Gradium AI发布新默认TTS模型：硬场景通过率81.0%，首音延迟216ms

新模型即刻上线，零迁移切换

Gradium AI已于2026年8月31日正式将新一代文本转语音（TTS）模型设为其API服务与Studio平台的默认模型。此次更新为无缝切换——现有用户无需任何代码修改或配置迁移，所有既有语音（包括定制克隆音色）均保持完全兼容、行为不变。

硬场景通过率：81.0%，聚焦真实通话痛点

模型性能验证聚焦语音代理（voice agent）最易失效的关键环节：订单号、回拨号码、需手写记录的邮箱地址等。Gradium构建了包含500句的多语言硬场景评测集，覆盖英语、德语、法语、西班牙语和葡萄牙语五种语言，每种语言100句，按10类标准细分：拼写、缩略词、字母数字组合、日期、常规数字、大数与浮点数、邮箱地址，以及三大复合场景（订单处理、IT工单、理赔流程）。评测采用严格人工评估：由母语者独立听取音频，仅当所有元素（如每个数字、字母、符号）均被准确、完整发音时，该句才计为通过；漏读任一字符即判失败。音频经响度归一化与顺序随机化处理，每位评分员限评40组并强制休息。最终加权平均结果显示：Gradium TTS通过率为81.0%，Cartesia Sonic 3.6为75.1%，ElevenLabs v3 Conversational为65.4%，Fish Audio S2.1 Pro为49.5%，Inworld TTS 1.5 Max为46.5%。全部结果基于2026年8月使用各厂商默认参数生成。

首音延迟与稳定性：216ms P50，IQR仅30ms

在Coval TTS基准测试中，Gradium新模型P50首音延迟为216ms，较前代模型提速170ms。更关键的是其响应一致性：在480次运行中，p25至p75四分位距（IQR）仅为30ms，为参测五款模型中最窄。相较之下，Cartesia Sonic 3.6中位延迟达454ms，IQR为165ms（占中位数36%），用户实际体验更易受长尾延迟影响。尽管Inworld TTS 2以166ms中位延迟略快，但其硬场景通过率极低（46.5%）；Gradium的核心主张是：在首音延迟低于250ms的前提下，同时实现最低的硬场景失败率与最小的延迟波动。

开箱即用与开放验证

新模型支持直接调用：现有用户无须操作；新团队只需安装Python SDK，连接WebSocket TTS端点，并复用原有语音ID即可。Gradium同步开源了全部500句评测集至Hugging Face，采用CC BY 4.0协议，供社区复现与比对。此外，公司面向开发者发起激励计划：在Discord提交完整硬场景失败案例，可获100万积分奖励。

编者观点

该发布凸显语音AI落地中“准确率”与“实时性”的协同优化正成为商业级TTS的核心竞争维度；对中国企业而言，构建贴近真实业务场景（如金融、客服、政务）的细粒度评测体系，并坚持开源验证，或是突破同质化竞争、建立技术公信力的关键路径。