บน GPU NVIDIA V100 เพียงตัวเดียว โวโคเดอร์ HiFi-GAN V3 สร้างเสียงได้เร็วกว่าเวลาจริง 1,186.80 เท่า ขณะที่ WaveNet แบบออโตรีเกรสซีฟทำได้เพียง 0.003 เท่าของเวลาจริงบนการ์ดใบเดียวกัน (Kong และคณะ, HiFi-GAN 2020) ช่องว่างนี้ซึ่งมากกว่าห้าลำดับขนาด คือเหตุผลที่การสังเคราะห์เสียงพูดเปลี่ยนจากความฟุ่มเฟือยของศูนย์ข้อมูลมาเป็นสิ่งที่โทรศัพท์ทำได้ คอขวดเลื่อนไปแล้ว: บทความต้นฉบับของ F5-TTS ซึ่งเป็นโมเดลซีโรช็อตขนาดใหญ่ รายงานเวลา GPU 0.15 วินาทีต่อเสียงพูด 1 วินาที (Chen และคณะ, F5-TTS 2024) และการทดสอบสตรีมมิงบน A100 เครื่องเดียววัดเสียงแรกได้ตั้งแต่ 102 ms ถึง 1,643 ms ขึ้นอยู่กับระบบ (KTH, VoXtream 2025) ด้านราคา ราคาตามรายการของคลาวด์รายใหญ่อยู่ระหว่าง $4 ถึง $160 ต่อหนึ่งล้านตัวอักษร ต่างกัน 40 เท่าสำหรับหน่วยข้อความเดียวกัน เรารวบรวมข้อมูลจากบทความที่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิและ arXiv ของ KTH, Kyutai และ Apple เอกสารประสิทธิภาพ Riva ของ NVIDIA และหน้าราคาอย่างเป็นทางการของ Google Cloud, Amazon Web Services, Microsoft Azure และ OpenAI ส่วนคะแนนคุณภาพครอบคลุมแยกต่างหากในสถิติ MOS ของเสียงสังเคราะห์ของเรา
หมายเหตุเกี่ยวกับหน่วยที่ใช้ตลอดบทความนี้: ปัจจัยเวลาจริง (RTF) โดยปกติหมายถึงเวลาประมวลผลหารด้วยความยาวของเสียง ดังนั้น RTF 0.1 หมายความว่าเสียงพูด 1 วินาทีใช้เวลาสร้าง 0.1 วินาที และยิ่งต่ำยิ่งดี หลายแหล่งกลับอัตราส่วนนี้และรายงานว่าได้เสียงกี่วินาทีต่อการประมวลผล 1 วินาที (NVIDIA เรียกว่า RTFX และบางบทความเขียนว่า ‘เร็วกว่าเวลาจริงกี่เท่า’) ซึ่งยิ่งสูงยิ่งดี ในตาราง RTF หมายถึงแบบยิ่งต่ำยิ่งเร็ว เว้นแต่แถวนั้นระบุว่า ‘เท่าของเวลาจริง’ ‘RTFX’ หรือ ‘ยิ่งสูงยิ่งเร็ว’
สรุปโดยย่อ
- FastSpeech 2 ลด RTF จาก 0.932 ของ Transformer TTS เหลือ 0.0195 คือเร่งได้ 47.8 เท่า (Ren และคณะ, FastSpeech 2 2020)
- Matcha-TTS ที่ 2 ขั้นการสุ่มตัวอย่างวัด RTF ได้ 0.015 รวมโวโคเดอร์ (Mehta และคณะ, Matcha-TTS 2023)
- F5-TTS รายงาน RTF 0.15 ที่ 16 ขั้น เทียบกับ 0.92 ของ CosyVoice ในตารางเปรียบเทียบของตน (Chen และคณะ, F5-TTS 2024)
- VoXtream ทำความหน่วงของแพ็กเก็ตแรกได้ 102 ms บน A100 ขณะที่ CosyVoice2 ในโหมดสตรีมเต็มใช้ 1,643 ms ในการทดสอบเดียวกัน (KTH, VoXtream 2025)
- ความหน่วงของ DSM-TTS จาก Kyutai เพิ่มจาก 150 ms ที่ขนาดแบตช์ 1 เป็น 403 ms ที่ขนาดแบตช์ 64 ขณะที่ปริมาณงานที่ประมวลผลได้ถึง 137.3 เท่าของเวลาจริง (Kyutai, DSM-TTS 2025)
- ไปป์ไลน์ FastPitch บวก HiFi-GAN ของ NVIDIA Riva เพิ่มจากความหน่วงของเสียงแรก 22 ms ที่ 1 สตรีมเป็น 323 ms ที่ 32 สตรีม (เอกสาร NVIDIA Riva 2.16.0 ซึ่งผู้ให้บริการเป็นผู้ทดสอบเอง)
- ระบบบนอุปกรณ์ของ Apple ทำงานเร็วกว่าเวลาจริง 1.47 ถึง 3.03 เท่าบนอุปกรณ์มือถือสองเครื่อง (Apple, การสังเคราะห์เสียงพูดแบบนิวรัลบนอุปกรณ์ 2021)
- Mobile PresenTra ของ NICT ทำ RTF แบบแบตช์ได้ราว 0.3 บน Google Pixel 5 ระดับกลาง (Okamoto และคณะ, Mobile PresenTra, Interspeech 2024)
- การลด SupertonicTTS จาก 8 เหลือ 4 ขั้นการสุ่มตัวอย่างทำให้อัตราความผิดพลาดของคำเพิ่มจาก 2.818% เป็น 11.43% (Supertone, SupertonicTTS 2025)
- Fast F5-TTS ทำงานเร็วกว่าเกณฑ์อ้างอิง 32 ขั้นราว 4 เท่า ขณะที่อัตราความผิดพลาดของคำขยับจาก 2.37% เป็น 2.45% (Zheng และคณะ, Interspeech 2025)
- Google Cloud แสดงราคา $4 ต่อ 1 ล้านตัวอักษรสำหรับเสียง Standard และ $160 สำหรับเสียง Studio (ราคา Google Cloud Text-to-Speech 2026)
- Amazon เทียบ 1 ล้านตัวอักษรกับเสียงพูดราว 23 ชั่วโมง 8 นาที ซึ่งทำให้ Polly Generative อยู่ที่ราว $1.30 ต่อชั่วโมงของเสียง (ราคา AWS Amazon Polly 2026)
1. ปัจจัยเวลาจริงแยกตามตระกูลโมเดลบน GPU
ก้าวกระโดดด้านความเร็วครั้งใหญ่ครั้งแรกมาจากการเลิกใช้ออโตรีเกรสชันในโมเดลอะคูสติก ซึ่งเป็นส่วนที่แปลงข้อความเป็นสเปกโทรแกรมเมล (ภาพเวลา-ความถี่ของเสียงพูด) FastSpeech 2 วัด RTF ได้ 0.0195 เทียบกับ 0.932 ของ Transformer TTS บนเซิร์ฟเวอร์ V100 เครื่องเดียวกัน คือเร่งการอนุมานได้ 47.8 เท่า (Ren และคณะ, FastSpeech 2) เมื่อโมเดลทำนายทุกเฟรมพร้อมกัน ก็ไม่ต้องรอผลลัพธ์ก่อนหน้าของตัวเองทีละเฟรมอีกต่อไป
ตระกูลใหม่ ๆ ไม่ได้ลบล้างผลดีนั้น แต่กระจายมันออกไป โมเดลดิฟฟิวชันและโฟลว์แมตชิงอย่าง Grad-TTS และ Matcha-TTS แลกการประมวลผลผ่านเครือข่ายเพิ่มอีกไม่กี่รอบกับคุณภาพที่ดีขึ้น และในเกณฑ์เปรียบเทียบของ Matcha-TTS บน GPU RTX 3090 ทุกระบบที่ทดสอบมี RTF ต่ำกว่า 0.08 รวมการแปลงเป็นเสียงด้วยโวโคเดอร์ (Mehta และคณะ, Matcha-TTS) ตัวเลขที่น่าสนใจตรงนั้นไม่ใช่ค่าเฉลี่ย แต่เป็นการกระจาย: VITS ได้ 0.074 โดยมีส่วนเบี่ยงเบนมาตรฐาน 0.083 ซึ่งมากกว่าค่าเฉลี่ยเอง บ่งชี้ว่าความเร็วไม่สม่ำเสมออย่างมากจากประโยคหนึ่งไปอีกประโยคหนึ่ง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| RTF ของ Transformer TTS, GPU V100, ขนาดแบตช์ 1 (ยิ่งต่ำยิ่งเร็ว) | 0.932 | Ren และคณะ, FastSpeech 2 2020 |
| RTF ของ FastSpeech 2 และอัตราเร่งเทียบกับ Transformer TTS ในการตั้งค่าเดียวกัน | 0.0195 (47.8x) | Ren และคณะ, FastSpeech 2 2020 |
| RTF ของ FastSpeech 2s (จากข้อความตรงไปเป็นรูปคลื่นเสียง) และอัตราเร่ง | 0.0180 (51.8x) | Ren และคณะ, FastSpeech 2 2020 |
| RTF ของ FastSpeech 2 ในการทดสอบของ Matcha-TTS รวมโวโคเดอร์ บน RTX 3090 | 0.010 (ส่วนเบี่ยงเบนมาตรฐาน 0.004) | Mehta และคณะ, Matcha-TTS 2023 |
| RTF ของ Matcha-TTS ที่ 2 ขั้นการสุ่มตัวอย่าง เทียบกับ 10 ขั้นการสุ่มตัวอย่าง | 0.015 เทียบกับ 0.038 | Mehta และคณะ, Matcha-TTS 2023 |
| RTF ของ Grad-TTS ที่ 10 ขั้นการสุ่มตัวอย่าง | 0.049 | Mehta และคณะ, Matcha-TTS 2023 |
| RTF ของ VITS ในการทดสอบของ Matcha-TTS (ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน) | 0.074 (0.083) | Mehta และคณะ, Matcha-TTS 2023 |
| RTF ของ StyleTTS 2 เทียบกับ RTF ของ VITS ในการทดสอบของ StyleTTS 2 | 0.0185 เทียบกับ 0.0599 | Li และคณะ, StyleTTS 2 2023 |
ข้อมูลล่าสุดที่มีอยู่: FastSpeech 2 (2020), StyleTTS 2 (2023) และ Matcha-TTS (2023) ซึ่งทั้งหมดเก่ากว่าสามปี ค่า RTF จากบทความต่างฉบับเทียบกันตรง ๆ ไม่ได้ เพราะ GPU ขนาดแบตช์ และการรวมโวโคเดอร์หรือไม่ล้วนต่างกัน ผู้เขียน Matcha-TTS ยังรายงานด้วยว่าโมเดล 2 ขั้นของพวกเขาแข่งขันกับ FastSpeech 2 ได้บนประโยคที่ยาวขึ้น
2. โวโคเดอร์: พลังประมวลผลหายไปไหน
โวโคเดอร์แปลงสเปกโทรแกรมเมลเป็นรูปคลื่นเสียงที่ได้ยินได้ และเป็นเวลาหลายปีที่มันเป็นครึ่งที่แพงของไปป์ไลน์ WaveNet สร้างเสียงได้ 0.07 kHz บน GPU V100 ซึ่งเท่ากับ 0.003 เท่าของเวลาจริง ขณะที่ HiFi-GAN V1 สร้างได้ 3,701 kHz หรือ 167.86 เท่าของเวลาจริง (Kong และคณะ, HiFi-GAN) ประเด็นไม่ใช่แค่ว่าโวโคเดอร์แบบ GAN เร็ว แต่คือโวโคเดอร์เลิกเป็นเหตุผลที่ผลิตภัณฑ์ TTS ต้องใช้ GPU ไปแล้ว
รูปแบบเดียวกันนี้ตอนนี้เกิดซ้ำภายในระบบสตรีมมิง บทความ SpeakStream ของ Apple แสดงให้เห็นว่าโมเดลอะคูสติกใช้เวลาราว 28 ms ขณะที่โวโคเดอร์ Parallel WaveGAN (PWG) เพิ่มอีก 152 ms การเปลี่ยนไปใช้โวโคเดอร์แบบสตรีมมิงลดขั้นตอนนั้นเหลือ 13 ms (Apple, SpeakStream) กล่าวอีกนัยหนึ่ง การเลือกโวโคเดอร์เพียงอย่างเดียวเป็นตัวกำหนดว่าเสียงแรกจะมาถึงในราว 40 ms หรือราว 180 ms
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความเร็วของ WaveNet (MoL) เทียบกับ WaveGlow เทียบกับ MelGAN บน GPU V100 เป็นเท่าของเวลาจริง (ยิ่งสูงยิ่งเร็ว) | 0.003x เทียบกับ 22.75x เทียบกับ 645.73x | Kong และคณะ, HiFi-GAN 2020 |
| ความเร็วของ HiFi-GAN V1 เทียบกับ HiFi-GAN V3 บน GPU V100 เป็นเท่าของเวลาจริง | 167.86x เทียบกับ 1,186.80x | Kong และคณะ, HiFi-GAN 2020 |
| RTF ของโวโคเดอร์ BigVGAN เทียบกับ RTF ของออโตเอนโคเดอร์เสียงพูดของ SupertonicTTS บน RTX 4090 (ยิ่งต่ำยิ่งเร็ว) | 0.0124 เทียบกับ 0.0006 | Supertone, SupertonicTTS 2025 |
| SpeakStream บน Mac mini M4 Pro เมื่อใช้ PWG เทียบกับโวโคเดอร์สตรีมมิง VocStream: เวลาของโวโคเดอร์และเวลารวมจนถึงเสียงแรก | 152 ms เทียบกับ 13 ms; 180 ms เทียบกับ 40 ms | Apple, SpeakStream 2025 |
ข้อมูลล่าสุดที่มีอยู่: Kong และคณะ, HiFi-GAN 2020 วัดด้วยจุดลอยตัว 32 บิตโดยไม่มีการปรับแต่งเพิ่มเติม ในการทดสอบของ Matcha-TTS โวโคเดอร์เพียงอย่างเดียวทำงานที่ RTF 0.001 ดังนั้นในการตั้งค่านั้นมันเป็นเพียงส่วนเล็ก ๆ ของเวลาสังเคราะห์ทั้งหมด (Matcha-TTS)
3. โมเดลซีโรช็อตขนาดใหญ่: ต้นทุนด้านความเร็วของการโคลนเสียงในระดับใหญ่
โมเดลซีโรช็อต ซึ่งเลียนเสียงใหม่จากข้อความตัวอย่างสั้น ๆ โดยไม่ต้องฝึกใหม่ ทำให้เรื่องความเร็วกลับมาเป็นประเด็นอีกครั้ง ตารางเปรียบเทียบของ F5-TTS แสดง CosyVoice ที่ RTF 0.92 และ FireRedTTS ที่ 0.84 หมายความว่าเสียงพูดแต่ละวินาทีใช้เวลาคำนวณเกือบทั้งวินาที (Chen และคณะ, F5-TTS) F5-TTS เองรายงาน 0.15 ที่ 16 ขั้นการสุ่มตัวอย่างบน RTX 3090 หรือเร็วกว่าเวลาจริงราว 6.7 เท่า (1 หารด้วย 0.15) ซึ่งเร็วพอสำหรับงานหนังสือเสียงแบบแบตช์ แต่ตึงมือสำหรับการให้บริการผู้ใช้สดจำนวนมากจากการ์ดใบเดียว
โมเดลขนาดเล็กกำลังปิดช่องว่าง SupertonicTTS ที่มีพารามิเตอร์ 44M รายงาน 0.02 บน RTX 4090 และ 0.05 บน RTX 3090 เทียบกับ 0.31 ของ F5-TTS ที่ 32 ขั้นบน RTX 3090 (Supertone, SupertonicTTS) สำหรับทีมที่กำลังประเมินเครื่องสร้างเสียง AI จำนวนพารามิเตอร์เพียงอย่างเดียวเป็นตัวชี้นำต้นทุนการให้บริการที่ไม่ดี: ตารางด้านล่างแสดง DiTTo-TTS ที่มี 740M พารามิเตอร์ว่าเร็วกว่า Voicebox ที่มี 330M แม้ตัวเลขสองค่านั้นอาจไม่ได้มาจากฮาร์ดแวร์เดียวกัน
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| RTF ของ F5-TTS ที่ 16 เทียบกับ 32 ขั้นการสุ่มตัวอย่าง, RTX 3090, เสียงพูด 10 วินาที (ยิ่งต่ำยิ่งเร็ว) | 0.15 เทียบกับ 0.31 | Chen และคณะ, F5-TTS 2024 |
| RTF ของ CosyVoice (พารามิเตอร์ราว 300M) เทียบกับ FireRedTTS (ราว 580M) | 0.92 เทียบกับ 0.84 | Chen และคณะ, F5-TTS 2024 |
| RTF ของ Voicebox (330M) เทียบกับ VALL-E 2 | 0.64 เทียบกับ 0.732 | Chen และคณะ, F5-TTS 2024 |
| RTF ของ DiTTo-TTS (740M) เทียบกับ NaturalSpeech 3 (500M) | 0.162 เทียบกับ 0.296 | Chen และคณะ, F5-TTS 2024 |
| RTF ของ SupertonicTTS (44M) บน RTX 4090 เทียบกับ RTX 3090 | 0.02 เทียบกับ 0.05 | Supertone, SupertonicTTS 2025 |
| ตัวคูณเวลาจริงที่ขนาดแบตช์ 1 (ยิ่งสูงยิ่งเร็ว): DSM-TTS เทียบกับ Chatterbox เทียบกับ CSM | 3.2 เทียบกับ 1.8 เทียบกับ 1.0 | Kyutai, DSM-TTS 2025 |
| ตัวคูณเวลาจริงที่ขนาดแบตช์ 1: Dia และ Orpheus | 0.7 เท่ากัน (ช้ากว่าเวลาจริง) | Kyutai, DSM-TTS 2025 |
หมายเหตุบริบท: บทความ F5-TTS ไม่ได้ระบุว่าวัดค่า RTF ของเกณฑ์อ้างอิงอย่างไร และอาจไม่ได้ใช้ RTX 3090 ตัวเดียวกัน จึงควรถือแถวที่ 2 ถึง 4 เป็นเพียงตัวบ่งชี้ บทความฉบับหลังวัด F5-TTS เองได้ 0.065 และ 0.123 บน RTX 3090 (ดูหัวข้อที่ 6) ตารางของ Kyutai ใช้แบบกลับด้าน โดยค่าที่ต่ำกว่า 1.0 หมายถึงโมเดลตามการเล่นเสียงไม่ทัน
4. เวลาจนถึงเสียงแรกในการสตรีมและการรองรับผู้ใช้พร้อมกัน
สำหรับการใช้งานสด ตัวเลขที่สำคัญไม่ใช่ RTF แต่คือผู้ฟังต้องรอนานเท่าไรกว่าจะได้ยินเสียงแรก ในเกณฑ์เปรียบเทียบบน A100 ครั้งหนึ่ง VoXtream ที่ใช้ torch.compile เริ่มพูดหลัง 102 ms ขณะที่ CosyVoice2 ในโหมดสตรีมเต็มใช้ 1,643 ms (KTH, VoXtream) สตรีมเต็มหมายถึงโมเดลเริ่มทำงานขณะที่ข้อความยังเข้ามาอยู่ ระบบอาจมี RTF ที่ดีแต่ความหน่วงของแพ็กเก็ตแรกแย่ ถ้ารอทั้งวลีก่อน
การรองรับผู้ใช้พร้อมกันเป็นอีกครึ่งหนึ่ง การรวมผู้ใช้เพิ่มลงใน GPU ตัวเดียวช่วยเพิ่มปริมาณงานที่ประมวลผลได้รวม แต่ทำให้ผู้ใช้แต่ละคนรอนานขึ้น DSM-TTS ของ Kyutai เพิ่มจาก 150 ms ที่ขนาดแบตช์ 1 เป็น 403 ms ที่ขนาดแบตช์ 64 ขณะที่ปริมาณงานที่ประมวลผลได้เพิ่มจาก 3.2 เป็น 137.3 เท่าของเวลาจริง (Kyutai, DSM-TTS) ตาราง Riva ของ NVIDIA เองก็แสดงเส้นโค้งเดียวกันบนไปป์ไลน์ FastPitch บวก HiFi-GAN: ความหน่วงของเสียงแรกเพิ่มขึ้นราว 15 เท่าจาก 1 ถึง 32 สตรีม ขณะที่ปริมาณงานที่ประมวลผลได้เพิ่มราว 2.9 เท่า (ประสิทธิภาพ TTS ของ NVIDIA Riva) ตัวเลขเหล่านี้เข้ากับงบความหน่วงของเอเจนต์เสียงแบบเต็มอย่างไร ครอบคลุมอยู่ในสถิติเวลาจนถึงเสียงแรกของเอเจนต์เสียงของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความหน่วงของแพ็กเก็ตแรกและ RTF ของ VoXtream เมื่อใช้ torch.compile, A100, FP16 | 102 ms (RTF 0.17) | KTH, VoXtream 2025 |
| ความหน่วงของแพ็กเก็ตแรกและ RTF ของ VoXtream เมื่อไม่คอมไพล์ | 171 ms (RTF 1.00) | KTH, VoXtream 2025 |
| ความหน่วงของแพ็กเก็ตแรกของ XTTS-v2 เอาต์พุตแบบสตรีม เมื่อไม่ใช้เทียบกับใช้ DeepSpeed | 295 ms เทียบกับ 196 ms | KTH, VoXtream 2025 |
| ความหน่วงของแพ็กเก็ตแรกและ RTF ของ CosyVoice2 โหมดสตรีมเต็ม ในการทดสอบ A100 เดียวกัน | 1,643 ms (RTF 0.85) | KTH, VoXtream 2025 |
| ความหน่วงของ DSM-TTS ที่ขนาดแบตช์ 1 เทียบกับ 32 เทียบกับ 64 | 150 ms เทียบกับ 380 ms เทียบกับ 403 ms | Kyutai, DSM-TTS 2025 |
| ปริมาณงานที่ประมวลผลได้ของ DSM-TTS ที่ขนาดแบตช์ 64 เป็นเท่าของเวลาจริง | 137.3x | Kyutai, DSM-TTS 2025 |
| ความหน่วงของเสียงแรกโดยเฉลี่ยของ Riva FastPitch บวก HiFi-GAN ที่ 1 สตรีมเทียบกับ 32 สตรีม | 22 ms เทียบกับ 323 ms | เอกสาร NVIDIA Riva 2.16.0 (ผู้ให้บริการเป็นผู้ทดสอบเอง) |
| ปริมาณงานที่ประมวลผลได้ของ Riva (RTFX, ยิ่งสูงยิ่งเร็ว) ที่ 1 สตรีมเทียบกับ 32 สตรีม | 150.8 เทียบกับ 440 | เอกสาร NVIDIA Riva 2.16.0 (ผู้ให้บริการเป็นผู้ทดสอบเอง) |
หมายเหตุบริบท: README ของโครงการ CosyVoice อ้างความหน่วง ‘ต่ำสุดที่ 150 ms’ สำหรับโมเดล Fun-CosyVoice 3.0 ที่ใหม่กว่า (FunAudioLLM CosyVoice บน GitHub) ซึ่งเป็นข้อกล่าวอ้างของโครงการสำหรับเวอร์ชันที่ต่างจากที่ KTH วัด เราไม่ระบุ GPU สำหรับแถวของ Riva: แถวเหล่านั้นเป็นตารางผลลัพธ์แรกในหน้าของ NVIDIA ซึ่งรายการ GPU เริ่มด้วย A100 แต่ข้อความในหน้าที่เราอ่านได้ไม่ได้ผูกแต่ละตารางกับป้ายชื่อ GPU ของมัน
5. CPU มือถือ และฮาร์ดแวร์ขอบเครือข่าย
เมื่อออกจาก GPU ส่วนต่างด้านความเร็วหดลงอย่างรวดเร็ว HiFi-GAN V1 ซึ่งทำงานเร็วกว่าเวลาจริง 167.86 เท่าบน V100 ทำได้เพียง 1.43 เท่าของเวลาจริงบน CPU Intel i7 ของแล็ปท็อป ขณะที่ WaveGlow ตกลงเหลือ 0.21 เท่า ช้าเกินกว่าจะเล่นสด (Kong และคณะ, HiFi-GAN) โมเดลที่ชนะบนเซิร์ฟเวอร์มักเป็นตัวเลือกที่ผิดสำหรับแล็ปท็อป และ HiFi-GAN V3 ที่เล็กกว่า (13.44 เท่าของเวลาจริงบน CPU เดียวกัน) แสดงให้เห็นว่าการเลือกสถาปัตยกรรมมีความสำคัญเพียงใดในกรณีนี้
โมเดลขนาดเล็กที่สร้างมาเพื่อวัตถุประสงค์เฉพาะไปได้ไกลกว่านั้นมาก EfficientSpeech ที่มีพารามิเตอร์ 266k และ 90 MFLOPS สร้างสเปกโทรแกรมเมลได้เร็วกว่าเวลาจริง 104.3 เท่าบน Raspberry Pi 4 ซึ่งมีขนาดและการคำนวณราว 1% ของโมเดลกะทัดรัดอย่าง Mixer-TTS (EfficientSpeech) งานบนอุปกรณ์ของ Apple แสดงให้เห็นไปป์ไลน์ทั้งชุดทำงานบนอุปกรณ์มือถือสองเครื่อง โดยบัฟเฟอร์เสียงแรกเริ่มเล่นหลังคำขอ 158 ถึง 179 ms (Apple, การสังเคราะห์เสียงพูดแบบนิวรัลบนอุปกรณ์) แนวโน้มด้านฮาร์ดแวร์เบื้องหลังการเปลี่ยนแปลงนี้ติดตามอยู่ในสถิติโปรเซสเซอร์เสียง AI ที่ขอบเครือข่ายของเรา
การวัดล่าสุดแสดงให้เห็นว่าการเลือกการออกแบบมีความสำคัญเพียงใดบนชิปตัวเดียวกัน บนเธรดเดียวของ AMD EPYC 7413 โมเดลสตรีมมิงจาก Samsung Research ทำ RTF ได้ 0.568 และสร้างโทเค็นอะคูสติกตัวแรกใน 0.061 วินาที เทียบกับ 7.665 และ 41.41 วินาทีของ VALL-E X (Lee และคณะ, Interspeech 2025) NICT รายงาน RTF แบบแบตช์ราว 0.3 และความหน่วงแบบเพิ่มทีละส่วนน้อยกว่า 0.5 วินาทีบน Google Pixel 5 ซึ่งพวกเขาอธิบายว่าเป็นโทรศัพท์ระดับกลาง (Okamoto และคณะ, Mobile PresenTra)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความเร็วของ HiFi-GAN V1 เทียบกับ HiFi-GAN V3 เทียบกับ WaveGlow บน CPU Intel i7 ของแล็ปท็อป เป็นเท่าของเวลาจริง | 1.43x เทียบกับ 13.44x เทียบกับ 0.21x | Kong และคณะ, HiFi-GAN 2020 |
| ความเร็วการสังเคราะห์แบบครบวงจรของ Apple, อุปกรณ์มือถือ A เทียบกับอุปกรณ์ B เป็นเท่าของเวลาจริง | 1.47x เทียบกับ 3.03x | Apple, การสังเคราะห์เสียงพูดแบบนิวรัลบนอุปกรณ์ 2021 |
| ความหน่วงที่ลูกค้ารับรู้ของ Apple (ตั้งแต่คำขอจนถึงบัฟเฟอร์เสียงแรกถูกเล่น), อุปกรณ์ A เทียบกับอุปกรณ์ B | 179 ms เทียบกับ 158 ms | Apple, การสังเคราะห์เสียงพูดแบบนิวรัลบนอุปกรณ์ 2021 |
| Mobile PresenTra บน Google Pixel 5: RTF แบบแบตช์; ความหน่วงแบบเพิ่มทีละส่วน | ราว 0.3; น้อยกว่า 0.5 วินาที | Okamoto และคณะ (NICT), Mobile PresenTra, Interspeech 2024 |
| RTF บนเธรดเดียวของ CPU AMD EPYC 7413 เฉพาะการสร้างโทเค็น (ยิ่งต่ำยิ่งเร็ว): SMAM+INR เทียบกับ Small-E เทียบกับ VALL-E X | 0.568 เทียบกับ 2.404 เทียบกับ 7.665 | Lee และคณะ (Samsung Research), Interspeech 2025 |
| เวลาจนถึงโทเค็นอะคูสติกตัวแรกบนเธรด CPU เดียวกัน: SMAM+INR เทียบกับ Small-E เทียบกับ VALL-E X | 0.061 วินาที เทียบกับ 14.34 วินาที เทียบกับ 41.41 วินาที | Lee และคณะ (Samsung Research), Interspeech 2025 |
| พารามิเตอร์ของ EfficientSpeech และความเร็วการสร้างเมลบน Raspberry Pi 4 | พารามิเตอร์ 266k, 104.3x ของเวลาจริง | EfficientSpeech 2023 |
| Nix-TTS เทียบกับโมเดลครู VITS ของมัน, RTF บน Raspberry Pi 3B (สูงกว่า 1.0 คือช้ากว่าเวลาจริง) | 1.974 เทียบกับ 16.50 | Nix-TTS 2022 |
ข้อมูลล่าสุดที่มีอยู่: Kong และคณะ 2020, Apple 2021, Nix-TTS 2022 และ EfficientSpeech 2023 เก่ากว่าสามปี เราไม่พบตัวเลขที่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิที่ใหม่กว่าสำหรับการเปรียบเทียบเหล่านั้นโดยเฉพาะ บทคัดย่อของ Apple ปัดตัวเลขบนมือถือเป็น ‘เร็วกว่าเวลาจริง 3x’ แต่ตารางของพวกเขาแสดงอุปกรณ์ A ที่ 1.47x ตัวเลขของ EfficientSpeech ครอบคลุมเฉพาะการสร้างเมล ไม่รวมโวโคเดอร์ และแถวของ Samsung ไม่รวมการประมวลผลโคเดก จึงไม่มีรายการใดเป็นไปป์ไลน์เสียงพูดแบบสมบูรณ์
6. การแลกเปลี่ยนระหว่างความเร็วกับคุณภาพ
โมเดลดิฟฟิวชันและโฟลว์แมตชิงเปิดเผยความเร็วเป็นปุ่มปรับ นั่นคือจำนวนขั้นการสุ่มตัวอย่าง (การประเมินฟังก์ชันของเครือข่าย หรือ NFE) SupertonicTTS รักษาอัตราความผิดพลาดของคำไว้ระหว่าง 2.639% ถึง 2.818% ตั้งแต่ 8 ถึง 128 ขั้น แต่ที่ 4 ขั้นอัตราความผิดพลาดพุ่งเป็น 11.43% และคะแนนคุณภาพ NISQA ตกเหลือ 2.623 (Supertone, SupertonicTTS) ความชัดเจนของเสียงไม่ได้ลดลงทีละน้อย แต่คงที่แล้วพังที่หน้าผา การตั้งค่าที่ปลอดภัยและถูกที่สุดจึงอยู่เหนือหน้าผานั้นเพียงเล็กน้อย
หน้าผานั้นเลื่อนได้โดยไม่ต้องมีฮาร์ดแวร์ใหม่ บน RTX 3090 F5-TTS ที่ 7 ขั้นเว้นระยะเท่ากันและ Fast F5-TTS ที่ 7 ขั้นแบบตัดแต่ง ทำงานที่ RTF 0.030 เท่ากัน แต่เพียงการเลือกว่าจะวางขั้นไว้ตรงไหนก็ทำให้อัตราความผิดพลาดของคำลดจาก 4.16% เหลือ 2.45% ใกล้กับ 2.37% ของเกณฑ์อ้างอิง 32 ขั้นที่ 0.123 (Zheng และคณะ, Interspeech 2025)
รูปแบบเดียวกันปรากฏในโวโคเดอร์และการสตรีม HiFi-GAN V3 ทำงานเร็วกว่า V1 ราว 7.07 เท่าบน GPU V100 (26,169 kHz หารด้วย 3,701 kHz) โดย MOS ลดจาก 4.36 เป็น 4.05 (Kong และคณะ, HiFi-GAN) CosyVoice 2 เรียกโหมดสตรีมมิงของตนว่า ‘แทบไม่สูญเสียในกรณีทดสอบทั่วไป’ แต่บนชุดทดสอบระดับยาก อัตราความผิดพลาดของคำเพิ่มจาก 6.83% แบบออฟไลน์เป็น 8.08% แบบสตรีมมิง (CosyVoice 2)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| SupertonicTTS ที่ 4 เทียบกับ 8 ขั้นการสุ่มตัวอย่าง: RTF; อัตราความผิดพลาดของคำ; คะแนน NISQA | 0.006 เทียบกับ 0.011; 11.43% เทียบกับ 2.818%; 2.623 เทียบกับ 3.916 | Supertone, SupertonicTTS 2025 |
| SupertonicTTS ที่ 32 ขั้น (การตั้งค่าที่เลือก) เทียบกับ 128 ขั้น: RTF; คะแนน NISQA (เสียงบันทึกได้ 4.070) | 0.037 เทียบกับ 0.140; 4.033 เทียบกับ 4.070 | Supertone, SupertonicTTS 2025 |
| RTF ของ F5-TTS บน RTX 3090 ที่ 32 เทียบกับ 16 เทียบกับ 7 ขั้นการสุ่มตัวอย่าง | 0.123 เทียบกับ 0.065 เทียบกับ 0.030 | Zheng และคณะ, Interspeech 2025 |
| อัตราความผิดพลาดของคำบน LibriSpeech-PC ที่ 7 ขั้น, F5-TTS แบบเว้นระยะเท่ากันเทียบกับ Fast F5-TTS (เกณฑ์อ้างอิง 32 ขั้น 2.37%) | 4.16% เทียบกับ 2.45% | Zheng และคณะ, Interspeech 2025 |
| MOS ของ Matcha-TTS ที่ 2 เทียบกับ 10 ขั้นการสุ่มตัวอย่าง | 3.65 เทียบกับ 3.84 | Mehta และคณะ, Matcha-TTS 2023 |
| อัตราความผิดพลาดของคำของ CosyVoice 2 บนชุดทดสอบระดับยาก แบบออฟไลน์เทียบกับแบบสตรีมมิง | 6.83% เทียบกับ 8.08% | CosyVoice 2 2024 |
| RTF ของ StyleTTS 2 ที่ 4 เทียบกับ 128 ขั้นดิฟฟิวชัน | 0.0179 เทียบกับ 0.0963 | Li และคณะ, StyleTTS 2 2023 |
หมายเหตุบริบท: NISQA เป็นตัวทำนายคุณภาพเสียงพูดอัตโนมัติแบบไม่ล่วงล้ำ ซึ่งประมาณคะแนนในแบบผู้ฟังโดยไม่ต้องมีเสียงบันทึกอ้างอิง ไม่ใช่การทดสอบการฟังโดยมนุษย์ ตารางขั้นของ SupertonicTTS ไม่ได้ระบุฮาร์ดแวร์ และค่า 0.037 ที่ 32 ขั้นต่างจาก 0.02 ที่รายงานในส่วนอื่นของบทความเดียวกัน
7. ราคาต่อหนึ่งล้านตัวอักษรและต่อชั่วโมงของเสียง
ราคาตามรายการแสดงให้เห็นตลาดที่แบ่งเป็นระดับ ไม่ใช่ราคากลางราคาเดียว Google Cloud คิด $4 ต่อ 1 ล้านตัวอักษรสำหรับเสียง Standard และ WaveNet แต่ $160 สำหรับเสียง Studio ต่างกัน 40 เท่าสำหรับข้อความเดียวกัน (ราคา Google Cloud Text-to-Speech) Amazon Polly อยู่ระหว่าง $4 สำหรับ Standard ถึง $100 สำหรับเสียง Long-Form และตัวอย่างของตนเองเทียบ 1 ล้านตัวอักษรกับเสียงพูดราว 23 ชั่วโมง 8 นาที (ราคา AWS Amazon Polly)
เมื่อใช้การแปลงของ AWS นี้ (23 ชั่วโมง 8 นาทีคือราว 23.13 ชั่วโมง) Polly Generative ที่ $30 คิดเป็นราว $1.30 ต่อชั่วโมงของเสียง (30 หารด้วย 23.13) และ Standard ราว $0.17 โมเดลที่คิดราคาตามโทเค็นต้องคำนวณต่างออกไป: Google ระบุว่าเสียงของ Gemini TTS คือ 25 โทเค็นต่อวินาที ดังนั้นหนึ่งชั่วโมงคือ 90,000 โทเค็นเสียง และ Gemini 2.5 Pro TTS ที่ $20 ต่อหนึ่งล้านโทเค็นเสียงคิดเป็น $1.80 ต่อชั่วโมงของเอาต์พุต ก่อนค่าอินพุตข้อความ โมเดลน้ำหนักเปิดบีบราคาลงไปอีก: Artificial Analysis แสดง Kokoro 82M บน Replicate ที่ $0.65 ต่อหนึ่งล้านตัวอักษร (ตารางจัดอันดับการแปลงข้อความเป็นเสียงของ Artificial Analysis) สำหรับเศรษฐศาสตร์ GPU ในภาพกว้างที่อยู่เบื้องหลังราคาเหล่านี้ ดูสถิติต้นทุนการอนุมานของ AIของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ราคาตามรายการของ Google Cloud ต่อ 1 ล้านตัวอักษร: Standard และ WaveNet เทียบกับ Neural2 | $4 เทียบกับ $16 | ราคา Google Cloud Text-to-Speech 2026 |
| ราคาตามรายการของ Google Cloud ต่อ 1 ล้านตัวอักษร: Chirp 3 HD เทียบกับ Instant custom voice เทียบกับ Studio | $30 เทียบกับ $60 เทียบกับ $160 | ราคา Google Cloud Text-to-Speech 2026 |
| ราคาตามรายการของ Amazon Polly ต่อ 1 ล้านตัวอักษร: Standard, Neural, Generative, Long-Form | $4, $16, $30, $100 | ราคา AWS Amazon Polly 2026 |
| เสียงนิวรัลของ Microsoft Azure แบบจ่ายตามการใช้งาน เทียบกับราคาส่วนที่เกินโควตาในระดับพันธะผูกพัน 2,000M ตัวอักษร ต่อ 1 ล้านตัวอักษร | $15 เทียบกับ $7.50 | ราคา Microsoft Azure Speech 2026 |
| OpenAI tts-1 (อธิบายว่าปรับให้เหมาะกับความเร็ว) เทียบกับ tts-1-hd ต่อ 1 ล้านตัวอักษร | $15 เทียบกับ $30 | ราคา API ของ OpenAI 2026 |
| ราคาเอาต์พุตเสียงของ Gemini 2.5 Pro TTS และต้นทุนที่คำนวณได้ต่อชั่วโมงของเสียง (25 โทเค็นต่อวินาที) | $20 ต่อ 1 ล้านโทเค็นเสียง ราว $1.80 ต่อชั่วโมง | ราคา Google Cloud Text-to-Speech 2026 (คำนวณจากตัวเลข) |
| Amazon Polly Generative และ Standard ต้นทุนที่คำนวณได้ต่อชั่วโมงของเสียง | ราว $1.30 และราว $0.17 | ราคา AWS Amazon Polly 2026 (คำนวณจากตัวเลข) |
| ราคา API ที่โฮสต์ของ Kokoro 82M ต่อ 1 ล้านตัวอักษร (Replicate) | $0.65 | ตารางจัดอันดับ TTS ของ Artificial Analysis 2026 |
หมายเหตุบริบท: นี่คือราคาตามรายการ ณ วันที่ 31 ตุลาคม 2026 ก่อนส่วนลดที่เจรจา ระดับพันธะผูกพันของ Azure เริ่มที่ $960 สำหรับ 80M ตัวอักษร ซึ่งเท่ากับ $12 ต่อหนึ่งล้าน (960 หารด้วย 80) โควตาฟรีต่างกันมาก: Polly Standard รวม 5 ล้านตัวอักษรต่อเดือน ขณะที่ Polly Generative รวม 100 พันตัวอักษรต่อเดือนในช่วง 12 เดือนแรก การ์ดโมเดลของ Kokoro เองระบุว่าโมเดลถูกฝึกด้วยต้นทุนราว $1,000 โดยใช้ GPU A100 80GB 1,000 ชั่วโมง (การ์ดโมเดล Kokoro-82M) ซึ่งแสดงให้เห็นว่าตอนนี้เสียงต้นทุนต่ำต้องใช้การประมวลผลสำหรับการฝึกน้อยเพียงใด
สรุป: ปัจจัยเวลาจริงและต้นทุนการอนุมานของการแปลงข้อความเป็นเสียงในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความเร็วของ HiFi-GAN V3 เทียบกับ WaveNet บน GPU V100 เป็นเท่าของเวลาจริง | 1,186.80x เทียบกับ 0.003x | Kong และคณะ, HiFi-GAN 2020 |
| RTF ของ FastSpeech 2 เทียบกับ Transformer TTS | 0.0195 เทียบกับ 0.932 | Ren และคณะ, FastSpeech 2 2020 |
| RTF ของ Matcha-TTS ที่ 2 ขั้นการสุ่มตัวอย่าง รวมโวโคเดอร์ | 0.015 | Mehta และคณะ, Matcha-TTS 2023 |
| RTF ของ F5-TTS ที่ 16 ขั้น เทียบกับ RTF ของ CosyVoice | 0.15 เทียบกับ 0.92 | Chen และคณะ, F5-TTS 2024 |
| ความหน่วงของแพ็กเก็ตแรก VoXtream เทียบกับ CosyVoice2 ในการทดสอบ A100 เดียวกัน | 102 ms เทียบกับ 1,643 ms | KTH, VoXtream 2025 |
| ความหน่วงของ DSM-TTS ขนาดแบตช์ 1 เทียบกับ 64 | 150 ms เทียบกับ 403 ms | Kyutai, DSM-TTS 2025 |
| ความหน่วงของเสียงแรกของ Riva ที่ 1 เทียบกับ 32 สตรีม | 22 ms เทียบกับ 323 ms | เอกสาร NVIDIA Riva 2.16.0 (ผู้ให้บริการเป็นผู้ทดสอบเอง) |
| เสียงแรกของ SpeakStream เมื่อใช้ PWG เทียบกับโวโคเดอร์สตรีมมิง | 180 ms เทียบกับ 40 ms | Apple, SpeakStream 2025 |
| ความเร็วการสังเคราะห์บนอุปกรณ์ของ Apple บนอุปกรณ์มือถือสองเครื่อง | 1.47x และ 3.03x ของเวลาจริง | Apple, การสังเคราะห์เสียงพูดแบบนิวรัลบนอุปกรณ์ 2021 |
| การสร้างเมลของ EfficientSpeech บน Raspberry Pi 4 | 104.3x ของเวลาจริง | EfficientSpeech 2023 |
| RTF แบบแบตช์ของ Mobile PresenTra บน Google Pixel 5 | ราว 0.3 | Okamoto และคณะ (NICT), Mobile PresenTra, Interspeech 2024 |
| อัตราความผิดพลาดของคำของ SupertonicTTS ที่ 4 เทียบกับ 8 ขั้นการสุ่มตัวอย่าง | 11.43% เทียบกับ 2.818% | Supertone, SupertonicTTS 2025 |
| อัตราความผิดพลาดของคำของ F5-TTS ที่ 7 ขั้น แบบเว้นระยะเท่ากันเทียบกับตารางแบบตัดแต่ง | 4.16% เทียบกับ 2.45% | Zheng และคณะ, Interspeech 2025 |
| อัตราความผิดพลาดของคำบนชุดระดับยากของ CosyVoice 2 แบบออฟไลน์เทียบกับแบบสตรีมมิง | 6.83% เทียบกับ 8.08% | CosyVoice 2 2024 |
| เสียง Standard เทียบกับ Studio ของ Google Cloud ต่อ 1 ล้านตัวอักษร | $4 เทียบกับ $160 | ราคา Google Cloud Text-to-Speech 2026 |
| เสียง Long-Form ของ Amazon Polly ต่อ 1 ล้านตัวอักษร | $100 | ราคา AWS Amazon Polly 2026 |
| เสียงพูดที่สร้างได้จาก 1 ล้านตัวอักษร ตามตัวอย่างราคาของ Amazon | ราว 23 ชั่วโมง 8 นาที | ราคา AWS Amazon Polly 2026 |
| เสียงนิวรัลของ Azure แบบจ่ายตามการใช้งาน ต่อ 1 ล้านตัวอักษร | $15 | ราคา Microsoft Azure Speech 2026 |
| ราคาที่โฮสต์ของ Kokoro 82M ต่อ 1 ล้านตัวอักษร | $0.65 | ตารางจัดอันดับ TTS ของ Artificial Analysis 2026 |
ระเบียบวิธีและแหล่งที่มา
- Kong, Kim และ Bae: HiFi-GAN (2020) ตารางที่ 1 ความเร็ว MOS และจำนวนพารามิเตอร์บน GPU V100 และ CPU ของแล็ปท็อป
- Ren และคณะ: FastSpeech 2 (2020) ตารางที่ 2 RTF ของการอนุมานบนเซิร์ฟเวอร์ V100 ที่ขนาดแบตช์ 1
- Mehta และคณะ: Matcha-TTS (2023) RTF รวมการแปลงเป็นเสียงด้วยโวโคเดอร์บน GPU RTX 3090
- Li และคณะ: StyleTTS 2 (2023) RTF โดยรวมและแยกตามจำนวนขั้นดิฟฟิวชัน
- Chen และคณะ: F5-TTS (2024) RTF บน RTX 3090 สำหรับเสียงพูด 10 วินาที พร้อมตารางเปรียบเทียบเกณฑ์อ้างอิง
- Supertone: SupertonicTTS (2025) RTF บน RTX 4090 และ RTX 3090 และการทดลองตัดทอนขั้นการสุ่มตัวอย่าง
- KTH Royal Institute of Technology: VoXtream (2025) ความหน่วงของแพ็กเก็ตแรกและ RTF ที่ FP16 บน A100
- Kyutai: Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling (2025) ความหน่วง RTF และปริมาณงานที่ประมวลผลได้ของ DSM-TTS ตามขนาดแบตช์
- Apple: SpeakStream (2025) ความหน่วงบน Mac mini M4 Pro ด้วย MLX; การสังเคราะห์เสียงพูดแบบนิวรัลบนอุปกรณ์ (2021) การวัดบนมือถือ
- FunAudioLLM: CosyVoice 2 (2024) คุณภาพแบบสตรีมมิงเทียบกับแบบออฟไลน์; README บน GitHub ของ CosyVoice (ข้อกล่าวอ้างของโครงการ, 2026)
- EfficientSpeech (2023) และ Nix-TTS (2022) โมเดลขนาดเล็กบน CPU และ Raspberry Pi
- บทความ Interspeech: Okamoto, Ohtani และ Kawai (NICT), Mobile PresenTra (2024) RTF และความหน่วงบนสมาร์ตโฟน; Lee และคณะ (Samsung Research), Efficient Streaming TTS Acoustic Model with Depthwise RVQ Decoding Strategies in a Mamba Framework (2025) RTF และความหน่วงบน CPU เธรดเดียว; Zheng และคณะ, Accelerating Flow-Matching-Based Text-to-Speech via Empirically Pruned Step Sampling (2025) ความเร็วและอัตราความผิดพลาดของ F5-TTS ตามจำนวนขั้น
- NVIDIA: ประสิทธิภาพ TTS ของ Riva 2.16.0 ตารางความหน่วงและ RTFX ที่ผู้ให้บริการทดสอบเอง
- หน้าราคา อ่านเมื่อวันที่ 31 ตุลาคม 2026: Google Cloud Text-to-Speech, Amazon Polly, Microsoft Azure Speech, API ของ OpenAI และหน้าโมเดล tts-1 ของ OpenAI
- ตารางจัดอันดับการแปลงข้อความเป็นเสียงของ Artificial Analysis (2026) และการ์ดโมเดล Kokoro-82M (Hugging Face) สำหรับราคาและต้นทุนการฝึกของโมเดลน้ำหนักเปิด
- ข้อสังเกตเกี่ยวกับข้อมูล: ตัวเลข RTF เทียบข้ามบทความไม่ได้ เว้นแต่ฮาร์ดแวร์ ขนาดแบตช์ ความแม่นยำ และการรวมโวโคเดอร์จะตรงกัน แม้แต่ภายในบทความเดียว SupertonicTTS ก็รายงาน 0.037 และ 0.02 สำหรับสิ่งที่ดูเหมือนการตั้งค่าเดียวกัน บทความ F5-TTS ไม่ได้ระบุว่าวัด RTF ของเกณฑ์อ้างอิงอย่างไร และความเร็วของ F5-TTS เองก็ขัดแย้งกันระหว่างแหล่งข้อมูลบน GPU รุ่นเดียวกัน: บทความต้นฉบับให้ 0.15 ที่ 16 ขั้นและ 0.31 ที่ 32 ขั้นบน RTX 3090 ขณะที่ Zheng และคณะให้ 0.065 และ 0.123 บน RTX 3090 โดยไม่มีคำอธิบายถึงช่องว่างนี้ในหน้าที่เราอ่าน ตารางที่ 6 ของ Kyutai ไม่ระบุ GPU และบทความพิมพ์ความหน่วงราว 800 ms สำหรับ F5-TTS ที่ 16 ขั้น และราว 400 ms ที่ 32 ขั้น ซึ่งตรงข้ามกับสิ่งที่ขั้นมากขึ้นมักเป็น เราจึงไม่ใช้สองค่านั้น การวัดของ VoXtream และตัวเลขใน README ของ CosyVoice ครอบคลุมเวอร์ชัน CosyVoice ที่ต่างกัน จึงเทียบกันตรง ๆ ไม่ได้ การแปลงจากตัวอักษรเป็นเสียงสองแบบขัดแย้งกัน: ตัวอย่างของ Amazon บ่งชี้ราว 720 ตัวอักษรต่อนาที (1,000,000 ตัวอักษรหารด้วย 1,388 นาที) ขณะที่การ์ดของ Kokoro ใช้ราว 1,000 ดังนั้นต้นทุนต่อชั่วโมงที่อิงอัตราส่วนของ Kokoro จะสูงกว่าที่อิงของ Amazon ราว 39% (1,000 หารด้วย 720 ได้ราว 1.39) Google Cloud ติดป้ายโมเดล Gemini 3.8 TTS ว่า ‘Preview’ โดยมีกำหนดเปลี่ยนราคาในวันที่ 1 มกราคม 2027 กฎ MLPerf Inference จาก MLCommons ระบุ Whisper สำหรับการแปลงเสียงเป็นข้อความ แต่ไม่มีงานแปลงข้อความเป็นเสียง ดังนั้นความเร็วของ TTS จึงไม่มีเกณฑ์มาตรฐานกลางของอุตสาหกรรมที่นั่น บทความด้านฮาร์ดแวร์หลายฉบับในที่นี้เก่ากว่าสามปีและถูกระบุเป็นข้อมูลล่าสุดที่มีอยู่
อัปเดตล่าสุด: 31 ตุลาคม 2026 เราอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อการเปลี่ยนแปลงราคา Gemini TTS ของ Google Cloud ในวันที่ 1 มกราคม 2027 มีผลบังคับใช้