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 viagens de ida e volta pela rede e o tempo que sua aplicação leva antes e depois da solicitação, portanto a latência que seus usuários percebem é sempre maior.
Métricas de latência publicadas para os modelos da ElevenLabs
Todas as métricas são medianas (p50). As métricas de Text to Speech são medidas em solicitações de streaming WebSocket com vozes quentes: uma voz quente é aquela que já foi usada em 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 Text to Speech?
As métricas de Text to Speech correspondem à latência do lado do 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 do lado do servidor não inclui:
- A viagem de ida e volta pela rede entre sua aplicação e a ElevenLabs.
- Etapas anteriores na sua aplicação, como esperar uma resposta de LLM.
- O buffering do player de áudio antes do início da reprodução.
A latência que seus usuários percebem é o tempo até o primeiro áudio (TTFA), que adiciona essas etapas à latência do lado do servidor. Entendendo 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 saber 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 Text to Speech da ElevenLabs são de latência do lado do servidor. Elas não são comparáveis a métricas de tempo até o primeiro byte (TTFB) ou TTFA medidas por um cliente, que incluem a viagem de ida e volta pela rede e, no caso do TTFA, o buffering de reprodução. Para comparar provedores, meça o TTFA de cada um usando o mesmo cliente, região e tipo de voz.
O que faz a latência ser maior do 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 do lado do servidor é maior do que a mediana publicada nos seguintes casos:
- Entradas mais longas.
- Clonar Voz com IA Profissional, em comparação com Clonar Voz com IA Instantâneo e vozes padrão.
- Alta carga no servidor, quando as solicitações entram na fila antes do início da geração.
As solicitações são roteadas para o cluster de atendimento mais próximo, e a viagem de ida e volta até ele é adicionada ao TTFA, mas não às métricas publicadas.
Entendendo a latência explica por que cada um desses fatores é importante. Para medir e reduzir a latência na sua própria aplicação, 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 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.