Så mäts ElevenLabs fördröjningssiffror
Vad de publicerade fördröjningssiffrorna för Eleven v4 Turbo, Eleven v3 Conversational, Eleven Flash och Scribe v2 Realtime mäter, och förutsättningarna bakom dem.
Fördröjningssiffrorna på modellsidan är medianvärden för tiden det tar för ElevenLabs att svara på en begäran, mätt på produktionstrafik. De exkluderar nätverkets tur- och returresor samt tiden som din applikation använder före och efter begäran, så fördröjningen som dina användare upplever är alltid högre.
Publicerade fördröjningssiffror för ElevenLabs-modeller
Varje siffra är ett medianvärde (p50). Siffrorna för Text to Speech mäts på WebSocket-streamingbegäranden med varma röster: en varm röst är en röst som redan har använts för en generering.
Medianvärden varierar under dagen med trafiken och är högst under rusningstid. Siffrorna på den här sidan uppdaterades senast den 29 oktober 2026.
Vad mäter fördröjningssiffrorna för Text to Speech?
Siffrorna för Text to Speech är fördröjning på serversidan: tiden från början till slut från att ElevenLabs tar emot en begäran tills det skickar tillbaka det första ljudet. Fördröjning på serversidan omfattar inte:
- Nätverkets tur- och returresa mellan din applikation och ElevenLabs.
- Uppströmssteg i din applikation, som att vänta på ett LLM-svar.
- Ljudspelarens buffring innan uppspelningen startar.
Fördröjningen som dina användare upplever är tid till första ljud (TTFA), som lägger till dessa steg till fördröjningen på serversidan. Förstå fördröjning beskriver varje steg.
Vad mäter fördröjningssiffran för Scribe v2 Realtime?
Siffran på ~150ms för Scribe v2 Realtime är medianvärdet för tid till fastställt transkript, hämtat från produktionsmätvärden. Realtidstranskribering returnerar två typer av resultat: partiella transkript medan ett talsegment pågår och ett fastställt transkript när segmentet är slutgiltigt. Se Tal till text i realtid för hur fastställandet fungerar.
Kan ElevenLabs fördröjningssiffror jämföras med andra leverantörer?
Endast när båda siffrorna mäter samma sak. ElevenLabs siffror för Text to Speech är fördröjning på serversidan. De kan inte jämföras med siffror för tid till första byte (TTFB) eller TTFA som mäts från en klient, eftersom de inkluderar nätverkets tur- och returresa och, för TTFA, uppspelningsbuffring. För att jämföra leverantörer bör du mäta TTFA för var och en från samma klient, region och rösttyp.
Vad gör fördröjningen högre än de publicerade siffrorna?
De publicerade fördröjningssiffrorna från ElevenLabs är en referenspunkt för att jämföra modeller, inte en garanti för varje begäran. Fördröjningen på serversidan är högre än den publicerade medianen vid:
- Längre indata.
- Professional Voice Clones, jämfört med Instant Voice Clones och standardröster.
- Hög serverbelastning, när begäranden köas innan genereringen börjar.
Begäranden dirigeras till närmaste serverkluster, och tur- och returresan dit bidrar till TTFA men inte till de publicerade siffrorna.
Förstå fördröjning förklarar varför var och en av dessa faktorer spelar roll. För att mäta och minska fördröjningen i din egen applikation, se Fördröjningsoptimering.
Modeller utan en publicerad fördröjningssiffra
ElevenLabs publicerar ingen fördröjningssiffra för Eleven v4, Eleven v3, Eleven Multilingual v2, Scribe v3, Scribe v2 eller Scribe v2 Medical. Dessa modeller är utformade för kvalitet snarare än användning i realtid. Fördröjningssiffrorna för realtidsmodellerna ovan gäller inte för dem.
ElevenLabs har ännu inte publicerat en fördröjningssiffra för Scribe v3 Live. Siffran ovan för Scribe v2 Realtime gäller inte för den.