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

AIGC • 2026年9月1日下午2:35 • 行业资讯

语音代理恰恰在通话中最重要的环节上掉链子：订单号、回拨数字、来电者必须记下的邮箱地址。Gradium AI 发布了一款全新的文本转语音（TTS）模型，并将其设为 API 和 Studio 全线的默认模型。该公司报告称，在一套涵盖五种语言的 500 句难例测试集上，人工评分通过率达到 81.0%，领先于 Cartesia Sonic 3.6 的 75.1% 和 ElevenLabs v3 Conversational 的 65.4%。在 Coval 上，P50 首音频时间为 216 毫秒，比其替代的旧模型快 170 毫秒。

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 — 图片来自 Gradium

Gradium 已于 2026 年 8 月 31 日将该模型切换为 API 和 Studio 全线的默认模型。现有音色（包括自定义克隆音色）保持不变，继续正常工作。

准确率数据

Gradium 构建了一套 500 句的评估集，并以 CC BY 4.0 协议在 Hugging Face 上开源：涵盖五种语言（英、德、法、西、葡），10 项标准，每项 100 条。七项原子标准覆盖拼写、首字母缩写、字母数字混合标记、日期、常规数字、大数与浮点数，以及邮箱。三项复合标准（订单、IT 工单、理赔）将其中若干项叠加为一个真实的代理对话轮次。

评分由人工完成，标准严格。只有当独立的母语评分员听到每一个元素都发音正确且完整时，该句子才算通过；漏掉一个数字即判该句失败。音频经过响度归一化，顺序随机打乱，评分员每次最多进行 40 组对比，并强制执行休息。

将十项标准合并、五种语言等权平均后：Gradium TTS 81.0%，Cartesia Sonic 3.6 75.1%，ElevenLabs v3 Conversational 65.4%，Fish Audio S2.1 Pro 49.5%，Inworld TTS 1.5 Max 46.5%。全部于 2026 年 8 月使用默认设置生成。

延迟数据

在 Coval 的 TTS 基准测试中，Gradium 报告 P50 首音频时间为 216 毫秒，比其替代的旧模型快 170 毫秒。更有参考价值的是离散度：480 次运行中 p75-p25 四分位距仅为 30 毫秒，是被测五款模型中最紧凑的。Cartesia Sonic 3.6 中位数为 454 毫秒，离散度 165 毫秒，占其中位数的 36%—— 而来电者体验到的是尾部延迟，而非中位数。

Gradium 并非该榜单上最快的模型。Inworld TTS 2 中位数为 166 毫秒；Fish Audio S2.1 Pro（291 毫秒）和 ElevenLabs v3 Conversational（329 毫秒）落后于 Gradium。它所主张的是综合位置：在首音频低于 250 毫秒的前提下，拥有最低的难例失败率，且方差极小。