Przejdź do treści
fedi.software

Audio

Modele zamiany tekstu na mowę uszeregowane według ślepych preferencji słuchaczy w TTS Arena, z ceną za milion znaków lub za minutę.

Zaktualizowano · Źródła: LiteLLM, TTS Arena

Tier Model Elo Cena, USD za 1M znaków Kontekst Aplikacja Porównaj
S1 694— —
S1 624— —
–1 604— —
S1 585— —
S1 579— —
S1 565— —
S1 564— —
S1 555— —
S1 55480 USD —
S1 554— —
S1 554— —
S1 552— —
S1 546— —
S1 543— —
S1 543— —
S1 540— —
S1 53240 USD —
A1 530— —
A1 52940 USD —
–1 525— —
A1 52280 USD —
A1 522— —
S1 521— —
S1 516— —
A1 499— —
A1 490— —
B1 490— —
A1 489— —
B1 479— —
B1 479— —
B1 477— —
C1 446— —
B1 434— —
C1 429— —
C1 415— —
–1 415— —
C1 412— —
C1 391— —
C1 380— —
C1 380— —
–1 379— —
–1 370— —
D1 327— —
–1 256— —
Porównaj ()

Tiery są nasze: miejsce modelu w rankingu liczone tylko względem modeli, których cały przedział ufności leży powyżej. S — górne 10%, A — do 30%, B — do 60%, C — do 85%, D — reszta.

Jakość a cena ocena w pionie, cena łączona (3 części wejścia : 1 wyjścia) w poziomie, USD za 1M znaków
1 520 1 530 1 540 1 550 1 560 100 USD Eleven v3 Eleven Turbo v2.5 Eleven Flash v2.5

Co pokazuje ranking mowy?

To ranking modeli syntezy mowy (text-to-speech), czyli zamiany tekstu na głos. Oceny pochodzą z TTS Arena V2, otwartego projektu społeczności TTS-AGI: słuchacze na ślepo porównują dwa głosy czytające ten sam tekst i wybierają lepszy. Wynikiem jest ocena Elo z przedziałem niepewności, a obok widać liczbę głosów każdego modelu.

Które modele mają tu tier?

Tak jak w innych rankingach tier dostają tylko modele z co najmniej 300 głosami. TTS Arena publikuje liczbę głosów, więc ten próg działa i tutaj – model z mniejszą liczbą ma etykietę „Jeszcze bez tieru”. Zasada podziału jest ta sama: miejsce modelu wynika z tego, ile modeli ma cały przedział niepewności powyżej jego przedziału, a progi to 10, 30, 60 i 85%. Oceny głosów są zbliżone, a przedziały szerokie, dlatego w tierze S znajduje się naraz wiele modeli.

W jakich jednostkach jest cena?

  • za 1M znaków tekstu – to typowa jednostka;
  • za minutę lub sekundę wygenerowanego dźwięku;
  • za 1M tokenów, jeśli dostawca rozlicza model jak model językowy.

Etykieta „Niska cena” oznacza w tym rankingu mniej niż 5 USD za 1M znaków. Jeśli czytasz na głos długie teksty, np. artykuły czy książki, przelicz koszt na liczbę znaków w miesiącu.

Czy są tu modele rozpoznawania mowy?

Nie. Źródło nie prowadzi areny dla zamiany mowy na tekst (speech-to-text), więc takie modele nie są oceniane w tym rankingu. Część wierszy to z kolei modele jeszcze niewydane, pod nazwą kodową, bez producenta i bez ceny.

Czy ocena dotyczy języka polskiego?

Głosy są oceniane głównie po angielsku. Model wysoko w rankingu może brzmieć po polsku gorzej, a model z niższego tieru – lepiej. Zanim wybierzesz głos do projektu po polsku, odsłuchaj próbki u dostawcy i sprawdź wymowę nazw własnych oraz liczb. Kandydatów zestawisz na stronie porównania.

Jak wykorzystać ranking w praktyce?

Do audiobooka czy lektora w filmie liczy się naturalna intonacja przy długich fragmentach, a do asystenta głosowego – krótki czas odpowiedzi i stabilne brzmienie. Ranking pokazuje ogólne wrażenie słuchaczy, więc potraktuj go jako listę kandydatów do własnego odsłuchu, a nie ostateczny werdykt.