API синтеза речи для телефонных звонков: тест 19 голосов по задержке, числам и цене (ноябрь 2026)

Результаты#

Что мы обнаружили#

1. Три голоса начинают говорить примерно через 0,2 секунды#

У Inworld TTS-2 Flash, ElevenLabs Flash v2.5 и Rime Mist v3 первое слышимое слово прозвучало через 0,18–0,24 с по медиане и менее чем через 0,3 с по 90-му процентилю, и ни один из них не начинал клипы с тишины. Новые голоса запускались примерно через четыре часа после первой партии, поэтому мы провели ещё один чередующийся раунд из всех пяти предложений для семи самых быстрых голосов вместе. Порядок внутри первой тройки изменился (Inworld TTS-2 Flash 0,19 с, Rime Mist v3 0,20 с, ElevenLabs Flash v2.5 0,25 с), а все остальные сохранили свои места: Inworld TTS-2 0,30 с, Cartesia 0,35 с, Google Chirp 3 HD 0,53 с и Gemini 3.8 Flash Lite 0,65 с. Считайте первую тройку равной по скорости и выбирайте по цене, голосу и возможностям.

2. Первый звук — это не то же самое, что первое слово#

Время до первого байта аудио — обычный показатель задержки, но несколько моделей начинают клип с тишины. Chirp 3 HD от Google отправил первое аудио за 0,21 с, как и лидеры, но каждый клип начинал примерно с 0,27 с тишины, поэтому звонящий слышит первое слово примерно через 0,53 с. Два голоса Gemini от Google и Deepgram Aura-2 тоже начинают примерно с 0,26 с тишины, Cartesia — примерно с 0,14 с, Kokoro — примерно с 0,43 с. Мы измерили эту тишину в каждом клипе (всё, что тише -40 дБ) и добавили её; это столбец «первая слышимая речь».

В голосовом агенте голос — последний из трёх последовательных шагов: модель распознавания речи решает, что звонящий закончил говорить, языковая модель начинает ответ, и голос начинает говорить. Каждая десятая доля секунды здесь — это десятая доля секунды тишины на линии.

3. Числа и адреса электронной почты в основном сохраняются на телефонной линии#

Мы ожидали, что именно на цифрах и адресах электронной почты дешёвые голоса и аудио 8 кГц дадут сбой. В основном этого не произошло. Каждая модель прочитала «415-867-5309» как номер телефона, который оба судьи записали верно, каждая модель прочитала «dana.kowalski@gmail.com» как адрес по буквам, и каждая модель передала «$249.99», «March 14th» и «3:15 PM» во всех трёх прогонах. Ни SSML, ни переписанный промпт никому не потребовались. Это хорошая новость для разработчиков, но и тест небольшой: один номер телефона, один адрес электронной почты и один почтовый адрес, на английском языке, с распространённым именем.

4. Два результата OpenAI, которые стоит проверить в собственных шаблонах#

tts-1 неверно прочитал номер дома. Во всех трёх прогонах оба судьи услышали «1428 Elm Street» как «Fort 128» или «128 Elm Street», и третий проход по аудио полного качества дал тот же результат. Причиной не была телефонная линия. Если вы используете tts-1 для адресов, записывайте номера домов словами или сначала проверьте своё форматирование.

gpt-4o-mini-tts пропустил предложение. Во фразе «I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?» аудио заканчивалось после адреса электронной почты во всех трёх прогонах. Оба судьи, а также собственная модель OpenAI gpt-transcribe на последних трёх секундах клипа услышали, как адрес электронной почты читается медленно, а затем ничего. Завершающий вопрос превращает повтор данных в подтверждение, поэтому такой пропуск заметен звонящему. gpt-4o-mini-tts — управляемая модель, принимающая инструкции по стилю; мы не отправляли никаких. Мы наблюдали это на одной фразе из пяти, три раза из трёх.

Прочие небольшие различия: Kokoro (3 из 3 прогонов), Inworld TTS-2 Flash и Rime Coda (по 1 из 3) сказали «your email is» там, где в тексте было «your email as», а один судья однажды услышал, как Deepgram Aura-2 сказал «their» вместо «your». Ни одно из этих отличий не меняет смысл.

5. Та же модель через реселлера может быть в десять раз медленнее#

Inworld TTS-2 через собственный API начал говорить за 0,28 с. Та же модель через DeepInfra потратила 2,64 с, поскольку эндпоинт DeepInfra, судя по всему, формирует весь клип целиком, прежде чем отправить хоть часть, при этом DeepInfra берёт $35 за 1M символов против $25 у самой Inworld. MiniMax и xAI, к которым мы получили доступ только через fal.ai, возвращают готовый файл, поэтому для них есть только время «всего предложения» (от 3,5 до 4,6 с с учётом очереди fal); в собственных API обе модели работают в потоковом режиме, но мы его не тестировали.

Цена за минуту: протестированные и непротестированные голоса#

Цены взяты со страниц самих вендоров и прочитаны 12 ноября 2026 года. Для цен за символ мы пересчитываем из расчёта около 740 символов на минуту речи — медианной скорости речи протестированных голосов (она варьировалась от 631 до 911 символов в минуту, поэтому быстрый голос при той же цене за символ стоит дороже за минуту аудио, чем медленный). Нативный телефонный формат означает, что API может сам вернуть 8 кГц mu-law (G.711), поэтому вам не нужно конвертировать аудио перед отправкой в звонок.

Если вы уходите с голоса, который скоро будет закрыт, см. альтернативы Hume AI и альтернативы PlayHT.

Стоит попробовать

ElevenLabs

Реалистичная ИИ-озвучка, дубляж и клонирование голоса на десятках языков. Есть бесплатный тариф.

Попробовать ElevenLabs

По одному слабому месту у каждого#

• Inworld TTS-2 Flash: нет управления голосом на естественном языке, которое Inworld оставляет за TTS-2 (документация по моделям). Stork получает комиссию за регистрации в Inworld, поэтому учитывайте это при оценке нашего энтузиазма; цифры измерены одинаково для каждого вендора.
• ElevenLabs Flash v2.5: самый дорогой из трёх самых быстрых голосов, по прайс-листу примерно втрое дороже Inworld TTS-2 Flash и вчетверо дороже Gemini 3.8 Flash Lite за минуту. Он также говорит быстрее большинства голосов, поэтому один и тот же текст занимает меньше минут, но каждая минута стоит дороже.
• Rime Mist v3: оплата за минуту аудио, при $0,030 это почти втрое дороже Inworld TTS-2 Flash.
• Inworld TTS-2: потратил 1,8 с на завершение предложения против 0,7 с у TTS-2 Flash, а через реселлера (DeepInfra) начинал говорить в десять раз медленнее.
• Smallest.ai Lightning v3.1 Pro: на шаг позади трёх самых быстрых голосов (0,30 с до первого слова) и примерно на 50% дороже за минуту, чем Inworld TTS-2 Flash ($0,017 против $0,011).
• Fish Audio S2.1 Pro: нет вывода mu-law, 0,68 с до первого слова и самый медленный из голосов, к которым мы обращались напрямую, по времени завершения предложения (5,3 с по медиане). Мы смогли протестировать только бесплатный тариф для разработчиков, так как на нашем аккаунте нет оплаченного кредита API; платный тариф может обрабатывать очередь иначе.
• Cartesia Sonic 3.6: тарифа с простой оплатой по факту использования нет; вы покупаете ежемесячный план, а превышение лимита по умолчанию отключено. Кроме того, каждый клип начинается примерно с 0,14 с тишины.
• Rime Coda: самый дорогой голос за минуту в нашем тесте ($0,050) и единственный, кроме tts-1, с ошибкой в именованной сущности (одна неверно написанная фамилия в трёх прогонах).
• ElevenLabs v4 Turbo: по цене равна Flash v2.5, но здесь медленнее по обоим показателям: 0,47 с до первого слова и 1,8 с до завершения предложения.
• Google Cloud Chirp 3 HD: около 0,27 с тишины в начале каждого клипа, а для потоковой передачи нужен потоковый API Google на основе gRPC, а не обычный REST-вызов.
• Gemini 3.8 Flash Lite TTS: примерно 0,26 с тишины в начале каждого клипа, цена удваивается 1 января 2027 года, а 8 кГц mu-law доступен только в более новом Interactions API от Google.
• Deepgram Aura-2: самый медленный из голосов, к которым мы обращались напрямую, по времени завершения предложения (4,3 с по медиане) и 0,72 с до первого слова.
• gpt-4o-mini-tts: пропустил завершающий вопрос одной из фраз во всех трёх прогонах, а в API нет вывода 8 кГц или mu-law.
• Gemini 3.8 Flash TTS: медленнее Flash Lite по всем измеренным здесь показателям (0,99 с до первого слова, 2,8 с на предложение) и на 50% дороже за минуту.
• Kokoro-82M: 0,43 с тишины перед каждым клипом, только готовые голоса, без клонирования, а на DeepInfra нет телефонного формата.
• tts-1: самый медленный по началу речи потоковый голос (1,25 с) и неверно прочитал номер дома в каждом прогоне.
• xAI TTS v1: через fal не работает в потоковом режиме, поэтому мы не смогли измерить время до первого аудио; в собственном API он передаёт аудио потоком по WebSocket.
• MiniMax Speech 2.8 Turbo: один из самых дорогих за минуту в нашем тесте ($0,038) и самый медленный файл через fal (4,6 с).

Как мы тестировали#

• Предложения: «Thanks for calling Riverside Dental, this is Ava. How can I help you today?»; «I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?»; «Our technician will come to 1428 Elm Street, Apartment 3B, Springfield, Oregon 97477.»; «Your total is $249.99, and your next appointment is Tuesday, March 14th at 3:15 PM.»; и одна инструкция из 215 символов о том, что взять с собой и как перенести визит. Простой текст, без SSML и подсказок по произношению, одинаковый для всех моделей.
• Запросы: одно предложение на запрос, 3 раунда, модели чередовались, чтобы замедление сети затрагивало все из них. Сначала для каждой модели выполнялся один незачётный прогревочный запрос, чтобы установка соединения не учитывалась. Потоковые эндпоинты читались по мере поступления данных; первый звук — это время от отправки запроса до первых аудиобайтов. Десять голосов были запущены в первой партии, семь (Cartesia, Deepgram, обе модели Rime, обе модели Inworld напрямую, Google Cloud) — примерно через четыре часа, и два (Smallest.ai, Fish Audio) — после них, всё 12 ноября 2026 года; затем семь самых быстрых были повторно запущены вместе в одном чередующемся раунде для перекрёстной проверки. К Google Cloud обращались через его потоковый API gRPC, к остальным — по HTTPS.
• Голоса и форматы: ElevenLabs «Adam», OpenAI «alloy», Google Gemini «Kore», Google Cloud «en-US-Chirp3-HD-Kore», Inworld «Ashley», Cartesia «Jacqueline», Deepgram «Thalia», Rime «astra», Smallest.ai «chelsea», Fish Audio — популярный английский голос сообщества «Sarah» с задержкой «low», Kokoro «af_bella», настройки fal по умолчанию для MiniMax и xAI. У каждого поставщика, где это поддерживается, запрашивался нативный формат 8 кГц mu-law (ElevenLabs, Inworld напрямую, Cartesia, Deepgram, Rime, Smallest.ai, Google Cloud); Fish Audio отдавал PCM 8 кГц, остальные — аудио 16–24 кГц.
• Телефонная линия: каждый клип пропускался через полосовой фильтр 300–3.400 Гц, передискретизировался до 8 кГц и кодировался в G.711 mu-law, затем декодировался; цепочка та же, что в нашем тесте телефонного аудио для распознавания речи. Это программная имитация телефонной линии, а не реальный канал оператора с потерей пакетов.
• Судьи: две модели распознавания речи от поставщиков, у которых нет голоса в этом тесте, — Whisper large-v3 и Cohere Transcribe (обе через fal), — расшифровали все 285 клипов, прошедших через телефонную линию. Для оценки используется английский нормализатор Whisper от OpenAI, при этом каждая цифра считается отдельным словом, поэтому «415-867-5309» и «four one five...» оцениваются одинаково; адреса электронной почты сравниваются в произнесённом по буквам виде. Сущность считается ошибочной, только если её не распознали оба судьи, поэтому ошибка одного судьи не засчитывается голосу. Две описанные выше проблемы OpenAI были перепроверены третьей расшифровкой: Whisper large-v3 на аудио tts-1 в полном качестве и gpt-transcribe от OpenAI на последних секундах клипа gpt-4o-mini-tts.
• Начальная тишина: измерялась в каждом клипе как время до первого звука громче -40 дБ.
• Цены: с собственной страницы каждого поставщика на 12 ноября 2026 года, ссылки указаны в таблице. Цена за минуту для протестированных голосов = прайс-цена за символы (для Gemini — за аудиотокены, о которых сообщил Google; для Rime — за минуты), делённая на количество возвращённых минут аудио. Цена Cartesia рассчитана по тарифу Startup ($49 за 1,25M символов). OpenAI не возвращает количество аудиотокенов при потоковом запросе, поэтому для gpt-4o-mini-tts используется собственная оценка OpenAI — $0,015 за минуту.
• Стоимость этого теста: около $1,70 за вызовы API по прайс-цене (учитывалось по каждому вызову; доля Google Cloud настолько мала, что укладывается в его ежемесячный бесплатный лимит, а расходы Deepgram покрыты предоплаченными кредитами), плюс несколько сотен кредитов плана ElevenLabs. Тестовый комплект находится в репозитории Stork по пути scripts/bench/tts_phone_bench.py, а исходное аудио и расшифровки сохранены, чтобы каждое число можно было проверить.

О чём этот тест не говорит#

• Как звучат голоса. Мы не оценивали естественность, теплоту или акцент. Прежде чем выбирать голос, прослушайте тот, который планируете использовать, на реальном телефоне.
• Ваше расположение и ваша сеть. Один клиент в Калифорнии. Абсолютные значения задержки зависят от расположения ваших серверов; сравнивайте модели внутри этой таблицы.
• Потоковая передача через WebSocket. Мы использовали HTTP-эндпоинт потоковой передачи каждого поставщика (gRPC для Google Cloud). Голосовые агенты часто передают текст по WebSocket по мере того, как его пишет языковая модель, что может ускорить начало звука.
• Размер выборки. 5 предложений, 3 раунда, один голос на модель, только английский язык. Разницу менее примерно 0,05 с между самыми быстрыми голосами можно считать вариацией между прогонами. Модель, правильно прочитавшая наш единственный адрес электронной почты, всё равно может ошибиться в вашем.
• Непротестированные поставщики. Azure, Amazon Polly, Murf, Speechify и Flux TTS от Deepgram не тестировались, потому что у нас нет ключей или мы не включили модель в этот раунд, а Drama 3 от Fish Audio — потому что на нашем аккаунте нет оплаченных API-кредитов. Отсутствие модели в тесте не означает, что она хуже.