Mobile PresenTra em um Google Pixel 5: RTF em lote; latência incremental | cerca de 0,3; menos de 0,5 s | Okamoto et al. (NICT), Mobile PresenTra, Interspeech 2024 |
| RTF em uma thread de CPU AMD EPYC 7413, somente geração de tokens (menor é mais rápido): SMAM+INR vs Small-E vs VALL-E X | 0,568 vs 2,404 vs 7,665 | Lee et al. (Samsung Research), Interspeech 2025 |
| Tempo até o primeiro token acústico na mesma thread de CPU: SMAM+INR vs Small-E vs VALL-E X | 0,061 s vs 14,34 s vs 41,41 s | Lee et al. (Samsung Research), Interspeech 2025 |
| Parâmetros do EfficientSpeech e velocidade de geração de mel em um Raspberry Pi 4 | 266k parâmetros, 104,3x o tempo real | EfficientSpeech 2023 |
| Nix-TTS vs seu modelo professor VITS, RTF em um Raspberry Pi 3B (acima de 1,0 é mais lento que o tempo real) | 1,974 vs 16,50 | Nix-TTS 2022 |
Dados mais recentes disponíveis: Kong et al. 2020, Apple 2021, Nix-TTS 2022 e EfficientSpeech 2023 têm mais de três anos; não encontramos números revisados por pares mais novos para essas comparações exatas. O resumo da Apple arredonda o número do celular para “3x mais rápido que o tempo real”, mas sua tabela mostra o dispositivo A em 1,47x. O número do EfficientSpeech cobre apenas a geração de mel, sem o vocoder, e as linhas da Samsung excluem o processamento do codec, portanto nenhum dos dois é um pipeline completo de fala.
6. A Troca entre Velocidade e Qualidade
Modelos de difusão e de flow matching expõem a velocidade como um botão: o número de passos de amostragem (avaliações da função da rede, ou NFE). O SupertonicTTS manteve a taxa de erro de palavras entre 2,639% e 2,818% de 8 a 128 passos, mas com 4 passos a taxa de erro saltou para 11,43% e a pontuação de qualidade NISQA caiu para 2,623 (Supertone, SupertonicTTS). A inteligibilidade não se degrada aos poucos; ela se mantém estável e depois quebra num precipício, então a configuração segura mais barata fica logo acima dele.
Esse precipício pode se mover sem hardware novo. Em uma RTX 3090, o F5-TTS com 7 passos igualmente espaçados e o Fast F5-TTS com 7 passos podados rodaram ambos a um RTF de 0,030, mas só a escolha de onde os passos caem levou a taxa de erro de palavras de 4,16% para 2,45%, perto dos 2,37% da linha de base de 32 passos com 0,123 (Zheng et al., Interspeech 2025).
O mesmo formato aparece em vocoders e em streaming. O HiFi-GAN V3 rodou cerca de 7,07 vezes mais rápido que o V1 em uma GPU V100 (26.169 kHz divididos por 3.701 kHz), com queda de MOS de 4,36 para 4,05 (Kong et al., HiFi-GAN). O CosyVoice 2 chamou seu modo de streaming de “quase sem perdas em casos de teste típicos”, mas em seu conjunto de teste difícil a taxa de erro de palavras subiu de 6,83% no modo offline para 8,08% no streaming (CosyVoice 2).
| Métrica | Valor | Fonte |
|---|---|---|
| SupertonicTTS com 4 vs 8 passos de amostragem: RTF; taxa de erro de palavras; pontuação NISQA | 0,006 vs 0,011; 11,43% vs 2,818%; 2,623 vs 3,916 | Supertone, SupertonicTTS 2025 |
| SupertonicTTS com 32 passos (configuração escolhida) vs 128 passos: RTF; pontuação NISQA (as gravações pontuam 4,070) | 0,037 vs 0,140; 4,033 vs 4,070 | Supertone, SupertonicTTS 2025 |
| RTF do F5-TTS em uma RTX 3090 com 32 vs 16 vs 7 passos de amostragem | 0,123 vs 0,065 vs 0,030 | Zheng et al., Interspeech 2025 |
| Taxa de erro de palavras no LibriSpeech-PC com 7 passos, F5-TTS igualmente espaçado vs Fast F5-TTS (linha de base de 32 passos 2,37%) | 4,16% vs 2,45% | Zheng et al., Interspeech 2025 |
| MOS do Matcha-TTS com 2 vs 10 passos de amostragem | 3,65 vs 3,84 | Mehta et al., Matcha-TTS 2023 |
| Taxa de erro de palavras do CosyVoice 2 no conjunto de teste difícil, offline vs streaming | 6,83% vs 8,08% | CosyVoice 2 2024 |
| RTF do StyleTTS 2 com 4 vs 128 passos de difusão | 0,0179 vs 0,0963 | Li et al., StyleTTS 2 2023 |
Nota de contexto: o NISQA é um preditor automático e não intrusivo de qualidade de fala que estima uma nota no estilo de um ouvinte sem uma gravação de referência; não é um teste de audição com pessoas. A tabela de passos do SupertonicTTS não informa o hardware, e seu 0,037 com 32 passos difere do 0,02 informado em outro trecho do mesmo artigo.
7. Preço por Milhão de Caracteres e por Hora de Áudio
Os preços de lista mostram um mercado dividido em faixas, e não uma taxa única. O Google Cloud cobra $4 por 1 milhão de caracteres para vozes Standard e WaveNet, mas $160 para vozes Studio, uma diferença de 40 vezes para o mesmo texto (Google Cloud Text-to-Speech pricing). O Amazon Polly vai de $4 para Standard a $100 para vozes Long-Form, e seu próprio exemplo equipara 1 milhão de caracteres a cerca de 23 horas e 8 minutos de fala (AWS Amazon Polly pricing).
Usando essa conversão da AWS (23 horas e 8 minutos são cerca de 23,13 horas), o Polly Generative a $30 sai a cerca de $1,30 por hora de áudio (30 dividido por 23,13), e o Standard a cerca de $0,17. Modelos precificados por token exigem outro cálculo: o Google informa que o áudio do Gemini TTS equivale a 25 tokens por segundo, então uma hora são 90.000 tokens de áudio, e o Gemini 2.5 Pro TTS a $20 por milhão de tokens de áudio resulta em $1,80 por hora de saída, antes da cobrança da entrada de texto. Modelos de pesos abertos comprimem isso ainda mais: a Artificial Analysis lista o Kokoro 82M na Replicate a $0,65 por milhão de caracteres (Artificial Analysis text-to-speech leaderboard). Para a economia mais ampla de GPU por trás desses preços, veja nossas estatísticas de custo de inferência de IA.
| Métrica | Valor | Fonte |
|---|---|---|
| Preço de tabela do Google Cloud por 1M de caracteres: Standard e WaveNet vs Neural2 | $4 vs $16 | Preços do Google Cloud Text-to-Speech 2026 |
| Preço de tabela do Google Cloud por 1M de caracteres: Chirp 3 HD vs Instant custom voice vs Studio | $30 vs $60 vs $160 | Preços do Google Cloud Text-to-Speech 2026 |
| Preço de tabela do Amazon Polly por 1M de caracteres: Standard, Neural, Generative, Long-Form | $4, $16, $30, $100 | Preços do AWS Amazon Polly 2026 |
| Vozes neurais do Microsoft Azure, pagamento conforme o uso vs preço excedente na faixa de compromisso de 2.000M de caracteres, por 1M de caracteres | $15 vs $7,50 | Preços do Microsoft Azure Speech 2026 |
| OpenAI tts-1 (descrito como otimizado para velocidade) vs tts-1-hd, por 1M de caracteres | $15 vs $30 | Preços da API da OpenAI 2026 |
| Preço de saída de áudio do Gemini 2.5 Pro TTS e custo derivado por hora de áudio (25 tokens por segundo) | $20 por 1M de tokens de áudio, cerca de $1,80 por hora | Preços do Google Cloud Text-to-Speech 2026 (derivado) |
| Amazon Polly Generative e Standard, custo derivado por hora de áudio | cerca de $1,30 e cerca de $0,17 | Preços do AWS Amazon Polly 2026 (derivado) |
| Preço da API hospedada do Kokoro 82M por 1M de caracteres (Replicate) | $0,65 | Ranking TTS da Artificial Analysis 2026 |
Nota de contexto: são preços de tabela em 31 de outubro de 2026, antes de descontos negociados. As faixas de compromisso do Azure começam em $960 por 80M de caracteres, o que dá $12 por milhão (960 dividido por 80). As faixas gratuitas diferem bastante: o Polly Standard inclui 5 milhões de caracteres por mês, enquanto o Polly Generative inclui 100 mil caracteres por mês nos primeiros 12 meses. O próprio model card do Kokoro diz que o modelo foi treinado por cerca de $1.000, usando 1.000 horas de GPU A100 80GB (Kokoro-82M model card), o que mostra quão pouca computação de treinamento uma voz de baixo custo exige hoje.
Resumo: Fator de Tempo Real e Custo de Inferência em Text-to-Speech em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Velocidade do HiFi-GAN V3 vs WaveNet em uma GPU V100, vezes o tempo real | 1.186,80x vs 0,003x | Kong et al., HiFi-GAN 2020 |
| RTF do FastSpeech 2 vs Transformer TTS | 0,0195 vs 0,932 | Ren et al., FastSpeech 2 2020 |
| RTF do Matcha-TTS com 2 passos de amostragem, incluindo vocoder | 0,015 | Mehta et al., Matcha-TTS 2023 |
| RTF do F5-TTS com 16 passos vs RTF do CosyVoice | 0,15 vs 0,92 | Chen et al., F5-TTS 2024 |
| Latência do primeiro pacote do VoXtream vs CosyVoice2, mesmo teste em A100 | 102 ms vs 1.643 ms | KTH, VoXtream 2025 |
| Latência do DSM-TTS, tamanho de lote 1 vs 64 | 150 ms vs 403 ms | Kyutai, DSM-TTS 2025 |
| Latência do primeiro áudio do Riva, 1 vs 32 fluxos | 22 ms vs 323 ms | Documentação do NVIDIA Riva 2.16.0 (executado pelo fornecedor) |
| Primeiro áudio do SpeakStream com PWG vs vocoder de streaming | 180 ms vs 40 ms | Apple, SpeakStream 2025 |
| Velocidade de síntese on-device da Apple, dois dispositivos móveis | 1,47x e 3,03x o tempo real | Apple, On-device neural speech synthesis 2021 |
| Geração de mel do EfficientSpeech em um Raspberry Pi 4 | 104,3x o tempo real | EfficientSpeech 2023 |
| RTF em lote do Mobile PresenTra em um Google Pixel 5 | cerca de 0,3 | Okamoto et al. (NICT), Mobile PresenTra, Interspeech 2024 |
| Taxa de erro de palavras do SupertonicTTS com 4 vs 8 passos de amostragem | 11,43% vs 2,818% | Supertone, SupertonicTTS 2025 |
| Taxa de erro de palavras do F5-TTS com 7 passos, igualmente espaçados vs cronograma podado | 4,16% vs 2,45% | Zheng et al., Interspeech 2025 |
| Taxa de erro de palavras do CosyVoice 2 no conjunto difícil, offline vs streaming | 6,83% vs 8,08% | CosyVoice 2 2024 |
| Vozes Standard vs Studio do Google Cloud, por 1M de caracteres | $4 vs $160 | Preços do Google Cloud Text-to-Speech 2026 |
| Vozes Long-Form do Amazon Polly, por 1M de caracteres | $100 | Preços do AWS Amazon Polly 2026 |
| Fala produzida por 1M de caracteres, exemplo de preços da Amazon | cerca de 23 horas e 8 minutos | Preços do AWS Amazon Polly 2026 |
| Vozes neurais do Azure, pagamento conforme o uso por 1M de caracteres | $15 | Preços do Microsoft Azure Speech 2026 |
| Preço hospedado do Kokoro 82M por 1M de caracteres | $0,65 | Ranking TTS da Artificial Analysis 2026 |
Metodologia e Fontes
- Kong, Kim e Bae: HiFi-GAN (2020), Tabela 1 com velocidade, MOS e contagem de parâmetros em uma GPU V100 e em uma CPU de notebook.
- Ren et al.: FastSpeech 2 (2020), Tabela 2 com o RTF de inferência em um servidor V100 com tamanho de lote 1.
- Mehta et al.: Matcha-TTS (2023), RTF incluindo vocodificação em GPUs RTX 3090.
- Li et al.: StyleTTS 2 (2023), RTF geral e por número de passos de difusão.
- Chen et al.: F5-TTS (2024), RTF em uma RTX 3090 para 10 s de fala, com uma tabela comparativa de linhas de base.
- Supertone: SupertonicTTS (2025), RTF em RTX 4090 e RTX 3090, e a ablação do número de passos de amostragem.
- KTH Royal Institute of Technology: VoXtream (2025), latência do primeiro pacote e RTF em FP16 em uma A100.
- Kyutai: Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling (2025), latência, RTF e vazão do DSM-TTS por tamanho de lote.
- Apple: SpeakStream (2025), latência em um Mac mini M4 Pro com MLX; On-device neural speech synthesis (2021), medições em dispositivos móveis.
- FunAudioLLM: CosyVoice 2 (2024), qualidade em streaming vs offline; CosyVoice GitHub README (afirmação do projeto, 2026).
- EfficientSpeech (2023) e Nix-TTS (2022), modelos de pequeno porte em CPU e Raspberry Pi.
- Artigos do Interspeech: Okamoto, Ohtani e Kawai (NICT), Mobile PresenTra (2024), RTF e latência em smartphone; Lee et al. (Samsung Research), Efficient Streaming TTS Acoustic Model with Depthwise RVQ Decoding Strategies in a Mamba Framework (2025), RTF e latência em CPU de uma única thread; Zheng et al., Accelerating Flow-Matching-Based Text-to-Speech via Empirically Pruned Step Sampling (2025), velocidade e taxas de erro do F5-TTS por número de passos.
- NVIDIA: Riva 2.16.0 TTS performance, tabelas de latência e RTFX executadas pelo fornecedor.
- Páginas de preços, consultadas em 31 de outubro de 2026: Google Cloud Text-to-Speech, Amazon Polly, Microsoft Azure Speech, OpenAI API e a página do modelo OpenAI tts-1.
- Artificial Analysis text-to-speech leaderboard (2026) e o Kokoro-82M model card (Hugging Face), para preços de modelos de pesos abertos e custo de treinamento.
- Nota sobre os dados: os números de RTF não são comparáveis entre artigos, a menos que hardware, tamanho de lote, precisão e inclusão do vocoder coincidam; mesmo dentro de um único artigo, o SupertonicTTS informa 0,037 e 0,02 para o que parece ser o mesmo cenário. O artigo do F5-TTS não diz como os RTFs de suas linhas de base foram medidos, e a própria velocidade do F5-TTS entra em conflito entre as fontes para o mesmo modelo de GPU: o artigo original dá 0,15 com 16 passos e 0,31 com 32 passos em uma RTX 3090, enquanto Zheng et al. dão 0,065 e 0,123 em uma RTX 3090, sem explicação para a diferença nas páginas que lemos. A Tabela 6 da Kyutai não nomeia sua GPU, e o artigo imprime cerca de 800 ms de latência para o F5-TTS com 16 passos e cerca de 400 ms com 32 passos, o oposto do que mais passos normalmente fariam, então não usamos esses dois valores. A medição do VoXtream e o número do README do CosyVoice cobrem versões diferentes do CosyVoice, por isso não são diretamente comparáveis. As duas conversões de caracteres para áudio entram em conflito: o exemplo da Amazon implica cerca de 720 caracteres por minuto (1.000.000 de caracteres divididos por 1.388 minutos), enquanto o card do Kokoro usa cerca de 1.000, então um custo por hora baseado na razão do Kokoro seria cerca de 39% maior que um baseado na da Amazon (1.000 dividido por 720 é cerca de 1,39). O Google Cloud rotula seus modelos Gemini 3.8 TTS como Preview, com preços previstos para mudar em 1º de janeiro de 2027. As regras do MLPerf Inference da MLCommons listam o Whisper para fala para texto, mas nenhuma carga de trabalho de text-to-speech, então a velocidade de TTS não tem ali um benchmark setorial neutro; vários dos artigos de hardware aqui têm mais de três anos e estão sinalizados como dados mais recentes disponíveis.
Última atualização: 31 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão está prevista para quando entrar em vigor a mudança de preços do Gemini TTS do Google Cloud em 1º de janeiro de 2027.