语音模型榜

不一定。Elo 衡量的是一段短音频「听起来像不像真人」，不衡量首包延迟、并发能力、长文本稳定性和发音准确率。做实时对话助手时，首次出音延迟（TTFB）往往比自然度更影响体验，一个 Elo 低几十分但 TTFB 只有 90ms 的模型可能更合适。建议把 Elo 当前 3 名作为候选，再用自己的业务文本做 A/B 试听。

意思是转录 100 个词平均错 5.6 个（含替换、漏字、多字）。人类专业听写在清晰语音上的错误率通常在 2%～4%，所以榜单头部模型已经接近人工水平；但这是干净测试集的结果，真实场景（电话录音、多人交叠、专业术语、方言）的错误率会显著更高，选型时要用自己的音频做验证。

因为它们测的根本不是同一个能力：TTS 榜评的是「生成的语音好不好听」，ASR 榜评的是「把语音转成文字准不准」，两者方向刚好相反（一个是合成、一个是识别），分数也无共同单位。放一张表里排会误导读者，所以本页坚持分成两节。想要端到端评估语音助手，需要自己搭一套「语音进 → 文字 → 回复 → 语音出」的联合测试。

上游聚合服务只收录了榜单的排名与分数，没有逐模型的投票总数或测试音频小时数。样本量直接影响分数的可信区间——Elo 差 10 分、票数少时可能只是噪声。在拿到样本量之前，建议把名次接近的模型视为同一档，用价格和延迟来决策。

RTF（实时因子）取决于模型规模和部署硬件。Whisper 这类开放权重模型在消费级显卡上 RTF 通常在 0.1 上下，已经比实时快一个数量级；如果换到专用加速卡还能再低。所以开放权重不等于慢，它换来的是可控的部署成本与数据不出内网，代价是要自己运维。