Gradium AI Releases New Default TTS Model: 81.0% Hard-Case Pass Rate at 216 ms Time-to-First-Audio

发生了什么

Gradium AI 于 2026 年 8 月 31 日将其新一代文本转语音模型切换为 API 与 Studio 的默认引擎，原有用户无需迁移代码即可直接获得升级，自定义克隆音色仍可继续调用。围绕这次上线，公司同步披露了一份面向"困难句"的对比评测，测试集中包含 500 个专门为难读场景设计的样本，覆盖五种语言及十项评测标准，结果显示新模型的人工通过率为 81.0%，高于同批次的 Cartesia Sonic 3.6（75.1%）、ElevenLabs v3 Conversational（65.4%）、Fish Audio S2.1 Pro（49.5%）与 Inworld TTS 1.5 Max（46.5%）。

在延迟层面，新模型在 Coval 文本转语音基准上的 P50 首音延迟为 216 毫秒，比被其替换的旧模型快 170 毫秒，同时在 480 次运行中的 P75 至 P25 四分位距为 30 毫秒，是五款受测模型中最窄的，反映出稳定性方面的提升。同基准下 Fish Audio S2.1 Pro 的首音延迟为 291 毫秒，ElevenLabs v3 Conversational 为 329 毫秒，而 Inworld TTS 2 录得 166 毫秒。功能层面，新模型可直接朗读电话号码、邮箱、IBAN 及参考编号，无需调用方再做文本预处理，便于接入客服与票务等场景。

为支持后续改进，Gradium AI 将评测集以 CC BY 4.0 协议发布到 Hugging Face，共 100 个项目，每种语言各 10 个，覆盖拼写、缩略语、字母数字混合、日期、普通数字、大数和浮点数七项原子标准，以及 Orders、IT Ticket、Claims 三项由若干原子标准组合而成的复合标准。所有样本的评分由独立母语者人工完成，且音频经过响度归一化、呈现顺序随机化，每位评分者单次最多完成 40 次比较并被强制安排休息；同一元素只要发音不完整或错误，即判定该句失败。

公司还在其 Discord 频道投入了 100 万积分，专门奖励完整提交的困难用例失败报告，借此扩大真实场景下的反馈来源。文章作者为 Michal Sutter，由 MarkTechPost 于 2026 年 9 月 1 日 03:39:05 UTC 发布。需要说明的是，所有受测模型的输出均以默认参数运行于 2026 年 8 月，评测基准由厂商自行完成，且文章尚未披露新模型的具体名称或被替换模型的延迟数值。

时间线与证据

2026 年 8 月，Gradium AI 在同一窗口内完成了五款受测模型的对比样本生成，输出均按各自默认参数运行，避免了人工调参带来的偏差，为评测公平性提供了基础。随后的 8 月 31 日，新一代文本转语音模型在 API 与 Studio 端被设为默认，老用户无需迁移即可获得升级，自定义克隆音色继续可用。在 Coval 文本转语音基准上，新模型录得 216 毫秒的 P50 首音延迟和 30 毫秒的四分位距，相关数据来自 480 次运行，覆盖延迟与稳定性两个维度。

9 月 1 日 03:39:05 UTC，Michal Sutter 在 MarkTechPost 发布本文，把上述结果以及困难句评测集中 500 句样本所对应的全部音频一并公开。困难句评测集随后以 CC BY 4.0 协议同步开源到 Hugging Face，包含 100 个项目，每种语言各 10 个，使外部研究者可以复现五款模型的对比结果。评测集中，七项原子标准与三项复合标准的细目、响度归一化与顺序随机化的处理流程，以及独立母语者人工评分的具体规则，均随文章一并披露，作为支持 81.0% 通过率的证据链条。

Gradium AI 还在 Discord 频道配套投放了 100 万积分，用于奖励完整提交的困难用例失败报告，使评测证据从一次性发布扩展为持续收集。需要留意的是，材料未披露新模型的具体名称或被替换模型的延迟绝对值，也未说明 500 句样本的具体抽样方式与积分兑换细节，五语种下逐项标准的细分通过率同样未给出。

具体变化

此次默认模型替换在调用方式上保持了向后兼容，老用户继续走原 API 入口与 Studio 界面即可获得新模型，不需要迁移代码或重建工程链路。原有通过 Studio 创建的自定义克隆音色并未被弃用，仍可在新模型上沿用，最大限度降低既有项目集成的改造成本。

在能力层面，新模型被描述为可直接读取电话号码、电子邮箱、IBAN 账号以及业务侧常见的参考编号，省去了调用方自行书写文本规范化脚本的环节，对客服与票务类长尾文本尤其友好。围绕这一特性，评测集中专门设置了 Orders、IT Ticket、Claims 三项复合标准，分别模拟真实客服回合中多字段夹杂的口播场景，对应底层七项原子标准（拼写、缩略语、字母数字混合、日期、普通数字、大数、浮点数）的组合输出。

延迟层面，新模型在 Coval 文本转语音基准上的 P50 首音延迟为 216 毫秒，较被其替换的旧模型快 170 毫秒；在 480 次连续运行中，P75 至 P25 的四分位距仅 30 毫秒，是五款受测引擎中最窄的，反映出在抖动控制上的同步改进。配合响度归一化、播放顺序随机化与强制休息规则的人工评分流程，使听感一致性在评测中具备可比基础。

为把内部评测转化为持续输入，Gradium AI 把困难句评测集以 CC BY 4.0 协议发布到 Hugging Face，共 100 个项目、五种语言各 10 个，便于外部研究者复用同一基准。与此同时，公司在其 Discord 频道投放 100 万积分，用于奖励完整提交的困难用例失败报告，使反馈来源从一次性的厂商自评扩展到长期社区贡献。

对使用者的影响

对真实业务线而言，216 毫秒的 P50 首音延迟加上 30 毫秒的四分位距，意味着语音流开头的卡顿感更可控，配合直接朗读电话、邮箱、IBAN 与参考编号的能力，客服、票务、保险理赔等需要把结构化字段塞进口播的场景，少了一道文本预处理脚本，对前端接入来说是一个显著的负担减轻。评测集已以 CC BY 4.0 协议在 Hugging Face 开源，共 100 个项目、五种语言各 10 个，企业或独立开发者可借此验证自身业务话术与新模型的契合度，不必从零搭建困难句库。

社区一侧，Gradium 在 Discord 频道发放的 100 万积分把使用者的角色从单纯调用者扩展为评测贡献者，遇到真实场景下的发音失败并按要求完整提交，即可获得积分回报。需要注意的是，文章未说明这些积分的金额、有效期及兑换方式，也未披露新模型的具体名称或被替换模型的延迟绝对值，加之评测由厂商自行完成，外部使用者在将 81.0% 这一数字迁移到自身业务时，仍需结合自有话术做抽样核验。

限制与未知

材料对评测过程给出了较为细的描述，但仍存在若干尚未披露的细节。评测基准由 Gradium 自行运行并已注明这一前提，五款受测模型均以默认参数生成，输出时间集中在 2026 年 8 月，但 Cartesia Sonic 3.6 与 ElevenLabs v3 Conversational 是否沿用同一评分流程，ElevenLabs v3 Conversational 的结果是否覆盖该版本全部能力，文中均未交代。同样未说明的是，困难句评测中出现的 Inworld TTS 1.5 Max 与 Coval 延迟基准里使用的 Inworld TTS 2 是否为同一版本，两组数据来自不同测试集，难以直接合并解读。

关于评测集本身，500 句样本的具体抽样方式未披露，五语种下的细分通过率也未给出，文章仅提供按语种等权加权后的整体 81.0% 数字。模型命名方面，新模型没有公开的名称或版本号，被替换的旧模型仅给出相对旧模型快 170 毫秒的描述，未列出绝对延迟数值，因此外部难以独立复现被替换对象的具体性能。Discord 频道发放的 100 万积分也只提及奖励完整提交的困难用例失败报告，金额折算、有效期、兑换渠道均未在材料中说明，参与前需另行确认规则。

如何核对

从公开材料出发，读者可沿着三条线索复核文章中的关键数字。第一条线索是评测集本体，困难句评测集以 CC BY 4.0 协议发布在 Hugging Face，公开内容包含 100 个项目、五种语言各 10 个，覆盖拼写、缩略语、字母数字混合、日期、普通数字、大数和浮点数七项原子标准，以及 Orders、IT Ticket、Claims 三项复合标准，外部研究者可直接拉取同一基准，对新模型复现 81.0% 这一通过率。

第二条线索是延迟数据。文章给出的 216 毫秒 P50 首音延迟与 30 毫秒四分位距，来自 Coval 文本转语音基准上 480 次连续运行；同基准下 Fish Audio S2.1 Pro 录得 291 毫秒，ElevenLabs v3 Conversational 录得 329 毫秒，Inworld TTS 2 录得 166 毫秒。若需横向比较，建议把样本量、采样窗口以及 P50 口径与 Coval 公开方法对齐后再做换算，避免把不同定义下的中位数直接相减。

第三条线索是评测执行细节。文章写明评分由独立母语者人工完成，音频经响度归一化，呈现顺序随机化，每位评分者单次最多完成 40 次比较并被强制休息，任一元素发音不完整或错误即整句判失败。复核时可参照这套流程，对照 Hugging Face 上同步发布的 500 句困难句音频，逐项核验新模型与 Cartesia Sonic 3.6、ElevenLabs v3 Conversational、Fish Audio S2.1 Pro、Inworld TTS 1.5 Max 在五语种下的输出。需要留意的是，500 句样本的具体抽样方式、逐语种细分通过率、新模型的具体版本号，以及 100 万积分的金额、有效期与兑换方式，材料中均未披露，若要据此做业务决策，建议在自有话术上做小批量抽样验证，再决定是否替换线上默认模型。

读者能做什么

如果读者计划把 Gradium AI 新默认文本转语音模型纳入现有产品或工作流，第一步可前往 Hugging Face 拉取以 CC BY 4.0 协议开源的困难句评测集。该集合覆盖五种语言各 10 个项目，共 100 项，对应七项原子标准与三项复合标准。把自身业务话术中的高频样本补进同一协议下的扩展条目，再用新模型批量合成音频，即可与小节中披露的 81.0% 通过率做横向比对，判断真实场景里哪些字段最容易触发失败。

第二条可行路径是直接体验 Gradium API 或 Studio。老用户沿用原入口即可获得新模型，原有自定义克隆音色继续可用，无需迁移代码。若产品里长期依赖文本规范化脚本来处理电话、邮箱、IBAN 或参考编号，可以先在一段样例对话中临时关掉预处理层，让新模型直接朗读这些结构化字段，配合 Orders、IT Ticket、Claims 这类复合标准对应的客服话术进行对照录音，验证其内置朗读能力对自家语料的适配程度。

第三条路径侧重延迟验证。Coval 基准披露的 P50 首音延迟为 216 毫秒，P75 至 P25 四分位距 30 毫秒，覆盖 480 次运行。若读者所在业务对抖动敏感，可在自建测试床上以相同口径记录首音返回时间，与同基准下 Fish Audio S2.1 Pro 的 291 毫秒、ElevenLabs v3 Conversational 的 329 毫秒、Inworld TTS 2 的 166 毫秒做并排参考，再决定是否替换线上默认引擎。

最后，遇到真实业务下确实难以通过的困难用例，可按 Gradium Discord 频道发布的奖励规则完整提交失败报告，换取积分回报。需要提醒的是，材料未披露新模型的具体名称或版本号，也未说明被替换模型的延迟绝对值，加之 100 万积分的金额、有效期、兑换细节均未给出，外部使用者在动手替换前，最好先以小批量抽样确认积分规则与模型边界。

后续观察

从公开材料出发，读者可沿着三条线索复核文章中的关键数字。第一条线索是评测集本体，困难句评测集以 CC BY 4.0 协议发布在 Hugging Face，公开内容包含 100 个项目、五种语言各 10 个，覆盖拼写、缩略语、字母数字混合、日期、普通数字、大数和浮点数七项原子标准，以及 Orders、IT Ticket、Claims 三项复合标准，外部研究者可直接拉取同一基准，对新模型复现 81.0% 这一通过率。第二条线索是延迟数据。Coval 基准上同批受测对象还有 Fish Audio S2.1 Pro 的 291 毫秒、ElevenLabs v3 Conversational 的 329 毫秒、Inworld TTS 2 的 166 毫秒，若需横向比较，建议把样本量、采样窗口以及 P50 口径与 Coval 公开方法对齐后再做换算，避免把不同定义下的中位数直接相减。第三条线索是评测执行细节，评分由独立母语者人工完成，音频经响度归一化，呈现顺序随机化，每位评分者单次最多 40 次比较并被强制休息，任一元素发音不完整或错误即整句判失败，复核时可参照这套流程对照 Hugging Face 上同步发布的 500 句困难句音频。需要留意的是，500 句样本的具体抽样方式、逐语种细分通过率、新模型的具体版本号，以及 100 万积分的金额、有效期与兑换方式，材料中均未披露，若要据此做业务决策，建议在自有话术上做小批量抽样验证，再决定是否替换线上默认模型。

若计划把新模型纳入现有产品，第一步可前往 Hugging Face 拉取困难句评测集，把自身业务话术中的高频样本补进同一协议下的扩展条目，再用新模型批量合成音频与小节中披露的 81.0% 做横向比对。第二步可沿用 Gradium API 或 Studio 原入口，自定义克隆音色继续可用，无需迁移代码；若产品长期依赖文本规范化脚本来处理电话、邮箱、IBAN 或参考编号，可在样例对话中临时关掉预处理层，让新模型直接朗读结构化字段，配合复合标准对应的客服话术进行对照录音。第三步可在自建测试床上以相同口径记录首音返回时间，与上述同基准数据并排参考，再决定是否替换线上默认引擎。遇到真实业务下难以通过的困难用例，可按 Gradium Discord 频道发布的奖励规则完整提交失败报告换取积分回报，但材料未披露新模型名称、被替换模型的延迟绝对值，以及 100 万积分的金额、有效期、兑换细节，动手替换前最好先以小批量抽样确认积分规则与模型边界。