Gradium AI 发布全新默认 TTS 模型：难例通过率 81.0%，首音频时间 216 毫秒
内容提要
Gradium AI发布新TTS模型并设为默认，在500句难例测试中人工评分通过率81%，领先Cartesia和ElevenLabs。首音频延迟216毫秒，低且稳定。支持多语言，无需文本归一化即可准确朗读号码和邮箱。基准测试由厂商运行，评估集已开源。
延伸解读
难例测试的严苛性
该模型的81.0%通过率基于一套严苛的评估标准：每个句子必须由母语评分员确认所有元素（如数字、字母、邮箱）发音正确且完整，漏掉一个数字即判失败。这种测试方式更贴近真实语音代理场景，因为用户往往需要准确记录关键信息。因此，81.0%的通过率比传统语音质量评分更具参考价值，但也意味着仍有近两成难例未能完全正确。
低延迟与稳定性的实际意义
216毫秒的首音频时间（P50）和仅30毫秒的四分位距（p75-p25）表明，该模型不仅响应快，而且延迟波动极小。对于语音代理，用户感知的是尾部延迟而非中位数，因此低离散度比单纯的低中位数更重要。尽管Inworld TTS 2中位数更低（166毫秒），但Gradium在低于250毫秒的前提下提供了更稳定的体验，这有助于减少通话中的等待感。
基准测试的局限与开源价值
文章明确指出，基准测试由厂商自行运行，这可能导致结果偏向自身产品。但Gradium已将500句评估集以CC BY 4.0协议开源，允许第三方复现和验证。这在一定程度上增加了结果的可信度，但读者仍需注意，测试集可能针对自身模型优化，且人工评分存在主观性。建议关注后续独立评测或自行测试。
Q&A
Gradium AI 新发布的 TTS 模型在难例测试中的通过率是多少？
Gradium AI 新发布的 TTS 模型在 500 句难例测试中，人工评分通过率达到 81.0%。
Gradium TTS 模型的首音频时间是多少？相比旧模型快了多少？
Gradium TTS 模型在 Coval 上的 P50 首音频时间为 216 毫秒，比其替代的旧模型快 170 毫秒。
Gradium TTS 模型在延迟和准确率方面与其他模型相比如何？
在难例测试中，Gradium TTS 通过率 81.0%，领先于 Cartesia Sonic 3.6（75.1%）和 ElevenLabs v3 Conversational（65.4%）。在延迟方面，Gradium 的首音频时间 216 毫秒，低于 Cartesia（454 毫秒）和 ElevenLabs（329 毫秒），但高于 Inworld TTS 2（166 毫秒）。Gradium 的优势在于综合表现：在首音频低于 250 毫秒的前提下，拥有最低的难例失败率，且延迟方差极小。
Gradium TTS 模型支持哪些语言？
Gradium TTS 模型支持五种语言：英语、德语、法语、西班牙语和葡萄牙语。
Gradium TTS 模型在朗读电话号码和邮箱时有什么特点？
Gradium TTS 模型无需文本归一化即可准确朗读电话号码、邮箱、IBAN 和参考编号等复杂内容。
Gradium 的评估集是如何构建的？是否开源？
Gradium 构建了一套 500 句的评估集，涵盖五种语言、10 项标准（包括拼写、缩写、日期、数字、邮箱等），并以 CC BY 4.0 协议在 Hugging Face 上开源。
现有 Gradium 用户如何切换到新模型？
现有用户无需任何操作，模型已于 2026 年 8 月 31 日自动切换为默认。新团队只需安装 Python SDK，指向 WebSocket TTS 端点，并复用现有音色 ID 即可。
