Wie ElevenLabs Latenzwerte gemessen werden
Was die veröffentlichten Latenzwerte für Eleven v4 Turbo, Eleven v3 Conversational, Eleven Flash und Scribe v2 Realtime messen und unter welchen Bedingungen sie gelten.
Die Latenzwerte auf der Modellseite sind Mediane der Zeit, die ElevenLabs für die Beantwortung einer Anfrage benötigt, gemessen im Produktionsverkehr. Sie schließen Netzwerk-Roundtrips und die Zeit aus, die Ihre Anwendung vor und nach der Anfrage benötigt. Die von Ihren Nutzenden wahrgenommene Latenz ist daher immer höher.
Veröffentlichte Latenzwerte für ElevenLabs-Modelle
Jeder Wert ist ein Median (p50). Die Text-to-Speech-Werte werden bei WebSocket-Streaming-Anfragen mit vorgewärmten Stimmen gemessen: Eine vorgewärmte Stimme wurde bereits für eine Generierung verwendet.
Mediane variieren im Tagesverlauf mit dem Traffic und sind zu Stoßzeiten am höchsten. Die Werte auf dieser Seite wurden zuletzt am 29. Oktober 2026 aktualisiert.
Was messen die Text-to-Speech-Latenzwerte?
Die Text-to-Speech-Werte sind serverseitige Latenz: die End-to-End-Zeit vom Eingang einer Anfrage bei ElevenLabs bis zum Versand des ersten Audios. Serverseitige Latenz umfasst nicht:
- Den Netzwerk-Roundtrip zwischen Ihrer Anwendung und ElevenLabs.
- Vorgelagerte Schritte in Ihrer Anwendung, etwa das Warten auf eine LLM-Antwort.
- Die Pufferung des Audioplayers, bevor die Wiedergabe beginnt.
Die von Ihren Nutzenden wahrgenommene Latenz ist die Zeit bis zum ersten Audio (TTFA), die diese Phasen zur serverseitigen Latenz hinzufügt. Latenz verstehen beschreibt jede Phase.
Was misst der Latenzwert für Scribe v2 Realtime?
Der Wert von ~150 ms für Scribe v2 Realtime ist die mediane Zeit bis zum bestätigten Transkript, basierend auf Produktionsmetriken. Echtzeit-Transkription gibt zwei Arten von Ergebnissen zurück: partielle Transkripte, während ein Sprachsegment läuft, und ein bestätigtes Transkript, sobald das Segment abgeschlossen ist. Unter Echtzeit-Spracherkennung erfahren Sie, wie die Bestätigung funktioniert.
Lassen sich ElevenLabs-Latenzwerte mit denen anderer Anbieter vergleichen?
Nur wenn beide Werte dasselbe messen. Die ElevenLabs-Text-to-Speech-Werte sind serverseitige Latenz. Sie sind nicht mit Time-to-First-Byte-(TTFB)- oder TTFA-Werten vergleichbar, die von einem Client aus gemessen werden und den Netzwerk-Roundtrip sowie bei TTFA die Wiedergabepufferung umfassen. Um Anbieter zu vergleichen, messen Sie TTFA für jeden vom selben Client, aus derselben Region und mit demselben Stimmtyp.
Was erhöht die Latenz gegenüber den veröffentlichten Werten?
Die veröffentlichten ElevenLabs-Latenzwerte sind ein Referenzpunkt für Modellvergleiche, keine Garantie für jede Anfrage. Die serverseitige Latenz ist höher als der veröffentlichte Median bei:
- Längeren Eingaben.
- Professional Voice Clones im Vergleich zu Instant Voice Clones und Standardstimmen.
- Hoher Serverauslastung, wenn Anfragen vor dem Generierungsstart in der Warteschlange stehen.
Anfragen werden an den nächstgelegenen Servercluster geleitet. Der Roundtrip dorthin erhöht die TTFA, aber nicht die veröffentlichten Werte.
Latenz verstehen erklärt, warum jeder dieser Faktoren wichtig ist. Informationen zum Messen und Reduzieren der Latenz in Ihrer eigenen Anwendung finden Sie unter Latenzoptimierung.
Modelle ohne veröffentlichten Latenzwert
ElevenLabs veröffentlicht keinen Latenzwert für Eleven v4, Eleven v3, Eleven Multilingual v2, Scribe v2 oder Scribe v2 Medical. Diese Modelle sind auf Qualität statt auf Echtzeitnutzung ausgelegt. Die Latenzwerte der oben genannten Echtzeitmodelle gelten nicht für sie.