На одном GPU NVIDIA V100 вокодер HiFi-GAN V3 генерировал аудио в 1 186,80 раза быстрее реального времени, тогда как авторегрессионный WaveNet на той же карте достигал лишь 0,003 от реального времени (Kong и др., HiFi-GAN 2020). Этот разрыв, составляющий более пяти порядков, и есть причина, по которой синтез речи из роскоши дата-центров превратился в то, что умеет делать телефон. С тех пор узкое место сместилось: в исходной статье F5-TTS, крупной модели без дообучения, сообщалось о 0,15 секунды работы GPU на секунду речи (Chen и др., F5-TTS 2024), а потоковый тест на одной A100 показал первый звук в диапазоне от 102 до 1 643 мс в зависимости от системы (KTH, VoXtream 2025). Что касается цен, прайс-листы крупных облаков идут от $4 до $160 за миллион символов, то есть разница в 40 раз для одной и той же единицы текста. Мы собрали данные из рецензируемых статей и препринтов arXiv от KTH, Kyutai и Apple, из документации по производительности NVIDIA Riva и с официальных страниц цен Google Cloud, Amazon Web Services, Microsoft Azure и OpenAI; оценки качества разобраны отдельно в нашей статистике MOS синтезированной речи.
Замечание о единице, которая проходит через всю статью: коэффициент реального времени (RTF) обычно означает время вычислений, делённое на длительность аудио, поэтому RTF 0,1 значит, что секунда речи генерируется за 0,1 секунды, и чем меньше, тем лучше. Ряд источников переворачивает отношение и указывает, сколько секунд аудио получается за секунду вычислений (NVIDIA называет это RTFX, а некоторые статьи пишут «во столько-то раз быстрее реального времени»), и там чем больше, тем лучше. В таблицах RTF следует соглашению «меньше - быстрее», если в строке не сказано «кратно реальному времени», «RTFX» или «больше - быстрее».
Кратко (TL;DR)
- FastSpeech 2 снизил RTF с 0,932 у Transformer TTS до 0,0195, ускорение в 47,8 раза (Ren и др., FastSpeech 2 2020).
- Matcha-TTS с 2 шагами сэмплирования показал RTF 0,015 с учётом вокодера (Mehta и др., Matcha-TTS 2023).
- F5-TTS сообщил RTF 0,15 при 16 шагах против 0,92 у CosyVoice в своей сравнительной таблице (Chen и др., F5-TTS 2024).
- VoXtream достиг задержки первого пакета 102 мс на A100, тогда как CosyVoice2 в режиме полного потока в том же тесте потребовалось 1 643 мс (KTH, VoXtream 2025).
- Задержка DSM-TTS от Kyutai выросла со 150 мс при размере батча 1 до 403 мс при размере батча 64, а пропускная способность достигла 137,3 от реального времени (Kyutai, DSM-TTS 2025).
- Конвейер NVIDIA Riva из FastPitch и HiFi-GAN прошёл путь от 22 мс задержки первого звука при 1 потоке до 323 мс при 32 потоках (документация NVIDIA Riva 2.16.0, измерения вендора).
- Система Apple на самом устройстве работала в 1,47-3,03 раза быстрее реального времени на двух мобильных устройствах (Apple, On-device neural speech synthesis 2021).
- Mobile PresenTra от NICT достиг пакетного RTF около 0,3 на Google Pixel 5 среднего класса (Okamoto и др., Mobile PresenTra, Interspeech 2024).
- Сокращение SupertonicTTS с 8 до 4 шагов сэмплирования подняло долю ошибок по словам с 2,818% до 11,43% (Supertone, SupertonicTTS 2025).
- Fast F5-TTS работал примерно в 4 раза быстрее базовой версии с 32 шагами, а доля ошибок по словам изменилась с 2,37% до 2,45% (Zheng и др., Interspeech 2025).
- Google Cloud указывает $4 за 1 млн символов для голосов Standard и $160 для голосов Studio (цены Google Cloud Text-to-Speech 2026).
- Amazon приравнивает 1 млн символов примерно к 23 часам 8 минутам речи, что даёт для Polly Generative около $1,30 за час аудио (цены AWS Amazon Polly 2026).
1. Коэффициент реального времени по семействам моделей на GPU
Первый большой скачок скорости дало отказ от авторегрессии в акустической модели, той части, которая превращает текст в мел-спектрограмму (картинку речи во времени и по частоте). FastSpeech 2 показал RTF 0,0195 против 0,932 у Transformer TTS на одном и том же сервере V100, ускорение инференса в 47,8 раза (Ren и др., FastSpeech 2). Когда модель предсказывает все кадры параллельно, ей больше не нужно ждать собственного предыдущего вывода кадр за кадром.
Новые семейства не отменили этот выигрыш, но распределили его. Диффузионные модели и модели на основе согласования потоков, такие как Grad-TTS и Matcha-TTS, меняют несколько дополнительных проходов по сети на лучшее качество, и в бенчмарке Matcha-TTS на GPU RTX 3090 все протестированные системы остались ниже RTF 0,08 с учётом вокодирования (Mehta и др., Matcha-TTS). Интересно там не среднее, а разброс: VITS показал 0,074 при стандартном отклонении 0,083, что больше самого среднего и говорит об очень неровной скорости от фразы к фразе.
| Показатель | Значение | Источник |
|---|---|---|
| RTF Transformer TTS, GPU V100, размер батча 1 (меньше - быстрее) | 0,932 | Ren и др., FastSpeech 2 2020 |
| RTF FastSpeech 2 и ускорение относительно Transformer TTS, та же конфигурация | 0,0195 (47,8×) | Ren и др., FastSpeech 2 2020 |
| RTF и ускорение FastSpeech 2s (текст сразу в волновую форму) | 0,0180 (51,8×) | Ren и др., FastSpeech 2 2020 |
| RTF FastSpeech 2 в тесте Matcha-TTS, включая вокодер, RTX 3090 | 0,010 (стандартное отклонение 0,004) | Mehta и др., Matcha-TTS 2023 |
| RTF Matcha-TTS при 2 шагах сэмплирования против 10 шагов сэмплирования | 0,015 против 0,038 | Mehta и др., Matcha-TTS 2023 |
| RTF Grad-TTS при 10 шагах сэмплирования | 0,049 | Mehta и др., Matcha-TTS 2023 |
| RTF VITS в тесте Matcha-TTS (среднее и стандартное отклонение) | 0,074 (0,083) | Mehta и др., Matcha-TTS 2023 |
| RTF StyleTTS 2 против RTF VITS в тесте StyleTTS 2 | 0,0185 против 0,0599 | Li и др., StyleTTS 2 2023 |
Самые свежие доступные данные: FastSpeech 2 (2020), StyleTTS 2 (2023) и Matcha-TTS (2023), все старше трёх лет. Значения RTF из разных статей напрямую несопоставимы, поскольку различаются GPU, размеры батча и то, включён ли вокодер. Авторы Matcha-TTS также сообщают, что их модель с 2 шагами становится конкурентоспособной с FastSpeech 2 на более длинных высказываниях.
2. Вокодеры: куда уходят вычисления
Вокодер преобразует мел-спектрограмму в слышимую волновую форму, и годами он был дорогой половиной конвейера. WaveNet выдавал 0,07 кГц аудио на GPU V100, то есть 0,003 от реального времени, тогда как HiFi-GAN V1 выдавал 3 701 кГц, или в 167,86 раза быстрее реального времени (Kong и др., HiFi-GAN). Суть не только в том, что вокодеры на основе GAN быстрые; суть в том, что вокодер перестал быть причиной, по которой продукту синтеза речи вообще нужен GPU.
Тот же паттерн теперь повторяется внутри потоковых систем. Статья Apple о SpeakStream показывает, что акустическая модель занимает около 28 мс, а вокодер Parallel WaveGAN (PWG) добавлял 152 мс; замена его на потоковый вокодер сократила этот этап до 13 мс (Apple, SpeakStream). Иными словами, один лишь выбор вокодера решал, придёт ли первый звук примерно через 40 мс или примерно через 180 мс.
| Показатель | Значение | Источник |
|---|---|---|
| Скорость WaveNet (MoL) против WaveGlow против MelGAN на GPU V100, кратность реальному времени (больше - быстрее) | 0,003× против 22,75× против 645,73× | Kong и др., HiFi-GAN 2020 |
| Скорость HiFi-GAN V1 против HiFi-GAN V3 на GPU V100, кратность реальному времени | 167,86× против 1 186,80× | Kong и др., HiFi-GAN 2020 |
| RTF вокодера BigVGAN против RTF речевого автоэнкодера SupertonicTTS, RTX 4090 (меньше - быстрее) | 0,0124 против 0,0006 | Supertone, SupertonicTTS 2025 |
| SpeakStream на Mac mini M4 Pro, с PWG против потокового вокодера VocStream: время вокодера и общее время до первого звука | 152 мс против 13 мс; 180 мс против 40 мс | Apple, SpeakStream 2025 |
Самые свежие доступные данные: Kong и др., HiFi-GAN 2020, измерено в 32-битной плавающей точке без дополнительной оптимизации. В тесте Matcha-TTS один только вокодер работал с RTF 0,001, то есть в той конфигурации составлял малую долю общего времени синтеза (Matcha-TTS).
3. Крупные модели без дообучения: цена скорости клонирования голоса в масштабе
Модели без дообучения, которые имитируют новый голос по короткому образцу без повторного обучения, вернули скорость в разговор. В сравнительной таблице F5-TTS CosyVoice указан с RTF 0,92, а FireRedTTS с 0,84, то есть на каждую секунду речи уходила большая часть секунды вычислений (Chen и др., F5-TTS). Сам F5-TTS сообщил 0,15 при 16 шагах сэмплирования на RTX 3090, или примерно в 6,7 раза быстрее реального времени (1 делить на 0,15). Этого достаточно для пакетной работы с аудиокнигами, но впритык для обслуживания многих живых пользователей с одной карты.
Меньшие модели сокращают разрыв. SupertonicTTS с 44 млн параметров показал 0,02 на RTX 4090 и 0,05 на RTX 3090 против 0,31 у F5-TTS при 32 шагах на RTX 3090 (Supertone, SupertonicTTS). Командам, оценивающим ИИ-генератор голоса, число параметров само по себе плохо подсказывает стоимость обслуживания: в таблице ниже DiTTo-TTS с 740 млн параметров быстрее Voicebox с 330 млн, хотя эти две цифры могут быть получены не на одном и том же оборудовании.
| Показатель | Значение | Источник |
|---|---|---|
| RTF F5-TTS, 16 против 32 шагов сэмплирования, RTX 3090, 10 с речи (меньше - быстрее) | 0,15 против 0,31 | Chen и др., F5-TTS 2024 |
| RTF CosyVoice (около 300 млн параметров) против FireRedTTS (около 580 млн) | 0,92 против 0,84 | Chen и др., F5-TTS 2024 |
| RTF Voicebox (330 млн) против VALL-E 2 | 0,64 против 0,732 | Chen и др., F5-TTS 2024 |
| RTF DiTTo-TTS (740 млн) против NaturalSpeech 3 (500 млн) | 0,162 против 0,296 | Chen и др., F5-TTS 2024 |
| RTF SupertonicTTS (44 млн) на RTX 4090 против RTX 3090 | 0,02 против 0,05 | Supertone, SupertonicTTS 2025 |
| Кратность реальному времени при размере батча 1 (больше - быстрее): DSM-TTS против Chatterbox против CSM | 3,2 против 1,8 против 1,0 | Kyutai, DSM-TTS 2025 |
| Кратность реальному времени при размере батча 1: Dia и Orpheus | по 0,7 (медленнее реального времени) | Kyutai, DSM-TTS 2025 |
Примечание к контексту: в статье F5-TTS не сказано, как измерялись значения RTF базовых моделей, и они могут не использовать его RTX 3090, поэтому строки со 2-й по 4-ю следует считать ориентировочными. В более поздней статье сам F5-TTS измерен на RTX 3090 в 0,065 и 0,123 (см. раздел 6). В таблице Kyutai используется перевёрнутое соглашение, где значение ниже 1,0 означает, что модель не успевает за воспроизведением.
4. Время до первого звука в потоковом режиме и параллельное обслуживание
Для живого использования важен не RTF, а то, сколько слушатель ждёт первого звука. В одном бенчмарке на A100 VoXtream с torch.compile начал говорить через 102 мс, тогда как CosyVoice2 в режиме полного потока потребовалось 1 643 мс (KTH, VoXtream). Режим полного потока означает, что модель стартует, пока текст ещё поступает; у системы может быть приличный RTF и при этом плохая задержка первого пакета, если она ждёт целых фраз.
Параллельность - вторая половина картины. Группировка большего числа пользователей в батчи на одном GPU повышает общую пропускную способность, но растягивает ожидание каждого пользователя. DSM-TTS от Kyutai прошёл путь от 150 мс при размере батча 1 до 403 мс при размере батча 64, тогда как пропускная способность выросла с 3,2 до 137,3 от реального времени (Kyutai, DSM-TTS). Собственные таблицы NVIDIA Riva показывают ту же кривую для конвейера FastPitch плюс HiFi-GAN: задержка первого звука выросла примерно в 15 раз при переходе от 1 к 32 потокам, а пропускная способность примерно в 2,9 раза (NVIDIA Riva TTS performance). О том, как эти цифры вписываются в полный бюджет задержки голосового агента, рассказано в нашей статистике времени до первого звука у голосовых агентов.
| Показатель | Значение | Источник |
|---|---|---|
| Задержка первого пакета и RTF VoXtream с torch.compile, A100, FP16 | 102 мс (RTF 0,17) | KTH, VoXtream 2025 |
| Задержка первого пакета и RTF VoXtream без компиляции | 171 мс (RTF 1,00) | KTH, VoXtream 2025 |
| Задержка первого пакета XTTS-v2, потоковый вывод, без DeepSpeed против с DeepSpeed | 295 мс против 196 мс | KTH, VoXtream 2025 |
| Задержка первого пакета и RTF CosyVoice2, режим полного потока, тот же тест на A100 | 1 643 мс (RTF 0,85) | KTH, VoXtream 2025 |
| Задержка DSM-TTS при размере батча 1 против 32 против 64 | 150 мс против 380 мс против 403 мс | Kyutai, DSM-TTS 2025 |
| Пропускная способность DSM-TTS при размере батча 64, кратность реальному времени | 137,3× | Kyutai, DSM-TTS 2025 |
| Средняя задержка первого звука Riva FastPitch плюс HiFi-GAN, 1 поток против 32 потоков | 22 мс против 323 мс | Документация NVIDIA Riva 2.16.0 (измерения вендора) |
| Пропускная способность Riva (RTFX, больше - быстрее), 1 поток против 32 потоков | 150,8 против 440 | Документация NVIDIA Riva 2.16.0 (измерения вендора) |
Примечание к контексту: в README проекта CosyVoice для его более новой модели Fun-CosyVoice 3.0 заявлена задержка «всего 150 мс» (FunAudioLLM CosyVoice on GitHub), это заявление проекта о другой версии, чем та, что измеряла KTH. Для строк Riva мы не называем GPU: это первая таблица результатов на странице NVIDIA, список GPU на которой начинается с A100, но доступный нам текст страницы не связывал каждую таблицу с её меткой GPU.
5. Оборудование: CPU, мобильные устройства и периферия
Вне GPU запас скорости быстро тает. HiFi-GAN V1, работавший в 167,86 раза быстрее реального времени на V100, показал лишь 1,43 от реального времени на процессоре Intel i7 ноутбука, а WaveGlow упал до 0,21, что слишком медленно для воспроизведения вживую (Kong и др., HiFi-GAN). Модель, которая выигрывает на сервере, часто не подходит для ноутбука, а меньший HiFi-GAN V3 (13,44 от реального времени на том же процессоре) показывает, насколько здесь важны архитектурные решения.
Специально построенные малые модели уходят гораздо дальше. EfficientSpeech с 266 тыс. параметров и 90 MFLOPS генерировал мел-спектрограммы в 104,3 раза быстрее реального времени на Raspberry Pi 4, при примерно 1% размера и вычислений компактных моделей вроде Mixer-TTS (EfficientSpeech). Работа Apple по синтезу на самом устройстве показала полный конвейер на двух мобильных устройствах, причём первый аудиобуфер воспроизводился через 158-179 мс после запроса (Apple, On-device neural speech synthesis). Аппаратные тенденции, стоящие за этим сдвигом, отслеживаются в нашей статистике процессоров для голосового ИИ на периферии.
Самые новые измерения показывают, насколько на одном и том же чипе важен выбор конструкции. На одном потоке AMD EPYC 7413 потоковая модель Samsung Research достигла RTF 0,568 и выдала первый акустический токен за 0,061 с против 7,665 и 41,41 с у VALL-E X (Lee и др., Interspeech 2025). NICT сообщил о пакетном RTF около 0,3 и инкрементальной задержке менее 0,5 с на Google Pixel 5, который он называет телефоном среднего класса (Okamoto и др., Mobile PresenTra).
| Показатель | Значение | Источник |
|---|---|---|
| Скорость HiFi-GAN V1 против HiFi-GAN V3 против WaveGlow на процессоре Intel i7 ноутбука, кратность реальному времени | 1,43× против 13,44× против 0,21× | Kong и др., HiFi-GAN 2020 |
| Скорость сквозного синтеза Apple, мобильное устройство A против устройства B, кратность реальному времени | 1,47× против 3,03× | Apple, On-device neural speech synthesis 2021 |
| Воспринимаемая клиентом задержка Apple (от запроса до воспроизведения первого аудиобуфера), устройство A против устройства B | 179 мс против 158 мс | Apple, On-device neural speech synthesis 2021 |
| Mobile PresenTra на Google Pixel 5: пакетный RTF; инкрементальная задержка | около 0,3; менее 0,5 с | Okamoto и др. (NICT), Mobile PresenTra, Interspeech 2024 |
| RTF на одном потоке процессора AMD EPYC 7413, только генерация токенов (меньше - быстрее): SMAM+INR против Small-E против VALL-E X | 0,568 против 2,404 против 7,665 | Lee и др. (Samsung Research), Interspeech 2025 |
| Время до первого акустического токена на том же потоке процессора: SMAM+INR против Small-E против VALL-E X | 0,061 с против 14,34 с против 41,41 с | Lee и др. (Samsung Research), Interspeech 2025 |
| Параметры EfficientSpeech и скорость генерации мел-спектрограмм на Raspberry Pi 4 | 266 тыс. параметров, 104,3× реального времени | EfficientSpeech 2023 |
| Nix-TTS против его модели-учителя VITS, RTF на Raspberry Pi 3B (выше 1,0 - медленнее реального времени) | 1,974 против 16,50 | Nix-TTS 2022 |
Самые свежие доступные данные: Kong и др. 2020, Apple 2021, Nix-TTS 2022 и EfficientSpeech 2023 старше трёх лет; более новых рецензируемых цифр для именно этих сравнений мы не нашли. В аннотации Apple мобильный показатель округлён до «в 3 раза быстрее реального времени», но в её таблице устройство A показывает 1,47×. Цифра EfficientSpeech охватывает только генерацию мел-спектрограмм, без вокодера, а строки Samsung исключают обработку кодека, поэтому ни то ни другое не является полным конвейером синтеза речи.
6. Компромисс между скоростью и качеством
Диффузионные модели и модели на основе согласования потоков делают скорость регулятором: это число шагов сэмплирования (вычислений функции сети, NFE). SupertonicTTS удерживал долю ошибок по словам между 2,639% и 2,818% при 8-128 шагах, но при 4 шагах доля ошибок подскочила до 11,43%, а оценка качества NISQA упала до 2,623 (Supertone, SupertonicTTS). Разборчивость не ухудшается плавно; она держится стабильно, а затем обрывается, поэтому самая дешёвая безопасная настройка лежит чуть выше этого обрыва.
Этот обрыв можно сместить без нового оборудования. На RTX 3090 F5-TTS с 7 равномерно распределёнными шагами и Fast F5-TTS с 7 отобранными шагами работали с одинаковым RTF 0,030, но лишь выбор того, где расположены шаги, снизил долю ошибок по словам с 4,16% до 2,45%, близко к 2,37% базовой версии с 32 шагами при 0,123 (Zheng и др., Interspeech 2025).
Та же картина наблюдается у вокодеров и в потоковом режиме. HiFi-GAN V3 работал примерно в 7,07 раза быстрее V1 на GPU V100 (26 169 кГц делить на 3 701 кГц) при падении MOS с 4,36 до 4,05 (Kong и др., HiFi-GAN). CosyVoice 2 назвал свой потоковый режим «почти без потерь в типичных тестовых случаях», однако на его сложном тестовом наборе доля ошибок по словам выросла с 6,83% в офлайн-режиме до 8,08% в потоковом (CosyVoice 2).
| Показатель | Значение | Источник |
|---|---|---|
| SupertonicTTS при 4 против 8 шагов сэмплирования: RTF; доля ошибок по словам; оценка NISQA | 0,006 против 0,011; 11,43% против 2,818%; 2,623 против 3,916 | Supertone, SupertonicTTS 2025 |
| SupertonicTTS при 32 шагах (выбранная настройка) против 128 шагов: RTF; оценка NISQA (записи получают 4,070) | 0,037 против 0,140; 4,033 против 4,070 | Supertone, SupertonicTTS 2025 |
| RTF F5-TTS на RTX 3090 при 32 против 16 против 7 шагов сэмплирования | 0,123 против 0,065 против 0,030 | Zheng и др., Interspeech 2025 |
| Доля ошибок по словам на LibriSpeech-PC при 7 шагах, F5-TTS с равномерными шагами против Fast F5-TTS (базовая версия с 32 шагами 2,37%) | 4,16% против 2,45% | Zheng и др., Interspeech 2025 |
| MOS Matcha-TTS при 2 против 10 шагов сэмплирования | 3,65 против 3,84 | Mehta и др., Matcha-TTS 2023 |
| Доля ошибок по словам CosyVoice 2 на сложном тестовом наборе, офлайн против потокового режима | 6,83% против 8,08% | CosyVoice 2 2024 |
| RTF StyleTTS 2 при 4 против 128 шагов диффузии | 0,0179 против 0,0963 | Li и др., StyleTTS 2 2023 |
Примечание к контексту: NISQA - это автоматический неинтрузивный предсказатель качества речи, который оценивает «слушательскую» оценку без эталонной записи; это не тест на живых слушателях. В таблице шагов SupertonicTTS не указано оборудование, а её значение 0,037 при 32 шагах отличается от 0,02, приведённого в другом месте той же статьи.
7. Цена за миллион символов и за час аудио
Цены по прайс-листу показывают рынок, разделённый на уровни, а не единую ставку. Google Cloud берёт $4 за 1 миллион символов за голоса Standard и WaveNet, но $160 за голоса Studio, то есть разница в 40 раз для одного и того же текста (Google Cloud Text-to-Speech pricing). Amazon Polly стоит от $4 за Standard до $100 за голоса Long-Form, а его собственный пример приравнивает 1 миллион символов примерно к 23 часам 8 минутам речи (AWS Amazon Polly pricing).
По этому пересчёту AWS (23 часа 8 минут - это около 23,13 часа) Polly Generative за $30 выходит примерно в $1,30 за час аудио (30 делить на 23,13), а Standard примерно в $0,17. Модели с оплатой за токены требуют иного расчёта: Google указывает, что аудио Gemini TTS составляет 25 токенов в секунду, то есть час - это 90 000 аудиотокенов, а Gemini 2.5 Pro TTS по $20 за миллион аудиотокенов даёт $1,80 за час выходного аудио до оплаты текстового ввода. Модели с открытыми весами снижают это ещё сильнее: Artificial Analysis указывает Kokoro 82M на Replicate по $0,65 за миллион символов (Artificial Analysis text-to-speech leaderboard). Более широкую экономику GPU, стоящую за этими ценами, см. в нашей статистике стоимости ИИ-инференса.
| Показатель | Значение | Источник |
|---|---|---|
| Цена Google Cloud по прайс-листу за 1 млн символов: Standard и WaveNet против Neural2 | $4 против $16 | Цены Google Cloud Text-to-Speech 2026 |
| Цена Google Cloud по прайс-листу за 1 млн символов: Chirp 3 HD против Instant custom voice против Studio | $30 против $60 против $160 | Цены Google Cloud Text-to-Speech 2026 |
| Цена Amazon Polly по прайс-листу за 1 млн символов: Standard, Neural, Generative, Long-Form | $4, $16, $30, $100 | Цены AWS Amazon Polly 2026 |
| Нейронные голоса Microsoft Azure, оплата по факту использования против цены сверх лимита на уровне обязательств в 2 000 млн символов, за 1 млн символов | $15 против $7,50 | Цены Microsoft Azure Speech 2026 |
| OpenAI tts-1 (описан как оптимизированный по скорости) против tts-1-hd, за 1 млн символов | $15 против $30 | Цены API OpenAI 2026 |
| Цена выходного аудио Gemini 2.5 Pro TTS и расчётная стоимость за час аудио (25 токенов в секунду) | $20 за 1 млн аудиотокенов, около $1,80 за час | Цены Google Cloud Text-to-Speech 2026 (расчёт) |
| Amazon Polly Generative и Standard, расчётная стоимость за час аудио | около $1,30 и около $0,17 | Цены AWS Amazon Polly 2026 (расчёт) |
| Цена размещённого API Kokoro 82M за 1 млн символов (Replicate) | $0,65 | Рейтинг TTS Artificial Analysis 2026 |
Примечание к контексту: это цены по прайс-листу на 31 октября 2026 года, до согласованных скидок. Уровни обязательств Azure начинаются с $960 за 80 млн символов, то есть $12 за миллион (960 делить на 80). Бесплатные уровни сильно различаются: Polly Standard включает 5 миллионов символов в месяц, а Polly Generative - 100 тысяч символов в месяц в первые 12 месяцев. В собственной карточке модели Kokoro сказано, что модель обучалась примерно за $1 000 на 1 000 GPU-часов A100 80GB (Kokoro-82M model card), что показывает, как мало вычислительных ресурсов на обучение требует сегодня недорогой голос.
Итоги: коэффициент реального времени и стоимость инференса при синтезе речи в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Скорость HiFi-GAN V3 против WaveNet на GPU V100, кратность реальному времени | 1 186,80× против 0,003× | Kong и др., HiFi-GAN 2020 |
| RTF FastSpeech 2 против Transformer TTS | 0,0195 против 0,932 | Ren и др., FastSpeech 2 2020 |
| RTF Matcha-TTS при 2 шагах сэмплирования, включая вокодер | 0,015 | Mehta и др., Matcha-TTS 2023 |
| RTF F5-TTS при 16 шагах против RTF CosyVoice | 0,15 против 0,92 | Chen и др., F5-TTS 2024 |
| Задержка первого пакета VoXtream против CosyVoice2, тот же тест на A100 | 102 мс против 1 643 мс | KTH, VoXtream 2025 |
| Задержка DSM-TTS, размер батча 1 против 64 | 150 мс против 403 мс | Kyutai, DSM-TTS 2025 |
| Задержка первого звука Riva, 1 против 32 потоков | 22 мс против 323 мс | Документация NVIDIA Riva 2.16.0 (измерения вендора) |
| Первый звук SpeakStream с PWG против потокового вокодера | 180 мс против 40 мс | Apple, SpeakStream 2025 |
| Скорость синтеза Apple на самом устройстве, два мобильных устройства | 1,47× и 3,03× реального времени | Apple, On-device neural speech synthesis 2021 |
| Генерация мел-спектрограмм EfficientSpeech на Raspberry Pi 4 | 104,3× реального времени | EfficientSpeech 2023 |
| Пакетный RTF Mobile PresenTra на Google Pixel 5 | около 0,3 | Okamoto и др. (NICT), Mobile PresenTra, Interspeech 2024 |
| Доля ошибок по словам SupertonicTTS при 4 против 8 шагов сэмплирования | 11,43% против 2,818% | Supertone, SupertonicTTS 2025 |
| Доля ошибок по словам F5-TTS при 7 шагах, равномерные против отобранных шагов | 4,16% против 2,45% | Zheng и др., Interspeech 2025 |
| Доля ошибок по словам CosyVoice 2 на сложном наборе, офлайн против потокового режима | 6,83% против 8,08% | CosyVoice 2 2024 |
| Голоса Standard против Studio у Google Cloud, за 1 млн символов | $4 против $160 | Цены Google Cloud Text-to-Speech 2026 |
| Голоса Long-Form у Amazon Polly, за 1 млн символов | $100 | Цены AWS Amazon Polly 2026 |
| Речь из 1 млн символов, пример из прайс-листа Amazon | около 23 часов 8 минут | Цены AWS Amazon Polly 2026 |
| Нейронные голоса Azure, оплата по факту использования за 1 млн символов | $15 | Цены Microsoft Azure Speech 2026 |
| Цена размещённого Kokoro 82M за 1 млн символов | $0,65 | Рейтинг TTS Artificial Analysis 2026 |
Методология и источники
- Kong, Kim и Bae: HiFi-GAN (2020), таблица 1 со скоростью, MOS и числом параметров на GPU V100 и на процессоре ноутбука.
- Ren и др.: FastSpeech 2 (2020), таблица 2 с RTF инференса на сервере V100 при размере батча 1.
- Mehta и др.: Matcha-TTS (2023), RTF с учётом вокодирования на GPU RTX 3090.
- Li и др.: StyleTTS 2 (2023), RTF в целом и по числу шагов диффузии.
- Chen и др.: F5-TTS (2024), RTF на RTX 3090 для 10 с речи, со сравнительной таблицей базовых моделей.
- Supertone: SupertonicTTS (2025), RTF на RTX 4090 и RTX 3090 и абляция по числу шагов сэмплирования.
- KTH Royal Institute of Technology: VoXtream (2025), задержка первого пакета и RTF в FP16 на A100.
- Kyutai: Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling (2025), задержка, RTF и пропускная способность DSM-TTS по размеру батча.
- Apple: SpeakStream (2025), задержка на Mac mini M4 Pro с MLX; On-device neural speech synthesis (2021), измерения на мобильных устройствах.
- FunAudioLLM: CosyVoice 2 (2024), качество в потоковом и офлайн-режиме; CosyVoice GitHub README (заявление проекта, 2026).
- EfficientSpeech (2023) и Nix-TTS (2022), модели с малым объёмом на CPU и Raspberry Pi.
- Статьи Interspeech: Okamoto, Ohtani и Kawai (NICT), Mobile PresenTra (2024), RTF и задержка на смартфоне; Lee и др. (Samsung Research), Efficient Streaming TTS Acoustic Model with Depthwise RVQ Decoding Strategies in a Mamba Framework (2025), RTF и задержка на одном потоке CPU; Zheng и др., Accelerating Flow-Matching-Based Text-to-Speech via Empirically Pruned Step Sampling (2025), скорость и доли ошибок F5-TTS по числу шагов.
- NVIDIA: Riva 2.16.0 TTS performance, таблицы задержки и RTFX, измеренные вендором.
- Страницы цен, просмотренные 31 октября 2026 года: Google Cloud Text-to-Speech, Amazon Polly, Microsoft Azure Speech, OpenAI API и страница модели OpenAI tts-1.
- Artificial Analysis text-to-speech leaderboard (2026) и Kokoro-82M model card (Hugging Face), для цен моделей с открытыми весами и стоимости обучения.
- Наблюдение по данным: числа RTF несопоставимы между статьями, если не совпадают оборудование, размер батча, точность и включение вокодера; даже внутри одной статьи SupertonicTTS приводит 0,037 и 0,02 для, по-видимому, одной и той же настройки. В статье F5-TTS не сказано, как измерялись RTF его базовых моделей, а скорость самого F5-TTS противоречит между источниками на одной и той же модели GPU: в исходной статье 0,15 при 16 шагах и 0,31 при 32 шагах на RTX 3090, тогда как Zheng и др. дают 0,065 и 0,123 на RTX 3090, без объяснения разницы на прочитанных нами страницах. В таблице 6 Kyutai не названа её GPU, а статья приводит около 800 мс задержки для F5-TTS при 16 шагах и около 400 мс при 32 шагах, что противоположно тому, как обычно действует увеличение числа шагов, поэтому мы не использовали эти два значения. Измерение VoXtream и цифра из README CosyVoice относятся к разным версиям CosyVoice, поэтому напрямую несопоставимы. Два пересчёта символов в аудио противоречат друг другу: пример Amazon подразумевает около 720 символов в минуту (1 000 000 символов делить на 1 388 минут), тогда как карточка Kokoro использует около 1 000, так что стоимость за час, рассчитанная по соотношению Kokoro, была бы примерно на 39% выше, чем рассчитанная по соотношению Amazon (1 000 делить на 720 - около 1,39). Google Cloud помечает свои модели Gemini 3.8 TTS как Preview, с изменением цен, запланированным на 1 января 2027 года. Правила MLPerf Inference от MLCommons включают Whisper для преобразования речи в текст, но не содержат нагрузки по синтезу речи, поэтому у скорости синтеза речи нет нейтрального отраслевого бенчмарка; несколько аппаратных статей здесь старше трёх лет и помечены как самые свежие доступные данные.
Последнее обновление: 31 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается, когда вступит в силу изменение цен на Gemini TTS у Google Cloud 1 января 2027 года.