ElevenLabsのレイテンシー値の測定方法
Eleven v4 Turbo、Eleven v3 Conversational、Eleven Flash、Scribe v2 Realtimeで公開されているレイテンシー値の測定対象と測定条件について説明します。
モデルページに掲載されているレイテンシー値は、本番トラフィックで測定した、ElevenLabsがリクエストに応答するまでの時間の中央値です。ネットワークの往復時間や、アプリケーションがリクエストの前後に費やす時間は含まれないため、ユーザーが実際に体感するレイテンシーは必ずこれより長くなります。
ElevenLabsモデルで公開されているレイテンシー値
すべての値は中央値(p50)です。テキスト読み上げの値は、ウォーム状態の音声を使用したWebSocketストリーミングリクエストで測定しています。ウォーム状態の音声 とは、すでに生成に使用されたことのある音声です。
中央値はトラフィック量に応じて1日の中でも変動し、ピーク時間帯に最も高くなります。このページの値は2026年10月29日に更新されました。
テキスト読み上げのレイテンシー値は何を測定していますか?
テキスト読み上げの値は、サーバー側レイテンシー、つまりElevenLabsがリクエストを受信してから最初の音声を返すまでのエンドツーエンドの時間です。サーバー側レイテンシーには、次の時間は含まれません。
- アプリケーションとElevenLabs間のネットワーク往復時間。
- LLMの応答待ちなど、アプリケーション内の前処理。
- 再生開始前のオーディオプレーヤーのバッファリング。
ユーザーが体感するレイテンシーは、これらの段階をサーバー側レイテンシーに加えた最初の音声が届くまでの時間(TTFA) です。レイテンシーについてでは、各段階について説明しています。
Scribe v2 Realtimeのレイテンシー値は何を測定していますか?
Scribe v2 Realtimeの約150msという値は、本番環境のメトリクスから取得した文字起こし確定までの時間の中央値です。リアルタイム文字起こしは、発話セグメントの進行中に返される部分的な文字起こしと、セグメント確定後に返される確定済みの文字起こしの2種類の結果を返します。確定処理の仕組みについては、リアルタイムのスピーチtoテキストをご覧ください。
ElevenLabsのレイテンシー値を他社と比較できますか?
両者が同じ対象を測定している場合に限り比較できます。ElevenLabsのテキスト読み上げの値は、サーバー側レイテンシーです。クライアント側で測定された最初のバイトが届くまでの時間(TTFB)やTTFAとは比較できません。これらにはネットワークの往復時間が含まれ、TTFAには再生時のバッファリングも含まれるためです。プロバイダーを比較するには、同じクライアント、リージョン、音声タイプを使用して、それぞれのTTFAを測定してください。
レイテンシーが公開値より高くなる原因は?
ElevenLabsが公開しているレイテンシー値は、モデルを比較するための基準であり、すべてのリクエストに対する保証値ではありません。次の場合、サーバー側レイテンシーは公開されている中央値より高くなります。
- 入力が長い場合。
- インスタントボイスクローンやデフォルト音声と比べ、プロフェッショナルボイスクローンを使用する場合。
- サーバー負荷が高く、生成開始前にリクエストが待機キューに入る場合。
リクエストは最も近い処理クラスターにルーティングされます。クラスターとの往復時間はTTFAには加算されますが、公開値には含まれません。
レイテンシーについてでは、これらの各要因が重要な理由を説明しています。アプリケーションのレイテンシーを測定して短縮する方法については、レイテンシーの最適化をご覧ください。
レイテンシー値が公開されていないモデル
ElevenLabsは、Eleven v4、Eleven v3、Eleven Multilingual v2、Scribe v3、Scribe v2、Scribe v2 Medicalのレイテンシー値を公開していません。これらのモデルはリアルタイム処理ではなく品質を重視して設計されています。上記のリアルタイムモデルのレイテンシー値は、これらのモデルには適用されません。
ElevenLabsは、Scribe v3 Liveのレイテンシー値をまだ公開していません。上記のScribe v2 Realtimeの値は適用されません。