К содержимому
fedi.software

Аудио

Модели синтеза речи, ранжированные по слепым предпочтениям слушателей на TTS Arena, с ценой за миллион символов или за минуту.

Обновлено · Источники: LiteLLM, TTS Arena

Тир Модель Elo Цена, USD за 1M символов Контекст Приложение Сравнить
S1 694— —
S1 624— —
–1 604— —
S1 585— —
S1 579— —
S1 565— —
S1 564— —
S1 555— —
S1 55480 $ —
S1 554— —
S1 554— —
S1 552— —
S1 546— —
S1 543— —
S1 543— —
S1 540— —
S1 53240 $ —
A1 530— —
A1 52940 $ —
–1 525— —
A1 52280 $ —
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— —
Сравнить ()

Тиры — наши: место модели в рейтинге с учётом только тех моделей, чей доверительный интервал целиком выше её. S — лучшие 10%, A — до 30%, B — до 60%, C — до 85%, D — остальные.

Качество и цена вверх — рейтинг, вправо — смешанная цена (3 части входа : 1 выхода), USD за 1M символов
1 520 1 530 1 540 1 550 1 560 100 $ Eleven v3 Eleven Turbo v2.5 Eleven Flash v2.5

Что оценивается

На этой странице — модели синтеза речи, то есть те, что читают текст вслух. Рейтинг берётся с TTS Arena V2 — открытого проекта сообщества TTS-AGI: слушатели вслепую слышат один и тот же текст двумя голосами и выбирают тот, что звучит лучше. Голоса превращаются в рейтинг Elo с погрешностью, а рядом в таблице видно, сколько голосов за ним стоит.

Цены

Речевые модели продают за миллион символов исходного текста или за минуту готового аудио — в зависимости от провайдера; единица указана в заголовке колонки. Минимальная текущая цена — по данным models.dev и LiteLLM. Чип «Низкая цена» отмечает модели дешевле 5 долларов за миллион символов.

Тиры и число голосов

TTS Arena публикует, сколько голосов набрала каждая модель, поэтому здесь действует наше обычное правило: модель, у которой меньше 300 голосов, тира пока не получает. Место считается по моделям, чей диапазон неопределённости целиком выше, а доля таблицы даёт S до 10%, A до 30%, B до 60%, C до 85%, D для остальных. Рейтинги речевых моделей близки, а диапазоны широки, поэтому в тире S оказывается сразу много моделей.

Что не входит в рейтинг

  • Распознавание речи (speech-to-text) не оценивается: у источника нет такой арены.
  • Голоса сравнивают в основном на английском. Победитель там может звучать менее естественно на русском, так что послушайте образцы на своём языке.
  • Задержка ответа и потоковая передача, важные для голосовых помощников, в рейтинг не входят.
  • Часть строк — ещё не выпущенные модели под кодовым именем: у них нет ни вендора, ни цены.

Для озвучки или голоса приложения выберите по таблице несколько моделей с хорошим рейтингом и подходящей ценой, а затем сравните образцы у провайдеров. Обратите внимание и на единицу цены: при длинных текстах тариф за символы и тариф за минуты могут дать заметно разный итог.