Jak mierzymy opóźnienia ElevenLabs
Co mierzą opublikowane wartości opóźnień dla Eleven v4 Turbo, Eleven v3 Conversational, Eleven Flash i Scribe v2 Realtime oraz w jakich warunkach.
Wartości opóźnień na stronie modeli to mediany czasu odpowiedzi ElevenLabs na żądanie, mierzone na ruchu produkcyjnym. Nie obejmują transmisji sieciowej w obie strony ani czasu, który twoja aplikacja spędza przed i po żądaniu, więc opóźnienie odczuwane przez użytkowników jest zawsze większe.
Opublikowane wartości opóźnień modeli ElevenLabs
Każda wartość to mediana (p50). Wartości dla zamiany tekstu na mowę są mierzone na żądaniach streamingu WebSocket z rozgrzanymi głosami: rozgrzany głos to głos, który został już użyty do generowania.
Mediany zmieniają się w ciągu dnia wraz z ruchem i są najwyższe w godzinach szczytu. Dane na tej stronie zaktualizowano ostatnio 29 października 2026 r.
Co mierzą wartości opóźnień zamiany tekstu na mowę?
Wartości dla zamiany tekstu na mowę to opóźnienie po stronie serwera: czas kompleksowy od otrzymania żądania przez ElevenLabs do wysłania pierwszego audio. Opóźnienie po stronie serwera nie obejmuje:
- Transmisji sieciowej w obie strony między twoją aplikacją a ElevenLabs.
- Etapów wcześniejszych w twojej aplikacji, takich jak oczekiwanie na odpowiedź LLM.
- Buforowania przez odtwarzacz audio przed rozpoczęciem odtwarzania.
Opóźnienie odczuwane przez użytkowników to czas do pierwszego audio (TTFA), który dodaje te etapy do opóźnienia po stronie serwera. Zrozumienie opóźnień opisuje każdy etap.
Co mierzy wartość opóźnienia Scribe v2 Realtime?
Wartość ~150 ms dla Scribe v2 Realtime to medianowy czas do zatwierdzonej transkrypcji, na podstawie metryk produkcyjnych. Transkrypcja w czasie rzeczywistym zwraca dwa rodzaje wyników: częściowe transkrypcje w trakcie wypowiedzi oraz zatwierdzoną transkrypcję po zakończeniu segmentu. Zobacz zamianę mowy na tekst w czasie rzeczywistym, aby dowiedzieć się, jak działa zatwierdzanie.
Czy wartości opóźnień ElevenLabs można porównywać z innymi dostawcami?
Tylko gdy obie wartości mierzą to samo. Wartości ElevenLabs dla zamiany tekstu na mowę to opóźnienie po stronie serwera. Nie można ich porównywać z wartościami czasu do pierwszego bajtu (TTFB) ani TTFA mierzonymi po stronie klienta, które obejmują transmisję sieciową w obie strony, a w przypadku TTFA także buforowanie odtwarzania. Aby porównać dostawców, zmierz TTFA dla każdego z tego samego klienta, regionu i typu głosu.
Co zwiększa opóźnienie względem opublikowanych wartości?
Opublikowane wartości opóźnień ElevenLabs są punktem odniesienia do porównywania modeli, a nie gwarancją dla każdego żądania. Opóźnienie po stronie serwera jest wyższe od opublikowanej mediany przy:
- Dłuższych danych wejściowych.
- Professional Voice Clones w porównaniu z Instant Voice Clones i głosami domyślnymi.
- Wysokim obciążeniu serwera, gdy żądania czekają w kolejce przed rozpoczęciem generowania.
Żądania są kierowane do najbliższego klastra obsługującego, a transmisja do niego w obie strony zwiększa TTFA, lecz nie wpływa na opublikowane wartości.
Zrozumienie opóźnień wyjaśnia, dlaczego każdy z tych czynników ma znaczenie. Aby mierzyć i zmniejszać opóźnienia we własnej aplikacji, zobacz Optymalizację opóźnień.
Modele bez opublikowanej wartości opóźnienia
ElevenLabs nie publikuje wartości opóźnień dla Eleven v4, Eleven v3, Eleven Multilingual v2, Scribe v2 ani Scribe v2 Medical. Modele te zaprojektowano z myślą o jakości, a nie zastosowaniach w czasie rzeczywistym. Wartości opóźnień dla powyższych modeli czasu rzeczywistego ich nie dotyczą.