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

發生了什麼

Gradium AI 於 2026 年 8 月 31 日將其新一代文字轉語音模型切換為 API 與 Studio 的預設引擎，原有使用者無需迁移程式碼即可直接獲得升級，自定義克隆音色仍可繼續呼叫。圍繞這次上線，公司同步披露了一份面向"困難句"的對比評測，測試集中包含 500 個專門為難讀場景設計的樣本，覆蓋五種語言及十項評測標準，結果顯示新模型的人工通過率為 81.0%，高於同批次的 Cartesia Sonic 3.6（75.1%）、ElevenLabs v3 Conversational（65.4%）、Fish Audio S2.1 Pro（49.5%）與 Inworld TTS 1.5 Max（46.5%）。

在延遲層面，新模型在 Coval 文字轉語音基準上的 P50 首音延遲為 216 毫秒，比被其替換的旧模型快 170 毫秒，同時在 480 次執行中的 P75 至 P25 四分位距為 30 毫秒，是五款受測模型中最窄的，反映出穩定性方面的提升。同基準下 Fish Audio S2.1 Pro 的首音延遲為 291 毫秒，ElevenLabs v3 Conversational 為 329 毫秒，而 Inworld TTS 2 錄得 166 毫秒。功能層面，新模型可直接朗讀电話號碼、電子郵件、IBAN 及參考編號，無需呼叫方再做文字預處理，便於串接客服與票務等場景。

為支援後續改進，Gradium AI 將評測集以 CC BY 4.0 協議發布到 Hugging Face，共 100 個專案，每種語言各 10 個，覆蓋拼寫、缩略語、字母數位混合、日期、普通數位、大數和浮點數七項原子標準，以及 Orders、IT Ticket、Claims 三項由若干原子標準組合而成的複合標準。所有樣本的評分由獨立母語者人工完成，且音頻經過響度归一化、呈現順序隨機化，每位評分者單次最多完成 40 次比較並被強制安排休息；同一元素只要發音不完整或錯誤，即判定該句失敗。

公司還在其 Discord 頻道投入了 100 萬积分，專門奖励完整提交的困難用例失敗報告，借此擴大真實場景下的回饋來源。文章作者為 Michal Sutter，由 MarkTechPost 於 2026 年 9 月 1 日 03:39:05 UTC 發布。需要說明的是，所有受測模型的輸出均以預設參數執行於 2026 年 8 月，評測基準由廠商自行完成，且文章尚未披露新模型的具體名稱或被替換模型的延遲數值。

時間線與證據

2026 年 8 月，Gradium AI 在同一窗口內完成了五款受測模型的對比樣本產生，輸出均按各自預設參數執行，避免了人工調參帶來的偏差，為評測公平性提供了基礎。隨後的 8 月 31 日，新一代文字轉語音模型在 API 與 Studio 端被設為預設，老使用者無需迁移即可獲得升級，自定義克隆音色繼續可用。在 Coval 文字轉語音基準上，新模型錄得 216 毫秒的 P50 首音延遲和 30 毫秒的四分位距，相關資料來自 480 次執行，覆蓋延遲與穩定性两個維度。

9 月 1 日 03:39:05 UTC，Michal Sutter 在 MarkTechPost 發布本文，把上述結果以及困難句評測集中 500 句樣本所對應的全部音頻一併公開。困難句評測集隨後以 CC BY 4.0 協議同步開源到 Hugging Face，包含 100 個專案，每種語言各 10 個，使外部研究者可以複現五款模型的對比結果。評測集中，七項原子標準與三項複合標準的细目、響度归一化與順序隨機化的處理流程，以及獨立母語者人工評分的具體規則，均隨文章一併披露，作為支援 81.0% 通過率的證據鏈條。

Gradium AI 還在 Discord 頻道配套投放了 100 萬积分，用於奖励完整提交的困難用例失敗報告，使評測證據從一次性發布擴充為持續收集。需要留意的是，材料未披露新模型的具體名稱或被替換模型的延遲绝對值，也未說明 500 句樣本的具體抽樣方式與积分兑換细節，五語種下逐項標準的细分通過率同樣未給出。

具體變化

此次預設模型替換在呼叫方式上保持了向後兼容，老使用者繼續走原 API 入口與 Studio 介面即可獲得新模型，不需要迁移程式碼或重建工程鏈路。原有通過 Studio 建立的自定義克隆音色並未被弃用，仍可在新模型上沿用，最大限度降低既有專案整合的改造成本。

在能力層面，新模型被描述為可直接讀取电話號碼、电子電子郵件、IBAN 帳號以及業務侧常見的參考編號，省去了呼叫方自行書寫文字規範化脚本的環節，對客服與票務類長尾文字尤其友好。圍繞這一特性，評測集中專門設定了 Orders、IT Ticket、Claims 三項複合標準，分別模擬真實客服回合中多欄位夹雜的口播場景，對應底層七項原子標準（拼寫、缩略語、字母數位混合、日期、普通數位、大數、浮點數）的組合輸出。

延遲層面，新模型在 Coval 文字轉語音基準上的 P50 首音延遲為 216 毫秒，較被其替換的旧模型快 170 毫秒；在 480 次連續執行中，P75 至 P25 的四分位距僅 30 毫秒，是五款受測引擎中最窄的，反映出在抖動控制上的同步改進。配合響度归一化、播放順序隨機化與強制休息規則的人工評分流程，使聽感一致性在評測中具備可比基礎。

為把內部評測轉換為持續輸入，Gradium AI 把困難句評測集以 CC BY 4.0 協議發布到 Hugging Face，共 100 個專案、五種語言各 10 個，便於外部研究者重複使用同一基準。與此同時，公司在其 Discord 頻道投放 100 萬积分，用於奖励完整提交的困難用例失敗報告，使回饋來源從一次性的廠商自評擴充到長期社群贡献。

對使用者的影響

對真實業務線而言，216 毫秒的 P50 首音延遲加上 30 毫秒的四分位距，意味着語音流開頭的卡顿感更可控，配合直接朗讀电話、電子郵件、IBAN 與參考編號的能力，客服、票務、保险理赔等需要把結構化欄位塞進口播的場景，少了一道文字預處理脚本，對前端串接來說是一個顯著的负担减轻。評測集已以 CC BY 4.0 協議在 Hugging Face 開源，共 100 個專案、五種語言各 10 個，企業或獨立開發者可借此驗證自身業務話術與新模型的契合度，不必從零搭建困難句庫。

社群一侧，Gradium 在 Discord 頻道發放的 100 萬积分把使用者的角色從單纯呼叫者擴充為評測贡献者，遇到真實場景下的發音失敗並按要求完整提交，即可獲得积分回報。需要注意的是，文章未說明這些积分的金額、有效期及兑換方式，也未披露新模型的具體名稱或被替換模型的延遲绝對值，加之評測由廠商自行完成，外部使用者在將 81.0% 這一數位迁移到自身業務時，仍需結合自有話術做抽樣核驗。

限制與未知

材料對評測過程給出了較為细的描述，但仍存在若干尚未披露的细節。評測基準由 Gradium 自行執行並已注明這一前提，五款受測模型均以預設參數產生，輸出時間集中在 2026 年 8 月，但 Cartesia Sonic 3.6 與 ElevenLabs v3 Conversational 是否沿用同一評分流程，ElevenLabs v3 Conversational 的結果是否覆蓋該版本全部能力，文中均未交代。同樣未說明的是，困難句評測中出現的 Inworld TTS 1.5 Max 與 Coval 延遲基準裡使用的 Inworld TTS 2 是否為同一版本，两組資料來自不同測試集，難以直接合併解讀。

關於評測集本身，500 句樣本的具體抽樣方式未披露，五語種下的细分通過率也未給出，文章僅提供按語種等權加權後的整體 81.0% 數位。模型命名方面，新模型沒有公開的名稱或版本號，被替換的旧模型僅給出相對旧模型快 170 毫秒的描述，未列出绝對延遲數值，因此外部難以獨立複現被替換對象的具體效能。Discord 頻道發放的 100 萬积分也只提及奖励完整提交的困難用例失敗報告，金額折算、有效期、兑換管道均未在材料中說明，參與前需另行確認規則。

如何核對

從公開材料出發，讀者可沿着三條線索複核文章中的關鍵數位。第一條線索是評測集本體，困難句評測集以 CC BY 4.0 協議發布在 Hugging Face，公開內容包含 100 個專案、五種語言各 10 個，覆蓋拼寫、缩略語、字母數位混合、日期、普通數位、大數和浮點數七項原子標準，以及 Orders、IT Ticket、Claims 三項複合標準，外部研究者可直接拉取同一基準，對新模型複現 81.0% 這一通過率。

第二條線索是延遲資料。文章給出的 216 毫秒 P50 首音延遲與 30 毫秒四分位距，來自 Coval 文字轉語音基準上 480 次連續執行；同基準下 Fish Audio S2.1 Pro 錄得 291 毫秒，ElevenLabs v3 Conversational 錄得 329 毫秒，Inworld TTS 2 錄得 166 毫秒。若需横向比較，建議把樣本量、採樣窗口以及 P50 口径與 Coval 公開方法對齊後再做換算，避免把不同定義下的中位數直接相减。

第三條線索是評測執行细節。文章寫明評分由獨立母語者人工完成，音頻經響度归一化，呈現順序隨機化，每位評分者單次最多完成 40 次比較並被強制休息，任一元素發音不完整或錯誤即整句判失敗。複核時可參照這套流程，對照 Hugging Face 上同步發布的 500 句困難句音頻，逐項核驗新模型與 Cartesia Sonic 3.6、ElevenLabs v3 Conversational、Fish Audio S2.1 Pro、Inworld TTS 1.5 Max 在五語種下的輸出。需要留意的是，500 句樣本的具體抽樣方式、逐語種细分通過率、新模型的具體版本號，以及 100 萬积分的金額、有效期與兑換方式，材料中均未披露，若要據此做業務決策，建議在自有話術上做小批次抽樣驗證，再決定是否替換線上預設模型。

讀者能做什麼

如果讀者計畫把 Gradium AI 新預設文字轉語音模型納入現有產品或工作流程，第一步可前往 Hugging Face 拉取以 CC BY 4.0 協議開源的困難句評測集。該集合覆蓋五種語言各 10 個專案，共 100 項，對應七項原子標準與三項複合標準。把自身業務話術中的高頻樣本補進同一協議下的擴充條目，再用新模型批次合成音頻，即可與小節中披露的 81.0% 通過率做横向比對，判斷真實場景裡哪些欄位最容易触發失敗。

第二條可行路径是直接體驗 Gradium API 或 Studio。老使用者沿用原入口即可獲得新模型，原有自定義克隆音色繼續可用，無需迁移程式碼。若產品裡長期依赖文字規範化脚本來處理电話、電子郵件、IBAN 或參考編號，可以先在一段樣例對話中临時關掉預處理層，讓新模型直接朗讀這些結構化欄位，配合 Orders、IT Ticket、Claims 這類複合標準對應的客服話術進行對照錄音，驗證其內建朗讀能力對自家語料的適配程度。

第三條路径侧重延遲驗證。Coval 基準披露的 P50 首音延遲為 216 毫秒，P75 至 P25 四分位距 30 毫秒，覆蓋 480 次執行。若讀者所在業務對抖動敏感，可在自建測試床上以相同口径紀錄首音回傳時間，與同基準下 Fish Audio S2.1 Pro 的 291 毫秒、ElevenLabs v3 Conversational 的 329 毫秒、Inworld TTS 2 的 166 毫秒做並排參考，再決定是否替換線上預設引擎。

最後，遇到真實業務下確實難以通過的困難用例，可按 Gradium Discord 頻道發布的奖励規則完整提交失敗報告，換取积分回報。需要提醒的是，材料未披露新模型的具體名稱或版本號，也未說明被替換模型的延遲绝對值，加之 100 萬积分的金額、有效期、兑換细節均未給出，外部使用者在動手替換前，最好先以小批次抽樣確認积分規則與模型邊界。

後續觀察

從公開材料出發，讀者可沿着三條線索複核文章中的關鍵數位。第一條線索是評測集本體，困難句評測集以 CC BY 4.0 協議發布在 Hugging Face，公開內容包含 100 個專案、五種語言各 10 個，覆蓋拼寫、缩略語、字母數位混合、日期、普通數位、大數和浮點數七項原子標準，以及 Orders、IT Ticket、Claims 三項複合標準，外部研究者可直接拉取同一基準，對新模型複現 81.0% 這一通過率。第二條線索是延遲資料。Coval 基準上同批受測對象還有 Fish Audio S2.1 Pro 的 291 毫秒、ElevenLabs v3 Conversational 的 329 毫秒、Inworld TTS 2 的 166 毫秒，若需横向比較，建議把樣本量、採樣窗口以及 P50 口径與 Coval 公開方法對齊後再做換算，避免把不同定義下的中位數直接相减。第三條線索是評測執行细節，評分由獨立母語者人工完成，音頻經響度归一化，呈現順序隨機化，每位評分者單次最多 40 次比較並被強制休息，任一元素發音不完整或錯誤即整句判失敗，複核時可參照這套流程對照 Hugging Face 上同步發布的 500 句困難句音頻。需要留意的是，500 句樣本的具體抽樣方式、逐語種细分通過率、新模型的具體版本號，以及 100 萬积分的金額、有效期與兑換方式，材料中均未披露，若要據此做業務決策，建議在自有話術上做小批次抽樣驗證，再決定是否替換線上預設模型。

若計畫把新模型納入現有產品，第一步可前往 Hugging Face 拉取困難句評測集，把自身業務話術中的高頻樣本補進同一協議下的擴充條目，再用新模型批次合成音頻與小節中披露的 81.0% 做横向比對。第二步可沿用 Gradium API 或 Studio 原入口，自定義克隆音色繼續可用，無需迁移程式碼；若產品長期依赖文字規範化脚本來處理电話、電子郵件、IBAN 或參考編號，可在樣例對話中临時關掉預處理層，讓新模型直接朗讀結構化欄位，配合複合標準對應的客服話術進行對照錄音。第三步可在自建測試床上以相同口径紀錄首音回傳時間，與上述同基準資料並排參考，再決定是否替換線上預設引擎。遇到真實業務下難以通過的困難用例，可按 Gradium Discord 頻道發布的奖励規則完整提交失敗報告換取积分回報，但材料未披露新模型名稱、被替換模型的延遲绝對值，以及 100 萬积分的金額、有效期、兑換细節，動手替換前最好先以小批次抽樣確認积分規則與模型邊界。