Come vengono misurati i valori di latenza di ElevenLabs
I valori di latenza nella pagina dei modelli sono le mediane del tempo che ElevenLabs impiega per rispondere a una richiesta, misurate sul traffico di produzione. Escludono i round-trip di rete e il tempo impiegato dalla tua applicazione prima e dopo la richiesta, quindi la latenza sperimentata dagli utenti è sempre maggiore.
Valori di latenza pubblicati per i modelli ElevenLabs
Ogni valore è una mediana (p50). I valori relativi alla sintesi vocale sono misurati su richieste di streaming WebSocket con voci warm: una voce warm è una voce già utilizzata per una generazione.
Le mediane variano durante la giornata in base al traffico e sono più alte nelle ore di punta. I valori in questa pagina sono stati aggiornati l’ultima volta il 29 ottobre 2026.
Cosa misurano i valori di latenza della sintesi vocale?
I valori della sintesi vocale rappresentano la latenza lato server: il tempo end-to-end da quando ElevenLabs riceve una richiesta a quando invia il primo audio. La latenza lato server non include:
- Il round-trip di rete tra la tua applicazione e ElevenLabs.
- I passaggi a monte nella tua applicazione, come l’attesa di una risposta dell’LLM.
- Il buffering del player audio prima dell’inizio della riproduzione.
La latenza sperimentata dagli utenti è il tempo al primo audio (TTFA), che aggiunge queste fasi alla latenza lato server. Comprendere la latenza descrive ogni fase.
Cosa misura il valore di latenza di Scribe v2 Realtime?
Il valore di ~150 ms per Scribe v2 Realtime è la mediana del tempo alla trascrizione confermata, ricavata dalle metriche di produzione. La trascrizione in tempo reale restituisce due tipi di risultato: trascrizioni parziali mentre è in corso un segmento di parlato e una trascrizione confermata quando il segmento è definitivo. Consulta Speech to Text in tempo reale per sapere come funziona la conferma.
I valori di latenza di ElevenLabs sono confrontabili con quelli di altri provider?
Solo quando entrambi i valori misurano la stessa cosa. I valori di sintesi vocale di ElevenLabs rappresentano la latenza lato server. Non sono confrontabili con i valori time-to-first-byte (TTFB) o TTFA misurati da un client, che includono il round-trip di rete e, nel caso del TTFA, il buffering di riproduzione. Per confrontare i provider, misura il TTFA per ciascuno dallo stesso client, nella stessa regione e con lo stesso tipo di voce.
Cosa rende la latenza più elevata rispetto ai valori pubblicati?
I valori di latenza pubblicati da ElevenLabs sono un punto di riferimento per confrontare i modelli, non una garanzia per ogni richiesta. La latenza lato server è superiore alla mediana pubblicata in presenza di:
- Input più lunghi.
- Clonazioni Vocali Professionali, rispetto alle Clonazioni Vocali Istantanee e alle voci predefinite.
- Carico elevato del server, quando le richieste vengono accodate prima dell’avvio della generazione.
Le richieste vengono instradate al cluster di fornitura più vicino e il round-trip verso di esso si aggiunge al TTFA, ma non ai valori pubblicati.
Comprendere la latenza spiega perché ciascuno di questi fattori è importante. Per misurare e ridurre la latenza nella tua applicazione, consulta Ottimizzazione della latenza.
Modelli senza un valore di latenza pubblicato
ElevenLabs non pubblica un valore di latenza per Eleven v4, Eleven v3, Eleven Multilingual v2, Scribe v2 o Scribe v2 Medical. Questi modelli sono progettati per la qualità anziché per l’uso in tempo reale. I valori di latenza dei modelli in tempo reale sopra indicati non si applicano a questi modelli.