语音AI厂商Gradium AI于近期发布新一代默认文本转语音（TTS）模型，该模型在行业通用的高难度测试用例集上通过率达81.0%，首音频生成时延（TTFA）仅216毫秒，两项核心指标均优于当前市场主流竞品Cartesia、ElevenLabs的同类型产品，有望重构实时语音交互场景的技术选型标准。
过去两年，TTS技术的落地边界不断拓宽，已经覆盖AI语音助手、数字人直播、实时同传、有声内容生成等多个场景。但行业始终面临一个共性难题：如果要保障复杂场景下的发音准确率、情感自然度，往往需要更长的推理时间，导致首句响应时延超过500毫秒，用户能明显感知到卡顿；如果优先压缩时延，又会导致生僻词、多语种混读、多音字歧义等“硬场景”下的错误率飙升，不少虚拟主播、AI客服频频出现读错专业术语、语气违和的翻车事故。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号