Gradium AI 全新默认 TTS 模型上线：硬案例通过率 81%，首帧音频低至 216ms

Gradium AI 于 2026 年 8 月 31 日正式将其最新的文本转语音（TTS）模型设为 API 和 Studio 的默认引擎。这款新模型专为解决语音代理在通话中最易出错的痛点而生——即订单号、回拨数字、电子邮件地址等复杂信息的准确播报。数据显示，其在“硬案例”上的准确率显著领先于 Cartesia、ElevenLabs 等主流竞品，同时保持了极低的延迟和极高的稳定性。

• 官方介绍：https://gradium.ai/blog/gradium-tts-latency-and-accuracy
• 数据：https://huggingface.co/datasets/gradium/tts-eval-customer-support-202608

核心亮点：准确率与速度的双重突破

• 81.0% 硬案例通过率：
  • 在涵盖英、德、法、西、葡五种语言的 500 句高难度测试集（包含字母数字混合、日期、大数、邮箱、IBAN 等）中，Gradium 新模型取得了 81.0% 的人工评分通过率。
  • 对比优势：大幅领先于 Cartesia Sonic 3.6 (75.1%)、ElevenLabs v3 Conversational (65.4%)、Fish Audio S2.1 Pro (49.5%) 及 Inworld TTS 1.5 Max (46.5%)。
• 216ms 首帧音频时间 (TTFA)：
  • 在 Coval 基准测试中，P50 延迟仅为 216 毫秒，比其前代模型快了 170 毫秒。
  • 极致稳定：在 480 次运行中，四分位距（IQR）仅为 30 毫秒，是测试模型中分布最紧凑的。这意味着用户极少遇到因尾部延迟导致的通话卡顿，体验远优于中位数更低但波动大的模型（如 Inworld TTS 2）。
• 无缝升级，无需迁移：
  • 现有声音 ID（包括自定义克隆）继续正常工作，开发者无需修改代码即可享受性能提升。

为什么“硬案例”如此重要？

在语音代理场景下，自然度不再是唯一指标，信息传递的准确性才是关键。Gradium 构建并开源了（CC BY 4.0）一个严格的评估集，重点测试以下容易出错的元素：

• 原子标准：拼写、首字母缩略词、字母数字混合令牌、日期、常规数字、大数、浮点数、电子邮件。
• 复合标准：模拟真实对话中的订单确认、IT 工单记录、索赔信息等复杂语境。

评分规则极其严格：只要母语评分者听到任何一个元素发音错误或遗漏，整句话即判定为失败。这种严苛的标准确保了模型在真实业务场景中的可靠性。

技术优势解析

快速开始

• 现有用户：无需任何操作，API 和 Studio 已自动切换至新默认模型。
• 新用户：安装 Python SDK，指向 WebSocket TTS 端点，重用现有声音 ID 即可。
• 社区激励：Gradium 在其 Discord 上提供 100 万积分奖励，鼓励开发者提交完整的硬案例失败报告，以进一步优化模型。