Tek bir NVIDIA V100 GPU’da HiFi-GAN V3 vokoderi sesi gerçek zamandan 1.186,80 kat hızlı üretirken, aynı kartta otoregresif bir WaveNet gerçek zamanın 0,003 katına ulaşabildi (Kong ve ark., HiFi-GAN 2020). Beş mertebeden fazla olan bu fark, konuşma sentezinin bir veri merkezi lüksünden bir telefonun yapabildiği bir şeye dönüşmesinin nedenidir. Darboğaz o zamandan beri yer değiştirdi: büyük bir sıfır örnekli model olan özgün F5-TTS makalesi, konuşmanın saniyesi başına 0,15 saniyelik GPU süresi bildirdi (Chen ve ark., F5-TTS 2024), tek bir A100 üzerindeki akış testi ise sisteme bağlı olarak ilk sesi 102 ms ile 1.643 ms arasında ölçtü (KTH, VoXtream 2025). Fiyat tarafında, büyük bulut liste fiyatları 1 milyon karakter başına $4 ile $160 arasında değişiyor; aynı metin birimi için 40 katlık bir fark. KTH, Kyutai ve Apple’ın hakemli ve arXiv makalelerinden, NVIDIA’nın Riva performans dokümantasyonundan ve Google Cloud, Amazon Web Services, Microsoft Azure ve OpenAI’ın resmi fiyat sayfalarından veri derledik; kalite puanları ayrıca sentetik konuşma MOS istatistiklerimizde ele alınıyor.
Bu yazı boyunca kullanılan birim hakkında bir not: gerçek zaman faktörü (RTF) normalde hesaplama süresinin ses süresine bölünmesi anlamına gelir; yani 0,1’lik bir RTF, bir saniyelik konuşmanın üretilmesinin 0,1 saniye sürdüğü anlamına gelir ve düşük değer daha iyidir. Birçok kaynak oranı tersine çevirir ve hesaplamanın saniyesi başına kaç saniye ses çıktığını bildirir (NVIDIA buna RTFX der, bazı makaleler ise bunu ‘gerçek zamandan kat kat hızlı’ diye yazar); burada yüksek değer daha iyidir. Tablolarda, bir satır ‘gerçek zamanın katı’, ‘RTFX’ veya ‘yüksek değer daha hızlıdır’ demedikçe RTF, düşük değerin daha hızlı olduğu kuralını ifade eder.
TL;DR
- FastSpeech 2, RTF’yi Transformer TTS için 0,932’den 0,0195’e indirdi; bu 47,8 kat hızlanma (Ren ve ark., FastSpeech 2 2020).
- 2 örnekleme adımlı Matcha-TTS, vokoder dahil 0,015 RTF ölçtü (Mehta ve ark., Matcha-TTS 2023).
- F5-TTS, karşılaştırma tablosunda CosyVoice için 0,92’ye karşılık 16 adımda 0,15 RTF bildirdi (Chen ve ark., F5-TTS 2024).
- VoXtream bir A100’de 102 ms ilk paket gecikmesine ulaştı, tam akış modundaki CosyVoice2 ise aynı testte 1.643 ms sürdü (KTH, VoXtream 2025).
- Kyutai’nin DSM-TTS gecikmesi toplu işlem boyutu 1’de 150 ms’den toplu işlem boyutu 64’te 403 ms’ye çıkarken, işlem hacmi gerçek zamanın 137,3 katına ulaştı (Kyutai, DSM-TTS 2025).
- NVIDIA Riva’nın FastPitch artı HiFi-GAN hattında ilk ses gecikmesi 1 akışta 22 ms’den 32 akışta 323 ms’ye çıktı (NVIDIA Riva 2.16.0 dokümantasyonu, üretici tarafından yürütülmüş).
- Apple’ın cihaz üstü sistemi iki mobil cihazda gerçek zamandan 1,47 ile 3,03 kat hızlı çalıştı (Apple, On-device neural speech synthesis 2021).
- NICT’nin Mobile PresenTra’sı, orta sınıf bir Google Pixel 5’te yaklaşık 0,3 toplu RTF’ye ulaştı (Okamoto ve ark., Mobile PresenTra, Interspeech 2024).
- SupertonicTTS’i 8’den 4 örnekleme adımına indirmek kelime hata oranını %2,818’den %11,43’e çıkardı (Supertone, SupertonicTTS 2025).
- Fast F5-TTS, 32 adımlı taban çizgisinden yaklaşık 4 kat hızlı çalışırken kelime hata oranı %2,37’den %2,45’e kaydı (Zheng ve ark., Interspeech 2025).
- Google Cloud, 1 milyon karakter başına Standard sesler için $4 ve Studio sesler için $160 listeliyor (Google Cloud Text-to-Speech fiyatlandırması 2026).
- Amazon, 1 milyon karakteri yaklaşık 23 saat 8 dakikalık konuşmaya eşitliyor; bu, Polly Generative’i ses saati başına yaklaşık $1,30’a getiriyor (AWS Amazon Polly fiyatlandırması 2026).
1. GPU’da Model Ailesine Göre Gerçek Zaman Faktörü
İlk büyük hız sıçraması, akustik modelde (metni mel spektrogramına, yani konuşmanın zaman-frekans görüntüsüne dönüştüren kısım) otoregresyonun bırakılmasından geldi. FastSpeech 2, aynı V100 sunucusunda Transformer TTS için 0,932’ye karşılık 0,0195 RTF ölçtü; bu 47,8 kat çıkarım hızlanmasıdır (Ren ve ark., FastSpeech 2). Bir model tüm kareleri paralel tahmin ettiğinde, kare kare kendi önceki çıktısını beklemek zorunda kalmaz.
Daha yeni aileler bu kazancı geri almadı, ama yaydı. Grad-TTS ve Matcha-TTS gibi difüzyon ve akış eşleştirme modelleri, daha iyi kalite için birkaç ek ağ geçişini göze alıyor; RTX 3090 GPU’larda yapılan Matcha-TTS kıyaslamasında test edilen tüm sistemler vokoder dahil 0,08 RTF’nin altında kaldı (Mehta ve ark., Matcha-TTS). Buradaki ilginç sayı ortalama değil, yayılım: VITS, ortalamanın kendisinden büyük olan 0,083 standart sapmayla 0,074 ölçtü; bu, cümleden cümleye çok düzensiz bir hıza işaret ediyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Transformer TTS RTF, V100 GPU, toplu işlem boyutu 1 (düşük değer daha hızlı) | 0,932 | Ren ve ark., FastSpeech 2 2020 |
| FastSpeech 2 RTF ve Transformer TTS’e göre hızlanma, aynı kurulum | 0,0195 (47,8x) | Ren ve ark., FastSpeech 2 2020 |
| FastSpeech 2s (metinden doğrudan dalga biçimine) RTF ve hızlanma | 0,0180 (51,8x) | Ren ve ark., FastSpeech 2 2020 |
| Matcha-TTS testinde FastSpeech 2 RTF, vokoder dahil, RTX 3090 | 0,010 (standart sapma 0,004) | Mehta ve ark., Matcha-TTS 2023 |
| Matcha-TTS RTF, 2 örnekleme adımı ve 10 örnekleme adımı karşılaştırması | 0,015 karşı 0,038 | Mehta ve ark., Matcha-TTS 2023 |
| Grad-TTS RTF, 10 örnekleme adımı | 0,049 | Mehta ve ark., Matcha-TTS 2023 |
| Matcha-TTS testinde VITS RTF (ortalama ve standart sapma) | 0,074 (0,083) | Mehta ve ark., Matcha-TTS 2023 |
| StyleTTS 2 testinde StyleTTS 2 RTF ve VITS RTF karşılaştırması | 0,0185 karşı 0,0599 | Li ve ark., StyleTTS 2 2023 |
Mevcut en güncel veri: FastSpeech 2 (2020), StyleTTS 2 (2023) ve Matcha-TTS (2023); hepsi üç yıldan eski. Farklı makalelerdeki RTF değerleri doğrudan karşılaştırılamaz, çünkü GPU’lar, toplu işlem boyutları ve vokoderin dahil olup olmadığı hep farklıdır. Matcha-TTS yazarları ayrıca 2 adımlı modellerinin daha uzun cümlelerde FastSpeech 2 ile rekabetçi hale geldiğini bildiriyor.
2. Vokoderler: Hesaplama Gücü Nereye Gidiyor
Bir vokoder, mel spektrogramını duyulabilir bir dalga biçimine dönüştürür ve yıllarca hattın pahalı yarısı oldu. WaveNet bir V100 GPU’da 0,07 kHz ses üretti, bu gerçek zamanın 0,003 katıdır; HiFi-GAN V1 ise 3.701 kHz, yani gerçek zamanın 167,86 katını üretti (Kong ve ark., HiFi-GAN). Mesele yalnızca GAN vokoderlerinin hızlı olması değil; vokoderin bir TTS ürününün GPU’ya ihtiyaç duymasının nedeni olmaktan çıkmasıdır.
Aynı örüntü artık akış sistemlerinin içinde tekrarlanıyor. Apple’ın SpeakStream makalesi, akustik modelin yaklaşık 28 ms alırken bir Parallel WaveGAN (PWG) vokoderinin 152 ms eklediğini gösteriyor; akış vokoderine geçmek bu aşamayı 13 ms’ye indirdi (Apple, SpeakStream). Başka bir deyişle, yalnızca vokoder seçimi ilk sesin yaklaşık 40 ms’de mi yoksa yaklaşık 180 ms’de mi geleceğini belirledi.
| Metrik | Değer | Kaynak |
|---|---|---|
| Bir V100 GPU’da WaveNet (MoL), WaveGlow ve MelGAN hızı, gerçek zamanın katı (yüksek değer daha hızlı) | 0,003x karşı 22,75x karşı 645,73x | Kong ve ark., HiFi-GAN 2020 |
| Bir V100 GPU’da HiFi-GAN V1 ve HiFi-GAN V3 hızı, gerçek zamanın katı | 167,86x karşı 1.186,80x | Kong ve ark., HiFi-GAN 2020 |
| BigVGAN vokoder RTF’si ve SupertonicTTS konuşma otokodlayıcı RTF’si, RTX 4090 (düşük değer daha hızlı) | 0,0124 karşı 0,0006 | Supertone, SupertonicTTS 2025 |
| M4 Pro Mac mini’de SpeakStream, PWG ile akış tabanlı VocStream vokoderi karşılaştırması: vokoder süresi ve toplam ilk ses süresi | 152 ms karşı 13 ms; 180 ms karşı 40 ms | Apple, SpeakStream 2025 |
Mevcut en güncel veri: Kong ve ark., HiFi-GAN 2020, 32 bit kayan noktalı sayılarla ve başka optimizasyon yapılmadan ölçüldü. Matcha-TTS testinde vokoder tek başına 0,001 RTF ile çalıştı, dolayısıyla o kurulumda toplam sentez süresinin küçük bir kısmıydı (Matcha-TTS).
3. Büyük Sıfır Örnekli Modeller: Ölçekte Ses Klonlamanın Hız Maliyeti
Yeni bir sesi, yeniden eğitim olmadan kısa bir istemden taklit eden sıfır örnekli modeller hızı yeniden gündeme getirdi. F5-TTS karşılaştırma tablosu CosyVoice’u 0,92, FireRedTTS’i 0,84 RTF ile listeliyor; yani konuşmanın her saniyesinin hesaplanması bir saniyenin büyük kısmını aldı (Chen ve ark., F5-TTS). F5-TTS’in kendisi bir RTX 3090’da 16 örnekleme adımında 0,15, yani gerçek zamandan yaklaşık 6,7 kat hızlı (1’in 0,15’e bölümü) bildirdi. Bu, toplu sesli kitap işi için yeterince hızlı, ama tek bir karttan çok sayıda canlı kullanıcıya hizmet vermek için sınırda.
Daha küçük modeller aradaki farkı kapatıyor. 44M parametreli SupertonicTTS, bir RTX 3090’da 32 adımlı F5-TTS için 0,31’e karşılık RTX 4090’da 0,02 ve RTX 3090’da 0,05 bildirdi (Supertone, SupertonicTTS). Bir yapay zeka ses üreticisi değerlendiren ekipler için parametre sayısı tek başına sunum maliyeti için zayıf bir kılavuzdur: aşağıdaki tablo, 740M parametreli DiTTo-TTS’i 330M parametreli Voicebox’tan daha hızlı listeliyor, ancak bu iki rakam aynı donanımdan gelmiyor olabilir.
| Metrik | Değer | Kaynak |
|---|---|---|
| F5-TTS RTF, 16 ve 32 örnekleme adımı, RTX 3090, 10 sn konuşma (düşük değer daha hızlı) | 0,15 karşı 0,31 | Chen ve ark., F5-TTS 2024 |
| CosyVoice (yaklaşık 300M parametre) ve FireRedTTS (yaklaşık 580M) RTF karşılaştırması | 0,92 karşı 0,84 | Chen ve ark., F5-TTS 2024 |
| Voicebox (330M) ve VALL-E 2 RTF karşılaştırması | 0,64 karşı 0,732 | Chen ve ark., F5-TTS 2024 |
| DiTTo-TTS (740M) ve NaturalSpeech 3 (500M) RTF karşılaştırması | 0,162 karşı 0,296 | Chen ve ark., F5-TTS 2024 |
| SupertonicTTS (44M) RTF, RTX 4090 ve RTX 3090 karşılaştırması | 0,02 karşı 0,05 | Supertone, SupertonicTTS 2025 |
| Toplu işlem boyutu 1’de gerçek zaman katı (yüksek değer daha hızlı): DSM-TTS, Chatterbox ve CSM karşılaştırması | 3,2 karşı 1,8 karşı 1,0 | Kyutai, DSM-TTS 2025 |
| Toplu işlem boyutu 1’de gerçek zaman katı: Dia ve Orpheus | her biri 0,7 (gerçek zamandan yavaş) | Kyutai, DSM-TTS 2025 |
Bağlam notu: F5-TTS makalesi taban çizgisi RTF değerlerinin nasıl ölçüldüğünü belirtmiyor ve bunlar onun RTX 3090’ını paylaşmıyor olabilir, bu nedenle 2 ile 4. satırları gösterge olarak değerlendirin. Daha sonraki bir makale F5-TTS’in kendisini bir RTX 3090’da 0,065 ve 0,123 olarak ölçtü (bkz. bölüm 6). Kyutai’nin tablosu ters kuralı kullanıyor; burada 1,0’ın altındaki bir değer, modelin oynatmaya yetişemediği anlamına gelir.
4. Akışta İlk Sese Kadar Geçen Süre ve Sunum Eşzamanlılığı
Canlı kullanımda önemli olan sayı RTF değil, dinleyicinin ilk sesi duymak için ne kadar beklediğidir. Bir A100 kıyaslamasında torch.compile’lı VoXtream 102 ms sonra konuşmaya başlarken, tam akış modundaki CosyVoice2 1.643 ms sürdü (KTH, VoXtream). Tam akış, metin hâlâ gelirken modelin başlaması demektir; bir sistemin RTF’si makul olsa bile tüm cümleleri beklerse ilk paket gecikmesi kötü olabilir.
Eşzamanlılık diğer yarısıdır. Bir GPU’ya daha fazla kullanıcı yığmak toplam işlem hacmini artırır ama her kullanıcının beklemesini uzatır. Kyutai’nin DSM-TTS’i toplu işlem boyutu 1’de 150 ms’den toplu işlem boyutu 64’te 403 ms’ye çıkarken, işlem hacmi gerçek zamanın 3,2 katından 137,3 katına yükseldi (Kyutai, DSM-TTS). NVIDIA’nın kendi Riva tabloları bir FastPitch artı HiFi-GAN hattında aynı eğriyi gösteriyor: ilk ses gecikmesi 1’den 32 akışa yaklaşık 15 kat artarken işlem hacmi yaklaşık 2,9 kat arttı (NVIDIA Riva TTS performansı). Bu rakamların tam bir sesli ajan gecikme bütçesine nasıl oturduğu sesli ajan ilk ses süresi istatistiklerimizde ele alınıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| torch.compile ile VoXtream ilk paket gecikmesi ve RTF, A100, FP16 | 102 ms (RTF 0,17) | KTH, VoXtream 2025 |
| Derleme olmadan VoXtream ilk paket gecikmesi ve RTF | 171 ms (RTF 1,00) | KTH, VoXtream 2025 |
| XTTS-v2 ilk paket gecikmesi, çıktı akışı, DeepSpeed olmadan ve DeepSpeed ile karşılaştırma | 295 ms karşı 196 ms | KTH, VoXtream 2025 |
| CosyVoice2 ilk paket gecikmesi ve RTF, tam akış modu, aynı A100 testi | 1.643 ms (RTF 0,85) | KTH, VoXtream 2025 |
| DSM-TTS gecikmesi, toplu işlem boyutu 1, 32 ve 64 karşılaştırması | 150 ms karşı 380 ms karşı 403 ms | Kyutai, DSM-TTS 2025 |
| Toplu işlem boyutu 64’te DSM-TTS işlem hacmi, gerçek zamanın katı | 137,3x | Kyutai, DSM-TTS 2025 |
| Riva FastPitch artı HiFi-GAN ortalama ilk ses gecikmesi, 1 akış ve 32 akış karşılaştırması | 22 ms karşı 323 ms | NVIDIA Riva 2.16.0 dokümantasyonu (üretici tarafından yürütülmüş) |
| Riva işlem hacmi (RTFX, yüksek değer daha hızlı), 1 akış ve 32 akış karşılaştırması | 150,8 karşı 440 | NVIDIA Riva 2.16.0 dokümantasyonu (üretici tarafından yürütülmüş) |
Bağlam notu: CosyVoice proje README’si, daha yeni Fun-CosyVoice 3.0 modeli için ‘en düşük 150 ms’ gecikme iddia ediyor (GitHub’da FunAudioLLM CosyVoice); bu, KTH’nin ölçtüğünden farklı bir sürüm için proje iddiasıdır. Riva satırları için bir GPU adı vermiyoruz: bunlar NVIDIA sayfasındaki ilk sonuç tablosu ve sayfanın GPU listesi A100 ile başlıyor, ancak okuyabildiğimiz sayfa metni her tabloyu bir GPU etiketine bağlamıyordu.
5. CPU, Mobil ve Uç Donanım
GPU dışında hız payları hızla daralır. V100’de gerçek zamandan 167,86 kat hızlı çalışan HiFi-GAN V1, dizüstü bir Intel i7 CPU’da yalnızca gerçek zamanın 1,43 katını yönetebildi, WaveGlow ise canlı oynatma için fazla yavaş olan 0,21 kata düştü (Kong ve ark., HiFi-GAN). Sunucuda kazanan model çoğu zaman dizüstü için yanlış olandır ve daha küçük HiFi-GAN V3 (aynı CPU’da gerçek zamanın 13,44 katı) mimari tercihlerinin burada ne kadar önemli olduğunu gösteriyor.
Amaca özel küçük modeller çok daha ileri gidiyor. 266k parametreli ve 90 MFLOPS’luk EfficientSpeech, bir Raspberry Pi 4’te mel spektrogramlarını gerçek zamandan 104,3 kat hızlı üretti; bu, Mixer-TTS gibi kompakt modellerin boyutunun ve hesaplamasının yaklaşık %1’i (EfficientSpeech). Apple’ın cihaz üstü çalışması, tam hattın iki mobil cihazda çalıştığını ve ilk ses tamponunun istekten 158 ile 179 ms sonra çalmaya başladığını gösterdi (Apple, On-device neural speech synthesis). Bu değişimin arkasındaki donanım eğilimleri uç yapay zeka ses işlemcisi istatistiklerimizde izleniyor.
En yeni ölçümler, tasarım tercihinin aynı çip üzerinde ne kadar önemli olduğunu gösteriyor. Bir AMD EPYC 7413’ün tek iş parçacığında, Samsung Research’ün bir akış modeli 0,568 RTF’ye ulaştı ve ilk akustik token’ını 0,061 sn’de üretti; VALL-E X için bu değerler 7,665 ve 41,41 sn idi (Lee ve ark., Interspeech 2025). NICT, orta sınıf bir telefon olarak tanımladığı Google Pixel 5’te yaklaşık 0,3 toplu RTF ve 0,5 sn’den az artımlı gecikme bildirdi (Okamoto ve ark., Mobile PresenTra).
| Metrik | Değer | Kaynak |
|---|---|---|
| Dizüstü Intel i7 CPU’da HiFi-GAN V1, HiFi-GAN V3 ve WaveGlow hızı, gerçek zamanın katı | 1,43x karşı 13,44x karşı 0,21x | Kong ve ark., HiFi-GAN 2020 |
| Apple uçtan uca sentez hızı, mobil cihaz A ve cihaz B karşılaştırması, gerçek zamanın katı | 1,47x karşı 3,03x | Apple, On-device neural speech synthesis 2021 |
| Apple müşteri tarafından algılanan gecikme (istekten ilk ses tamponunun çalınmasına kadar), cihaz A ve cihaz B karşılaştırması | 179 ms karşı 158 ms | Apple, On-device neural speech synthesis 2021 |
| Google Pixel 5’te Mobile PresenTra: toplu RTF; artımlı gecikme | yaklaşık 0,3; 0,5 sn’den az | Okamoto ve ark. (NICT), Mobile PresenTra, Interspeech 2024 |
| Bir AMD EPYC 7413 CPU iş parçacığında RTF, yalnızca token üretimi (düşük değer daha hızlı): SMAM+INR, Small-E ve VALL-E X karşılaştırması | 0,568 karşı 2,404 karşı 7,665 | Lee ve ark. (Samsung Research), Interspeech 2025 |
| Aynı CPU iş parçacığında ilk akustik token’a kadar süre: SMAM+INR, Small-E ve VALL-E X karşılaştırması | 0,061 sn karşı 14,34 sn karşı 41,41 sn | Lee ve ark. (Samsung Research), Interspeech 2025 |
| Bir Raspberry Pi 4’te EfficientSpeech parametreleri ve mel üretim hızı | 266k parametre, gerçek zamanın 104,3 katı | EfficientSpeech 2023 |
| Nix-TTS ve VITS öğretmen modeli karşılaştırması, Raspberry Pi 3B’de RTF (1,0’ın üzeri gerçek zamandan yavaştır) | 1,974 karşı 16,50 | Nix-TTS 2022 |
Mevcut en güncel veri: Kong ve ark. 2020, Apple 2021, Nix-TTS 2022 ve EfficientSpeech 2023 üç yıldan eski; bu tam karşılaştırmalar için daha yeni hakemli rakam bulamadık. Apple’ın özeti mobil rakamı ‘gerçek zamandan 3x hızlı’ diye yuvarlıyor, ancak tablosu cihaz A’yı 1,47x gösteriyor. EfficientSpeech rakamı yalnızca mel üretimini kapsıyor, vokoderi değil; Samsung satırları ise codec işlemeyi hariç tutuyor. Dolayısıyla hiçbiri tam bir konuşma hattı değil.
6. Hız ve Kalite Arasındaki Ödünleşim
Difüzyon ve akış eşleştirme modelleri hızı bir kadran olarak sunar: örnekleme adımı sayısı (ağ fonksiyonu değerlendirmeleri, yani NFE). SupertonicTTS kelime hata oranını 8 ile 128 adım arasında %2,639 ile %2,818 arasında tuttu, ancak 4 adımda hata oranı %11,43’e sıçradı ve NISQA kalite puanı 2,623’e düştü (Supertone, SupertonicTTS). Anlaşılırlık yavaş yavaş azalmaz; sabit kalır ve sonra bir uçurumda kırılır, bu yüzden en ucuz güvenli ayar tam o uçurumun hemen üstündedir.
Bu uçurum yeni donanım olmadan da kayabilir. Bir RTX 3090’da, 7 eşit aralıklı adımla F5-TTS ve 7 budanmış adımla Fast F5-TTS ikisi de 0,030 RTF ile çalıştı, ancak yalnızca adımların nereye düşeceğini seçmek kelime hata oranını %4,16’dan %2,45’e indirdi; bu, 0,123 RTF’li 32 adımlı taban çizgisinin %2,37’sine yakın (Zheng ve ark., Interspeech 2025).
Aynı şekil vokoderlerde ve akışta da görülüyor. HiFi-GAN V3, bir V100 GPU’da V1’den yaklaşık 7,07 kat hızlı çalıştı (26.169 kHz bölü 3.701 kHz), MOS ise 4,36’dan 4,05’e düştü (Kong ve ark., HiFi-GAN). CosyVoice 2, akış modunu ‘tipik test durumlarında neredeyse kayıpsız’ olarak nitelendirdi, ancak zor test kümesinde kelime hata oranı çevrimdışı %6,83’ten akışta %8,08’e yükseldi (CosyVoice 2).
| Metrik | Değer | Kaynak |
|---|---|---|
| 4 ve 8 örnekleme adımında SupertonicTTS: RTF; kelime hata oranı; NISQA puanı | 0,006 karşı 0,011; %11,43 karşı %2,818; 2,623 karşı 3,916 | Supertone, SupertonicTTS 2025 |
| 32 adımda (seçilen ayar) ve 128 adımda SupertonicTTS: RTF; NISQA puanı (kayıtlar 4,070 alıyor) | 0,037 karşı 0,140; 4,033 karşı 4,070 | Supertone, SupertonicTTS 2025 |
| RTX 3090’da 32, 16 ve 7 örnekleme adımında F5-TTS RTF | 0,123 karşı 0,065 karşı 0,030 | Zheng ve ark., Interspeech 2025 |
| 7 adımda LibriSpeech-PC üzerinde kelime hata oranı, eşit aralıklı F5-TTS ve Fast F5-TTS karşılaştırması (32 adımlı taban çizgisi %2,37) | %4,16 karşı %2,45 | Zheng ve ark., Interspeech 2025 |
| 2 ve 10 örnekleme adımında Matcha-TTS MOS | 3,65 karşı 3,84 | Mehta ve ark., Matcha-TTS 2023 |
| Zor test kümesinde CosyVoice 2 kelime hata oranı, çevrimdışı ve akış karşılaştırması | %6,83 karşı %8,08 | CosyVoice 2 2024 |
| 4 ve 128 difüzyon adımında StyleTTS 2 RTF | 0,0179 karşı 0,0963 | Li ve ark., StyleTTS 2 2023 |
Bağlam notu: NISQA, referans kayıt olmadan dinleyici tarzı bir puan tahmin eden otomatik, müdahalesiz bir konuşma kalitesi tahmincisidir; insan dinleme testi değildir. SupertonicTTS adım tablosu donanımını belirtmiyor ve 32 adımdaki 0,037 değeri, aynı makalenin başka yerinde bildirilen 0,02’den farklıdır.
7. 1 Milyon Karakter ve Ses Saati Başına Fiyat
Liste fiyatları, tek bir geçerli fiyat yerine kademelere bölünmüş bir pazar gösteriyor. Google Cloud, Standard ve WaveNet sesler için 1 milyon karakter başına $4, Studio sesler için ise $160 alıyor; aynı metin için 40 katlık bir fark (Google Cloud Text-to-Speech fiyatlandırması). Amazon Polly, Standard için $4’tan Long-Form sesler için $100’a kadar çıkıyor ve kendi örneği 1 milyon karakteri yaklaşık 23 saat 8 dakikalık konuşmaya eşitliyor (AWS Amazon Polly fiyatlandırması).
AWS dönüşümünü kullanarak (23 saat 8 dakika yaklaşık 23,13 saattir), $30’lık Polly Generative saat başına yaklaşık $1,30 ses ediyor (30 bölü 23,13), Standard ise yaklaşık $0,17. Token fiyatlı modeller farklı bir hesap gerektirir: Google, Gemini TTS sesinin saniyede 25 token olduğunu belirtiyor, yani bir saat 90.000 ses token’ı; 1 milyon ses token’ı başına $20 olan Gemini 2.5 Pro TTS, metin girdi ücretlerinden önce çıktı için saat başına $1,80 tutuyor. Açık ağırlıklı modeller bunu daha da sıkıştırıyor: Artificial Analysis, Replicate’teki Kokoro 82M’yi 1 milyon karakter başına $0,65 olarak listeliyor (Artificial Analysis metinden konuşmaya liderlik tablosu). Bu fiyatların arkasındaki daha geniş GPU ekonomisi için yapay zeka çıkarım maliyeti istatistiklerimize bakın.
| Metrik | Değer | Kaynak |
|---|---|---|
| Google Cloud 1 milyon karakter başına liste fiyatı: Standard ve WaveNet ile Neural2 karşılaştırması | $4 karşı $16 | Google Cloud Text-to-Speech fiyatlandırması 2026 |
| Google Cloud 1 milyon karakter başına liste fiyatı: Chirp 3 HD, Instant custom voice ve Studio karşılaştırması | $30 karşı $60 karşı $160 | Google Cloud Text-to-Speech fiyatlandırması 2026 |
| Amazon Polly 1 milyon karakter başına liste fiyatı: Standard, Neural, Generative, Long-Form | $4, $16, $30, $100 | AWS Amazon Polly fiyatlandırması 2026 |
| Microsoft Azure sinir ağı sesleri, 1 milyon karakter başına kullandıkça öde ile 2.000M karakterlik taahhüt kademesindeki aşım fiyatı karşılaştırması | $15 karşı $7,50 | Microsoft Azure Speech fiyatlandırması 2026 |
| OpenAI tts-1 (hız için optimize edildiği belirtilen) ve tts-1-hd karşılaştırması, 1 milyon karakter başına | $15 karşı $30 | OpenAI API fiyatlandırması 2026 |
| Gemini 2.5 Pro TTS ses çıktısı fiyatı ve türetilmiş ses saati başına maliyet (saniyede 25 token) | 1 milyon ses token’ı başına $20, saat başına yaklaşık $1,80 | Google Cloud Text-to-Speech fiyatlandırması 2026 (türetilmiş) |
| Amazon Polly Generative ve Standard, türetilmiş ses saati başına maliyet | yaklaşık $1,30 ve yaklaşık $0,17 | AWS Amazon Polly fiyatlandırması 2026 (türetilmiş) |
| Kokoro 82M barındırılan API fiyatı, 1 milyon karakter başına (Replicate) | $0,65 | Artificial Analysis TTS liderlik tablosu 2026 |
Bağlam notu: bunlar 31 Ekim 2026 itibarıyla, pazarlıklı indirimlerden önceki liste fiyatlarıdır. Azure’un taahhüt kademeleri 80M karakter için $960’tan başlıyor, bu da milyon başına $12 eder (960 bölü 80). Ücretsiz kademeler çok farklıdır: Polly Standard ayda 5 milyon karakter içerirken, Polly Generative ilk 12 ay için ayda 100 bin karakter içerir. Kokoro’nun kendi model kartı, modelin 1.000 A100 80GB GPU saati kullanılarak yaklaşık $1.000’a eğitildiğini söylüyor (Kokoro-82M model kartı); bu, düşük maliyetli bir sesin artık ne kadar az eğitim hesaplaması gerektirdiğini gösteriyor.
Özet: Rakamlarla Metinden Konuşmaya Gerçek Zaman Faktörü ve Çıkarım Maliyeti
| Metrik | Değer | Kaynak |
|---|---|---|
| Bir V100 GPU’da HiFi-GAN V3 ve WaveNet hızı, gerçek zamanın katı | 1.186,80x karşı 0,003x | Kong ve ark., HiFi-GAN 2020 |
| FastSpeech 2 ve Transformer TTS RTF | 0,0195 karşı 0,932 | Ren ve ark., FastSpeech 2 2020 |
| 2 örnekleme adımlı Matcha-TTS RTF, vokoder dahil | 0,015 | Mehta ve ark., Matcha-TTS 2023 |
| 16 adımda F5-TTS RTF ve CosyVoice RTF | 0,15 karşı 0,92 | Chen ve ark., F5-TTS 2024 |
| VoXtream ve CosyVoice2 ilk paket gecikmesi, aynı A100 testi | 102 ms karşı 1.643 ms | KTH, VoXtream 2025 |
| DSM-TTS gecikmesi, toplu işlem boyutu 1 ve 64 | 150 ms karşı 403 ms | Kyutai, DSM-TTS 2025 |
| Riva ilk ses gecikmesi, 1 ve 32 akış | 22 ms karşı 323 ms | NVIDIA Riva 2.16.0 dokümantasyonu (üretici tarafından yürütülmüş) |
| SpeakStream ilk ses, PWG ve akış vokoderi ile | 180 ms karşı 40 ms | Apple, SpeakStream 2025 |
| Apple cihaz üstü sentez hızı, iki mobil cihaz | gerçek zamanın 1,47x ve 3,03x’i | Apple, On-device neural speech synthesis 2021 |
| Bir Raspberry Pi 4’te EfficientSpeech mel üretimi | gerçek zamanın 104,3x’i | EfficientSpeech 2023 |
| Google Pixel 5’te Mobile PresenTra toplu RTF | yaklaşık 0,3 | Okamoto ve ark. (NICT), Mobile PresenTra, Interspeech 2024 |
| 4 ve 8 örnekleme adımında SupertonicTTS kelime hata oranı | %11,43 karşı %2,818 | Supertone, SupertonicTTS 2025 |
| 7 adımda F5-TTS kelime hata oranı, eşit aralıklı ve budanmış çizelge | %4,16 karşı %2,45 | Zheng ve ark., Interspeech 2025 |
| CosyVoice 2 zor küme kelime hata oranı, çevrimdışı ve akış | %6,83 karşı %8,08 | CosyVoice 2 2024 |
| Google Cloud Standard ve Studio sesler, 1 milyon karakter başına | $4 karşı $160 | Google Cloud Text-to-Speech fiyatlandırması 2026 |
| Amazon Polly Long-Form sesler, 1 milyon karakter başına | $100 | AWS Amazon Polly fiyatlandırması 2026 |
| 1 milyon karakterin ürettiği konuşma, Amazon’un fiyatlandırma örneği | yaklaşık 23 saat 8 dakika | AWS Amazon Polly fiyatlandırması 2026 |
| Azure sinir ağı sesleri, kullandıkça öde, 1 milyon karakter başına | $15 | Microsoft Azure Speech fiyatlandırması 2026 |
| Kokoro 82M barındırılan fiyat, 1 milyon karakter başına | $0,65 | Artificial Analysis TTS liderlik tablosu 2026 |
Metodoloji ve Kaynaklar
- Kong, Kim ve Bae: HiFi-GAN (2020), bir V100 GPU ve bir dizüstü CPU’da Tablo 1 hız, MOS ve parametre sayıları.
- Ren ve ark.: FastSpeech 2 (2020), toplu işlem boyutu 1’de bir V100 sunucusunda Tablo 2 çıkarım RTF’si.
- Mehta ve ark.: Matcha-TTS (2023), RTX 3090 GPU’larda vokodlama dahil RTF.
- Li ve ark.: StyleTTS 2 (2023), genel ve difüzyon adımı sayısına göre RTF.
- Chen ve ark.: F5-TTS (2024), 10 sn konuşma için bir RTX 3090’da RTF, taban çizgisi karşılaştırma tablosuyla birlikte.
- Supertone: SupertonicTTS (2025), RTX 4090 ve RTX 3090’da RTF ve örnekleme adımı ablasyonu.
- KTH Royal Institute of Technology: VoXtream (2025), bir A100’de FP16 ile ilk paket gecikmesi ve RTF.
- Kyutai: Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling (2025), toplu işlem boyutuna göre DSM-TTS gecikmesi, RTF ve işlem hacmi.
- Apple: SpeakStream (2025), MLX ile bir M4 Pro Mac mini’de gecikme; On-device neural speech synthesis (2021), mobil ölçümler.
- FunAudioLLM: CosyVoice 2 (2024), akış ve çevrimdışı kalite karşılaştırması; CosyVoice GitHub README (proje iddiası, 2026).
- EfficientSpeech (2023) ve Nix-TTS (2022), CPU ve Raspberry Pi üzerinde küçük ayak izli modeller.
- Interspeech makaleleri: Okamoto, Ohtani ve Kawai (NICT), Mobile PresenTra (2024), akıllı telefonda RTF ve gecikme; Lee ve ark. (Samsung Research), Efficient Streaming TTS Acoustic Model with Depthwise RVQ Decoding Strategies in a Mamba Framework (2025), tek iş parçacıklı CPU RTF’si ve gecikmesi; Zheng ve ark., Accelerating Flow-Matching-Based Text-to-Speech via Empirically Pruned Step Sampling (2025), adım sayısına göre F5-TTS hızı ve hata oranları.
- NVIDIA: Riva 2.16.0 TTS performansı, üretici tarafından yürütülmüş gecikme ve RTFX tabloları.
- 31 Ekim 2026’da okunan fiyat sayfaları: Google Cloud Text-to-Speech, Amazon Polly, Microsoft Azure Speech, OpenAI API ve OpenAI tts-1 model sayfası.
- Artificial Analysis metinden konuşmaya liderlik tablosu (2026) ve Kokoro-82M model kartı (Hugging Face), açık ağırlıklı model fiyatlandırması ve eğitim maliyeti için.
- Veri notu: RTF değerleri, donanım, toplu işlem boyutu, hassasiyet ve vokoderin dahil olup olmaması eşleşmedikçe makaleler arasında karşılaştırılamaz; tek bir makalenin içinde bile SupertonicTTS aynı ayar gibi görünen şey için 0,037 ve 0,02 bildiriyor. F5-TTS makalesi taban çizgisi RTF’lerinin nasıl ölçüldüğünü belirtmiyor ve F5-TTS hızının kendisi aynı GPU modelinde kaynaklar arasında çelişiyor: özgün makale bir RTX 3090’da 16 adımda 0,15 ve 32 adımda 0,31 veriyor, Zheng ve ark. ise bir RTX 3090’da 0,065 ve 0,123 veriyor; okuduğumuz sayfalarda aradaki farkın açıklaması yok. Kyutai’nin Tablo 6’sı GPU’sunu belirtmiyor ve makale 16 adımlı F5-TTS için yaklaşık 800 ms, 32 adım için yaklaşık 400 ms gecikme basıyor; bu, daha fazla adımın normalde yaptığının tersi, bu yüzden bu iki değeri kullanmadık. VoXtream ölçümü ile CosyVoice README rakamı farklı CosyVoice sürümlerini kapsıyor, dolayısıyla doğrudan karşılaştırılamaz. Karakterden sese iki dönüşüm çelişiyor: Amazon’un örneği dakikada yaklaşık 720 karakter ima ediyor (1.000.000 karakter bölü 1.388 dakika), Kokoro kartı ise yaklaşık 1.000 kullanıyor; dolayısıyla Kokoro’nun oranına dayalı saat başına maliyet, Amazon’unkine dayalı olandan yaklaşık %39 yüksek olurdu (1.000 bölü 720 yaklaşık 1,39). Google Cloud, Gemini 3.8 TTS modellerini ‘Preview’ olarak etiketliyor ve fiyatların 1 Ocak 2027’de değişmesi planlanıyor. MLCommons’un MLPerf Inference kuralları konuşmadan metne için Whisper’ı listeliyor ama metinden konuşmaya iş yükü içermiyor; dolayısıyla TTS hızı için orada tarafsız bir sektör kıyaslaması yok. Buradaki donanım makalelerinin birkaçı üç yıldan eski ve mevcut en güncel veri olarak işaretlendi.
Son güncelleme: 31 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, Google Cloud’un 1 Ocak 2027 tarihli Gemini TTS fiyat değişikliği yürürlüğe girdiğinde yapılması bekleniyor.