Como as métricas de latência da ElevenLabs são medidas
O que medem as métricas de latência publicadas para Eleven v4 Turbo, Eleven v3 Conversational, Eleven Flash e Scribe v2 Realtime, e as condições por trás delas.
As métricas de latência na página de modelos são medianas do tempo que a ElevenLabs leva para responder a uma solicitação, medidas no tráfego de produção. Elas excluem as idas e vindas da rede e o tempo que seu aplicativo leva antes e depois da solicitação, portanto a latência percebida pelos seus usuários é sempre maior.
Métricas de latência publicadas para os modelos da ElevenLabs
Cada métrica é uma mediana (p50). As métricas de conversão de texto em voz são medidas em solicitações de streaming via WebSocket com vozes aquecidas: uma voz aquecida é aquela que já foi usada para uma geração.
As medianas variam ao longo do dia conforme o tráfego e são mais altas nos horários de pico. As métricas desta página foram atualizadas pela última vez em 29 de outubro de 2026.
O que medem as métricas de latência de conversão de texto em voz?
As métricas de conversão de texto em voz são de latência no servidor: o tempo de ponta a ponta desde o recebimento de uma solicitação pela ElevenLabs até o envio do primeiro áudio de volta. A latência no servidor não inclui:
- A ida e volta da rede entre seu aplicativo e a ElevenLabs.
- Etapas anteriores no seu aplicativo, como aguardar uma resposta de LLM.
- O buffer do player de áudio antes do início da reprodução.
A latência percebida pelos seus usuários é o tempo até o primeiro áudio (TTFA), que adiciona essas etapas à latência no servidor. Entenda a latência descreve cada etapa.
O que mede a métrica de latência do Scribe v2 Realtime?
A métrica de ~150 ms para o Scribe v2 Realtime é a mediana do tempo até a transcrição confirmada, obtida de métricas de produção. A transcrição em tempo real retorna dois tipos de resultado: transcrições parciais enquanto um segmento de fala está em andamento e uma transcrição confirmada quando o segmento é finalizado. Consulte Speech to Text em tempo real para entender como funciona a confirmação.
As métricas de latência da ElevenLabs podem ser comparadas às de outros provedores?
Somente quando ambas as métricas medem a mesma coisa. As métricas de conversão de texto em voz da ElevenLabs são de latência no servidor. Elas não são comparáveis com métricas de tempo até o primeiro byte (TTFB) ou TTFA medidas por um cliente, que incluem a ida e volta da rede e, no caso do TTFA, o buffer de reprodução. Para comparar provedores, meça o TTFA de cada um usando o mesmo cliente, região e tipo de voz.
O que torna a latência maior que as métricas publicadas?
As métricas de latência publicadas pela ElevenLabs são um ponto de referência para comparar modelos, não uma garantia para todas as solicitações. A latência no servidor é maior que a mediana publicada com:
- Entradas mais longas.
- Clones de Voz Profissionais, em comparação com Clones de Voz Instantâneos e vozes padrão.
- Alta carga do servidor, quando as solicitações ficam na fila antes do início da geração.
As solicitações são direcionadas ao cluster de serviço mais próximo, e a ida e volta até ele aumenta o TTFA, mas não as métricas publicadas.
Entenda a latência explica por que cada um desses fatores é importante. Para medir e reduzir a latência no seu próprio aplicativo, consulte Otimização de latência.
Modelos sem métrica de latência publicada
A ElevenLabs não publica uma métrica de latência para Eleven v4, Eleven v3, Eleven Multilingual v2, Scribe v3, Scribe v2 ou Scribe v2 Medical. Esses modelos são projetados para qualidade, e não para uso em tempo real. As métricas de latência dos modelos em tempo real acima não se aplicam a eles.
A ElevenLabs ainda não publicou uma métrica de latência para o Scribe v3 Live. A métrica do Scribe v2 Realtime acima não se aplica a ele.