ElevenLabsのレイテンシー数値の測定方法

モデルページのレイテンシー数値は、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。ネットワーク往復時間およびリクエスト前後にアプリケーションが費やす時間は含まれないため、ユーザーが体験するレイテンシーは常にこれより大きくなります。

ElevenLabsモデルの公開レイテンシー数値

すべての数値は中央値（p50）です。テキスト読み上げの数値は、ウォーム状態の音声でのWebSocketストリーミングリクエストを測定しています。ウォーム状態の音声とは、すでに生成に使用された音声です。

中央値はトラフィック量によって日中を通して変動し、ピーク時に最も高くなります。このページの数値は、2026年10月29日に最終更新されました。

テキスト読み上げのレイテンシー数値は何を測定しているか？

テキスト読み上げの数値はサーバー側レイテンシーです。ElevenLabsがリクエストを受信してから最初のオーディオを返すまでのエンドツーエンドの時間を表します。サーバー側レイテンシーには、次の内容は含まれません。

• アプリケーションとElevenLabs間のネットワーク往復時間。
• LLMレスポンスの待機など、アプリケーション内の上流ステップ。
• 再生開始前のオーディオプレーヤーのバッファリング。

ユーザーが体験するレイテンシーは最初のオーディオまでの時間（TTFA） であり、これらの段階をサーバー側レイテンシーに加えたものです。レイテンシーを理解するで各段階を説明しています。

Scribe v2 Realtimeのレイテンシー数値は何を測定しているか？

Scribe v2 Realtimeの~150msという数値は、本番メトリクスから取得した確定済み文字起こし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文字起こしと、セグメントが確定した後に返される確定済み文字起こしの2種類の結果を返します。確定の仕組みについては、リアルタイムスピーチtoテキストを参照してください。

ElevenLabsのレイテンシー数値は他のプロバイダーと比較できるか？

両方の数値が同じものを測定している場合に限られます。ElevenLabsのテキスト読み上げ数値はサーバー側レイテンシーです。ネットワーク往復時間を含むクライアント側測定の最初のバイトまでの時間（TTFB）や、さらに再生バッファリングも含むTTFAとは比較できません。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、音声タイプでそれぞれのTTFAを測定してください。

公開数値よりレイテンシーが高くなる要因

公開されているElevenLabsのレイテンシー数値は、モデル比較のための基準点であり、すべてのリクエストを保証するものではありません。次の場合、サーバー側レイテンシーは公開中央値より高くなります。

• 長い入力。
• インスタントボイスクローンおよびデフォルト音声と比べた、プロフェッショナルボイスクローン。
• 生成開始前にリクエストがキューに入る、高いサーバー負荷。

リクエストは最寄りの提供クラスターにルーティングされ、その往復時間はTTFAには加算されますが、公開数値には含まれません。

レイテンシーを理解するでは、これらの要因が重要な理由を説明しています。自身のアプリケーションでレイテンシーを測定・削減するには、レイテンシーの最適化を参照してください。

公開レイテンシー数値がないモデル

ElevenLabsは、Eleven v4、Eleven v3、Eleven Multilingual v2、Scribe v2、Scribe v2 Medicalのレイテンシー数値を公開していません。これらのモデルはリアルタイム用途よりも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数値は、これらには適用されません。

関連