Cómo se miden las cifras de latencia de ElevenLabs
Qué miden las cifras de latencia publicadas para Eleven v4 Turbo, Eleven v3 Conversational, Eleven Flash y Scribe v2 Realtime, y las condiciones en las que se obtienen.
Las cifras de latencia de la página de modelos son las medianas del tiempo que tarda ElevenLabs en responder a una solicitud, medidas en tráfico de producción. Excluyen los viajes de ida y vuelta de red y el tiempo que tu aplicación emplea antes y después de la solicitud, por lo que la latencia que experimentan tus usuarios siempre es mayor.
Cifras de latencia publicadas para los modelos de ElevenLabs
Cada cifra es una mediana (p50). Las cifras de Texto a Voz se miden en solicitudes de streaming mediante WebSocket con voces precargadas: una voz precargada es una que ya se ha usado para una generación.
Las medianas varían a lo largo del día según el tráfico y son más altas durante las horas punta. Las cifras de esta página se actualizaron por última vez el 29 de octubre de 2026.
¿Qué miden las cifras de latencia de Texto a Voz?
Las cifras de Texto a Voz corresponden a la latencia del lado del servidor: el tiempo de extremo a extremo desde que ElevenLabs recibe una solicitud hasta que envía el primer audio. La latencia del lado del servidor no incluye:
- El viaje de ida y vuelta de red entre tu aplicación y ElevenLabs.
- Los pasos previos de tu aplicación, como esperar la respuesta de un LLM.
- El búfer del reproductor de audio antes de que empiece la reproducción.
La latencia que experimentan tus usuarios es el tiempo hasta el primer audio (TTFA), que añade estas etapas a la latencia del lado del servidor. Comprender la latencia describe cada etapa.
¿Qué mide la cifra de latencia de Scribe v2 Realtime?
La cifra de ~150ms de Scribe v2 Realtime es la mediana del tiempo hasta la transcripción confirmada, obtenida de métricas de producción. La transcripción en tiempo real devuelve dos tipos de resultado: transcripciones parciales mientras un segmento de habla está en curso y una transcripción confirmada cuando el segmento es definitivo. Consulta Voz a Texto en Tiempo Real para saber cómo funciona la confirmación.
¿Se pueden comparar las cifras de latencia de ElevenLabs con las de otros proveedores?
Solo cuando ambas cifras miden lo mismo. Las cifras de Texto a Voz de ElevenLabs son de latencia del lado del servidor. No son comparables con las cifras de tiempo hasta el primer byte (TTFB) o TTFA medidas desde un cliente, que incluyen el viaje de ida y vuelta de red y, en el caso de TTFA, el búfer de reproducción. Para comparar proveedores, mide el TTFA de cada uno desde el mismo cliente, región y tipo de voz.
¿Qué hace que la latencia sea mayor que las cifras publicadas?
Las cifras de latencia publicadas de ElevenLabs son un punto de referencia para comparar modelos, no una garantía para cada solicitud. La latencia del lado del servidor es mayor que la mediana publicada en estos casos:
- Entradas más largas.
- Clones de Voz Profesionales, frente a Clones de Voz Instantáneos y voces predeterminadas.
- Carga alta del servidor, cuando las solicitudes quedan en cola antes de que empiece la generación.
Las solicitudes se dirigen al clúster de servicio más cercano, y el viaje de ida y vuelta hasta él se suma al TTFA, pero no a las cifras publicadas.
Comprender la latencia explica por qué importa cada uno de estos factores. Para medir y reducir la latencia en tu propia aplicación, consulta Optimización de la latencia.
Modelos sin una cifra de latencia publicada
ElevenLabs no publica una cifra de latencia para Eleven v4, Eleven v3, Eleven Multilingual v2, Scribe v3, Scribe v2 ni Scribe v2 Medical. Estos modelos están diseñados para la calidad, no para el uso en tiempo real. Las cifras de latencia de los modelos en tiempo real anteriores no se aplican a ellos.
ElevenLabs aún no ha publicado una cifra de latencia para Scribe v3 Live. La cifra anterior de Scribe v2 Realtime no se aplica a este modelo.