ElevenLabs 延迟数据的测量方式
了解公开的 Eleven v4 Turbo、Eleven v3 Conversational、Eleven Flash 和 Scribe v2 Realtime 延迟数据衡量的内容及其测量条件。
模型页面上的延迟数据，是 ElevenLabs 响应请求所需时间的中位数，基于生产流量测得。其中不包括网络往返时间，以及应用在请求前后花费的时间，因此用户实际体验到的延迟始终更高。
ElevenLabs 模型公开的延迟数据
所有数据均为中位数（p50）。文本转语音数据基于使用预热音色的 WebSocket 流式请求测量：预热音色指已用于过一次生成的音色。
中位数会随全天流量而变化，在高峰时段最高。本页面数据最后更新于 2026 年 10 月 29 日。
文本转语音延迟数据衡量什么？
文本转语音数据指服务器端延迟：从 ElevenLabs 收到请求到发送第一段音频的端到端时间。服务器端延迟不包括：
- 应用与 ElevenLabs 之间的网络往返。
- 应用中的上游步骤，例如等待 LLM 回复。
- 播放开始前的音频播放器缓冲。
用户体验到的延迟是首次音频时间（TTFA），它会在服务器端延迟基础上加上这些阶段。了解延迟介绍了每个阶段。
Scribe v2 Realtime 延迟数据衡量什么？
Scribe v2 Realtime 的 ~150ms 数据是生产指标中的已确认转写文本时间中位数。实时转写会返回两类结果：语音片段进行中返回的部分转写文本，以及片段结束后返回的已确认转写文本。有关确认机制，请参阅实时语音转文本。
ElevenLabs 延迟数据能否与其他提供商比较？
只有在两项数据衡量相同内容时才可以。ElevenLabs 的文本转语音数据是服务器端延迟，不能与从客户端测量的首字节时间（TTFB）或 TTFA 数据进行比较，因为后两者包含网络往返，而 TTFA 还包含播放缓冲。若要比较提供商，请从相同的客户端、地区和音色类型测量各自的 TTFA。
哪些因素会使延迟高于公开数据？
公开的 ElevenLabs 延迟数据是比较模型的参考点，并非每次请求的保证。以下情况的服务器端延迟会高于公开中位数：
- 输入更长。
- 与即时语音克隆和默认音色相比，使用专业语音克隆。
- 服务器负载较高，导致请求在生成开始前排队。
请求会路由至最近的服务集群，往返时间会增加 TTFA，但不计入公开数据。
了解延迟解释了这些因素的重要性。若要测量并降低自身应用的延迟，请参阅延迟优化。
未公开延迟数据的模型
ElevenLabs 未公开 Eleven v4、Eleven v3、Eleven Multilingual v2、Scribe v2 或 Scribe v2 Medical 的延迟数据。这些模型以质量为设计重点，而非实时使用。上述实时模型的延迟数据不适用于它们。