两项由Speechify未参与的独立基准测试于2026年9月测量了SpeechifyAI Simba 3.2模型的首次音频输出时间。Coval在截至2026年9月24日的24小时内测得中位值为106毫秒。Voice Arena在同一天的美式英语榜单中测得为123毫秒，为榜单14款模型中的最低值。本文将解释这些数字的含义、为什么首次音频时间是值得比较的延迟指标，以及如何用自己的代码进行测量。
如何解读这些数据
这两项独立测量高于我们的内部数据，因为它们包含了测试方与我们服务器之间的网络延迟，以及音频开头的静默。每项数据都对应当天的测试结果。两大榜单会持续更新，最新数据请以其官网为准。
Voice Arena美式英语榜（2026年9月24日）
来源：Voice Arena，查阅日期为2026年9月24日。榜单共测得14个模型，表中列出的是速度最快的前六项。
为什么首次音频时间是关键对比指标
无论是语音助手回答问题，还是App实时朗读，用户的等待都始于文本发出、终于听到第一声。这段等待时间，就是“首次音频时间”。
- 首字节时间不一定反映真实听感。
- 流式传输可能包含开头静默，用户要等到真正听见声音才会感知到响应，而首次音频时间会把这段静默算进去。
- 总生成时间主要在保存文件时才重要。
- 但对流式播放的即时体验来说，首字节之后还要多久完成，影响反而没那么大。
- 对话场景尤其依赖响应速度。
- 人类通常会在数百毫秒内接话，语音助手需要在听写、推理和合成之间留出足够空间，因此每一毫秒都很关键。
Simba 3.2如何在不缩小模型的情况下提速
在Coval的数据中，Simba 3.2的每日中位延迟从9月13日的379毫秒降至9月18日的116毫秒，5天内下降约70%。
模型本身没有任何变化。权重完全相同，没有压缩、量化，也没有“turbo”版本。提速来自模型之外的服务链路优化：
- 全新服务构建，采用不同的GPU类型，并对推理栈底层进行了优化，让音频能更早输出。
- 套餐、权限和限速检查改为缓存查询，无需在首字节前进行实时检索。
- API网关与GPU部署在同一区域，并保持连接常驻，避免冷启动开销。
- 约100毫秒的开头静默已被消除。Coval对Simba 3.2的静默测量从9月14日的102毫秒降至13毫秒。
输出质量依然保持领先。在Artificial Analysis文本转语音排行榜中，Simba 3.2于2026年9月23日获得Elo 1,237分（±14），在92款供应商语音中跻身前五，而排名更高的模型价格也更高。
如何在你的应用中获得更低的语音延迟
- 使用流式接口。
- 如果需要边生成边播放，请调用
- POST /v1/audio/stream
- 。
- POST /v1/audio/speech
- 则需要等音频全部生成完毕后才会响应。
- 指定Simba 3.2。
- 英文语音请将
- model
- 设为
- simba-3.2
- 。如果不指定，默认使用
- simba-3.0
- 。
- 复用连接。
- 创建一个HTTP客户端，在启动时建立连接并持续复用，避免每次请求都重新进行DNS解析以及TCP、TLS握手。
- 按句推送。
- 如果前面接了语言模型，可在每生成一句后立刻发送，并按顺序播放。
- 选择合适的格式。
- audio/pcm
- （24kHz）无需额外编码。若带宽受限，可使用MP3或Ogg Opus。
- 尽量靠近API部署。
- API部署在美国东部，若你的服务器靠近该区域，网络耗时可降到更低。
在用LiveKit Agents开发？这篇指南介绍了如何用Speechify插件打造语音助手，实现句子一生成就立即流式推送。每一步的思路和代码详见延迟文档。
如何自行测量
在你的代码环境中记录流式响应返回首个数据块的时间。为了让数据更公正：
- 忽略前1到2次请求，因为它们通常包含建连开销。
- 每次请求的文本都应有所变化，这样更贴近真实流量。
- 请求应依次发送，不要并发。
- 建议至少测试20次，并报告中位数（p50）和p90，而不是平均值或单次最佳结果。
- 建议用PCM测量。Ogg的首字节是文件头，不代表实际音频数据。
每个流式响应都包含Server-Timing头，其中ttfb表示我们这一侧的耗时，其余部分就是网络和你本地代码带来的延迟。延迟文档中提供了可直接使用的Python和TypeScript脚本。
常见问题
2026年9月15日，SpeechifyAI Simba 3.2模型在美国东部生产流量中的首个音频字节写出中位时间为56毫秒，p90为102毫秒。独立基准测试测得的首次音频中位时间分别为106毫秒（Coval，截至2026年9月24日的前24小时）和123毫秒（Voice Arena，2026年9月24日），两者都包含网络耗时和开头静默。
在2026年9月24日的Voice Arena美式英语榜中，SpeechifyAI Simba 3.2在14款模型里拥有最低的首次音频中位时间，仅为123毫秒，领先于Inworld Realtime TTS 2 Research Preview（168.5毫秒）。基准榜单会持续刷新，查看排名时请留意结果日期。
支持。POST /v1/audio/stream可将音频以PCM、MP3、Ogg Opus或AAC格式流式传输。其中PCM无需编码，延迟最低。
不包含。SpeechifyAI是Speechify专为开发者提供的API服务，计费独立于Speechify阅读应用，Reader订阅不包含API用量。API套餐按月计费、无需年付：免费套餐每月50万字符且免信用卡；Starter为$10/月，超额为$10/100万字符；Pro为$99/$8，Scale为$499/$6。
欢迎前往SpeechifyAI试用Simba 3.2：可免费创建API密钥，并将你的首次请求延迟与上述数据进行对比。
