26 个 AI 语音模型实测:开口最快、读得最准、声音最自然,为什么不是同一个?
原文链接: https://x.com/tarush_agarwal_/status/2112563925426511913 来源: x.com 发现于: 小互 · AI 解读站 · 2026/10/21 说明: 本文由 AIHot 自动聚合,并由 GLM 翻译为中文(保留全部代码与链接)
我们在 30,564 次请求中测试了 26 个 text-to-speech 模型。
- 作者: Tarush Agarwal (@tarush_agarwal_)
- 日期: Tue Oct 20 15:17:44 +0000 2026
- 来源: https://x.com/tarush_agarwal_/status/2112563925426511913
我们在 30,564 次请求中测试了 26 个 text-to-speech 模型。
在输入全文的情况下,Inworld TTS-2 Flash 在 46ms 内开始发声。当最后一个词尚未到达时,Gradium 就已经开始发声了。在估计自然度方面,Fish Audio 得分最高。
但最快的、最准确的和最自然的模型并不是同一个。
完整结果 🧵
[图片] https://pbs.twimg.com/media/HVFVSVcaYAAXuWq.jpg?name=orig
点赞 81 · 转发 7 · 回复 9 · 浏览 3.5K