可重現的瀏覽器語音合成測試
廠商速度通常在別的硬體上測得。這裡一鍵讓所有模型在你的裝置上朗讀同一段文字，即時測量；下方附參考值。
尚未下載的模型會下載一次並快取。大模型不會預選，勾選後可將其下載納入測試。所有模型使用預設聲音朗讀同一段兩句話。
參考結果
來自公開示範、維護者測量與我們自己的測試。RTF越低越快，1.0代表即時。最後審核於2026年7月。
| 模型 | 硬體／執行環境 | RTF | 來源 |
|---|---|---|---|
| Kokoro-82M | M2 MacBook Air (WebGPU, fp32) | 0.2–0.4 | webml-community 示範，2026 |
| Kokoro-82M | 中階 x86 筆記型電腦（WASM q8，單執行緒） | ≈1.1 | kokoro-js 社群報告，2025 |
| Piper（中等品質語音） | 中階 x86 筆記型電腦（WASM） | ≈0.11 | sherpa-onnx / piper 測量，2025 |
| KittenTTS Nano | Core i7 筆記型電腦（WASM int8） | ≈0.4 | KittenML 問題追蹤，2026 |
| Kyutai Pocket TTS | Apple M4（WASM，串流生成） | ≈0.17 (6× RT) | Kyutai 版本說明，2026 年 1 月 |
| Chatterbox 0.5B | RTX 等級桌上型顯示卡（WebGPU q4） | ≈1.0 | Resemble AI transformers.js 示範，2026 |
測試方法
- 固定約220字元、兩句話，使用各模型預設聲音合成。
- 計時涵蓋分詞到最終音訊緩衝，不含下載。含下載的首次執行以*標記。
- 依裝置選擇：支援時使用WebGPU（Kokoro fp32），否則使用WebAssembly（q8/int8）。
- RTF＝產生時間÷音訊時長。
- 全部在裝置端執行，結果歸你所有，絕不上傳。
下載大小與硬體需求詳見各模型頁面：Kokoro-82M, Piper, KittenTTS Nano, Kyutai Pocket TTS, Supertonic-3, Chatterbox, MOSS-TTS-Nano, Chatterbox Multilingual, OuteTTS-1.0 (0.6B), Orpheus-3B, MOSS-TTS (8.5B).
常見問題
什麼是 RTF（即時係數）？
產生耗時除以音訊時長。RTF 0.5 表示 10 秒音訊用了 5 秒產生，即即時速度的 2 倍。低於 1.0 比即時快，高於 1.0 則需要等待。
為什麼我的數據與參考表不同？
這正是測試的意義。速度取決於 CPU/GPU、瀏覽器版本、WebGPU 可用性、溫度，以及模型使用 GPU 還是 WASM。參考表註明其硬體，你的測試註明你的硬體。
模型間的基準測試公平嗎？
每個模型用預設聲音朗讀相同的兩句話。首次下載時間以 * 單獨標記，區分冷啟動與暖啟動。這是處理量測試，音質還需親耳判斷。
測試會傳送我的結果嗎？
不會。結果在本機顯示，如需分享可點擊複製。不會收集任何資料。