Time to First Audio(TTFA)は、調査会社Artificial Analysisが発表したText to Speech(TTS、テキストを音声に変換するAI)の新指標で、ユーザーが音声を聞き始めるまでの待ち時間を測るものです。同社のTTSベンチマークはこれまで品質・発音・生成速度・価格をカバーしてきましたが、「最初の一声が出るまでにどれだけ待つか」は体系的に測られていませんでした。今回そこに切り込んだ形です。
室谷代表取締役Artificial AnalysisがTTSの新指標「Time to First Audio」を発表したんですよね。音声エージェントが「反応的に感じられるか」を決める数字だと明言していて、これは実務に効く話だなと。
テキトー教師DotAI 認定講師そうなんですよ。TTSの評価というと音質や発音の正確さに目が行きがちですが、会話の体験を左右するのは「話し始めるまでの間」なんですよね。
単にベンチマークが1個増えたという話じゃないんです。
単にベンチマークが1個増えたという話じゃないんです。
室谷代表取締役発表のポイントは、最前線のモデルだと待ち時間が76ミリ秒から1秒近くまで開くということです。同じTTSでもここまで差があるのかと。
テキトー教師DotAI 認定講師しかも測り方が「最初のバイトが届いた時刻」ではなく「聞こえる音声が出た時刻」なんですよ。そこが今回の指標の肝なんです。
Time to First Audio(TTFA)とは?Artificial Analysisが発表した新指標の定義
TTFA(Time to First Audio)の定義と測定設計
定義:音声到着+立ち上がりオフセット
最初にデコードされた音声の到着に、−40dBFSのRMSエネルギー閾値までの立ち上がりオフセットを加えた時間。データ到着ではなく、実際に聞こえる音量まで立ち上がった時点を測る。
非ストリーミングモデルの扱い
完全なレスポンスの到着を使用。生成し終わるまで何も返さない性質がそのまま数値に出る。
測定条件:毎日12リクエスト
各モデルを毎日ランダムな時刻に12リクエストでテスト。micro・short・medium・longの4種類のプロンプト長それぞれ3件ずつ。
集計方法:7日平均とP10〜P90
ヘッドライン数値は直近7日間の全リクエストの平均。ばらつきは個別リクエストのP10〜P90で示す。
既存ベンチマークの補完
品質(Arena Elo)・発音の堅牢性・スループット・100万文字あたりの価格を補完する位置づけ。
室谷代表取締役まず定義を整理したいんですけど、TTFAはどういう時間なんですか。
テキトー教師DotAI 認定講師Artificial Analysisの手法ページによると、TTFAは「最初にデコードされた音声の到着」に「−40dBFSのRMSエネルギー閾値までの立ち上がりオフセット」を加えたものと定義されています。要は、音声データが届いた瞬間ではなく、実際に耳で聞こえる音量まで立ち上がった時点を測っているんです。
室谷代表取締役なるほど、そこは細かいですね。最初のバイト到着を測るだけだと、実体験とズレるということか。
テキトー教師DotAI 認定講師そうなんです。しかも非ストリーミングモデルについては「完全なレスポンスの到着」を使うと明記されています。
生成し終わるまで何も返さないモデルは、その性質がそのまま数値に出るわけです。
生成し終わるまで何も返さないモデルは、その性質がそのまま数値に出るわけです。
室谷代表取締役測定の設計も知りたいです。どんな条件で回しているんですか。
テキトー教師DotAI 認定講師公式ページの説明では、各モデルを毎日ランダムな時刻に12リクエストでテストしています。内訳はmicro・short・medium・longの4種類のプロンプト長それぞれ3件ずつ。
ヘッドラインの数値は直近7日間の全リクエストの平均で、ばらつきは個別リクエストのP10〜P90で示すとされています。
ヘッドラインの数値は直近7日間の全リクエストの平均で、ばらつきは個別リクエストのP10〜P90で示すとされています。
室谷代表取締役プロンプト長を4段階に分けているのがいいですね。長文になると最初の音声までの時間も変わるはずなので。
テキトー教師DotAI 認定講師そこも含めて、同社の既存ベンチマークである品質(Arena Elo)・発音の堅牢性・スループット・100万文字あたりの価格を補完する位置づけだと説明されています。
TTFAはなぜ音声AIで重要なのか——体感遅延と会話の自然さを左右する理由
音声エージェントの応答までに詰まっている処理
- 01音声認識(STT)ユーザーの発話をテキスト化する
- 02推論返答内容を考える
- 03音声合成(TTS)最初の一声を生成する
室谷代表取締役なぜTTFAが重要かというと、要は体感の話ですよね。どれだけ音質が良くても、返事が1秒遅れたら会話として不自然になる。
テキトー教師DotAI 認定講師発表でも「音声エージェントが反応的に感じられるかを決める数字」と明言されています。会話は待ち時間の予算の取り合いなんですよ。
最初の一声までに時間を使いすぎると、その後の推論やツール呼び出しに割ける時間がなくなります。
最初の一声までに時間を使いすぎると、その後の推論やツール呼び出しに割ける時間がなくなります。
室谷代表取締役ああ、それはMYUUUでも実感があって。音声エージェントって、ユーザーが話し終わってからこちらが声を出すまでの間に、認識・推論・合成が全部詰まっているんですよね。
最初の音声を早く出す設計にすると、体感がまるで変わる。
最初の音声を早く出す設計にすると、体感がまるで変わる。
テキトー教師DotAI 認定講師同社はSTT(音声認識)でも似た問題意識で、2026年6月に「AA-WER Streaming」というストリーミングSTTの精度と遅延を併記するベンチマークを発表しているんです。ストリーミングSTTの高速化が「応答時間の予算を推論やツール呼び出しに残す」と説明されていて、音声対話全体の待ち時間設計を評価しようという流れなんですよね。
室谷代表取締役なるほど、STTとTTSの両側から遅延を見ようとしているわけだ。このあたりの指標設計の考え方はArtificial Analysis Intelligence Index v5とは?でも解説されている評価の作り方と通じるものがありますね。
テキトー教師DotAI 認定講師そうですね。指標を増やすだけでなく、実際のユーザー体験に近い形で測るという姿勢が一貫しています。
TTFAランキング:Simba 3.5、Eleven v4 Turbo、Realtime TTS-2の実測値比較
TTFA実測値と安定性の比較
| モデル | TTFA(ms) | 安定性(中間50%) | 備考 |
|---|---|---|---|
| Simba 3.5 | 116 | — | 200ms未満で最高Arena Elo |
| Realtime TTS-2 | 186 | 32ms | 安定 |
| Eleven v4 Turbo | 258 | — | Eleven v4(653ms)と同Elo |
| Fish Audio Drama 3 | 258 | — | Eleven v4 Turboと同値 |
| Sonic 3.6 | 287 | — | — |
| Eleven v4 | 653 | — | Turboと同Elo |
| Simba 3.2 | — | 23ms | 主要モデルで安定 |
| Gradium TTS | — | 13ms | 測定中最も安定 |
| Voxtral 3 TTS | 455〜576 | — | ばらつき大 |
| Gemini 3.1 Flash TTS | 908〜975 | — | ばらつき大 |
室谷代表取締役ここが一番気になる数字のパートです。まず最速級はどこですか。
テキトー教師DotAI 認定講師発表によると、SpeechifyAIのSimba 3.5が116ミリ秒で、200ミリ秒未満で話し始めるモデルの中では最高のArena Eloだとされています。続いてInworldAIのRealtime TTS-2が186ミリ秒です。
室谷代表取締役Simba 3.5が速さと品質の両立という位置づけなんですね。Turbo系の数字も見たいです。
テキトー教師DotAI 認定講師ElevenLabsのEleven v4 Turboが258ミリ秒で、Eleven v4は653ミリ秒。Arena Eloは同等だとされています。
つまり品質を落とさずに待ち時間を大きく縮めたということです。Fish AudioのFish Audio Drama 3も258ミリ秒で並び、CartesiaのSonic 3.6は287ミリ秒です。
つまり品質を落とさずに待ち時間を大きく縮めたということです。Fish AudioのFish Audio Drama 3も258ミリ秒で並び、CartesiaのSonic 3.6は287ミリ秒です。
室谷代表取締役Eleven v4 Turboの258ミリ秒対653ミリ秒はインパクトありますね。同じ品質でここまで違うなら、選ばない理由がない。
ElevenLabsのTTSについてはEleven v4 Turboとは?でも詳しく解説していますが、Turboという名前の意味がこの数字でよく分かります。
ElevenLabsのTTSについてはEleven v4 Turboとは?でも詳しく解説していますが、Turboという名前の意味がこの数字でよく分かります。
テキトー教師DotAI 認定講師発表ではEleven v4 TurboとSimba 3.5がArena EloとTTFAのパレートフロンティアに位置すると説明されています。品質と速さのトレードオフで最前線にいるということですね。
室谷代表取締役ばらつきの話も面白いですよね。平均が速くても、たまに遅いと会話のテンポは崩れるので。
テキトー教師DotAI 認定講師Gradium TTSが中間50%のリクエストで13ミリ秒に収まり、測定した中で最も安定しているとされています。主要モデルではSpeechifyAIのSimba 3.2が23ミリ秒、InworldのRealtime TTS-2が32ミリ秒で安定しているそうです。
一方でGoogle DeepMindのGemini 3.1 Flash TTSは908〜975ミリ秒、MistralAIのVoxtral 3 TTSは455〜576ミリ秒と幅が大きいと報告されています。
一方でGoogle DeepMindのGemini 3.1 Flash TTSは908〜975ミリ秒、MistralAIのVoxtral 3 TTSは455〜576ミリ秒と幅が大きいと報告されています。
室谷代表取締役平均値だけでなく分散を見るのが実務的ですね。安定しているモデルは設計に組み込みやすい。
テキトー教師DotAI 認定講師そうなんです。受講生さんにも「平均だけ見て選ぶと本番で痛い目を見る」とよく話しているんですが、まさにそれを裏付けるデータです。
ストリーミングか非ストリーミングか——TTFAを分ける最大の要因
室谷代表取締役ここが今回の一番の学びかもしれません。ストリーミングかどうかで待ち時間が桁違いになる。
テキトー教師DotAI 認定講師発表の数字を見ると明快です。ストリーミングの65モデルは通常数百ミリ秒以内に話し始め、中央値は376ミリ秒。
非ストリーミングの20モデルは生成を終えてからしか何も返せないため、中央値が2.0秒なんです。
非ストリーミングの20モデルは生成を終えてからしか何も返せないため、中央値が2.0秒なんです。
室谷代表取締役376ミリ秒と2.0秒では、会話の体験がまったく別物ですよ。5倍以上違うわけですから。
テキトー教師DotAI 認定講師非ストリーミングは「全部作ってから渡す」方式なので、テキストが長くなるほど最初の一声も遅くなります。ストリーミングは生成できた部分から順に音声を返すので、最初の一声を早く出せる。
この構造の違いがそのままTTFAに出ているんです。
この構造の違いがそのままTTFAに出ているんです。
室谷代表取締役モデルの性能差というより、アーキテクチャの選択の問題なんですよね。同じモデルでも使い方で変わる。
テキトー教師DotAI 認定講師まさにそこなんですよ。単に「どのモデルが速いか」という話じゃなくて、「どう使うか」で待ち時間は大きく変わる。
パイプライン設計の話と切り離せないんです。
パイプライン設計の話と切り離せないんです。
室谷代表取締役音声エージェントの会話設計という意味では、ElevenLabsの「Eleven Realtime」とは?で紹介されているSpeech to Speechのアプローチも同じ方向性ですね。0.57秒で話し始めるという数字が、リアルタイム性をどこまで詰めているかの指標になっています。
TTFAはどう測るのか——測定方法と他のレイテンシ指標との違い
室谷代表取締役測定方法をもう少し掘りたいです。他のレイテンシ指標とどう違うんですか。
テキトー教師DotAI 認定講師まずTTFAは「リクエストを送ってから、聞こえる音声が立ち上がるまで」です。これに対してスループットは「1秒あたり何文字生成できるか」で、生成し終えるまでの速さを見る指標です。
TTFAが速くてもスループットが低いと、長文では途中でたまってしまうことがあります。
TTFAが速くてもスループットが低いと、長文では途中でたまってしまうことがあります。
室谷代表取締役最初の一声が速いのと、最後まで話し終えるのが速いのは別、と。
テキトー教師DotAI 認定講師そうですね。あと音声対話全体の指標としては、Speech to Speechのページに「Time to first audio (seconds) on Big Bench Audio」という別のTTFAが掲載されています。
こちらは音声入力から音声出力までのパイプライン全体での最初の音声までの時間で、TTS単体のTTFAとは測っている範囲が違うんです。
こちらは音声入力から音声出力までのパイプライン全体での最初の音声までの時間で、TTS単体のTTFAとは測っている範囲が違うんです。
室谷代表取締役なるほど、TTS単体のTTFAと、音声エージェント全体のvoice-to-voiceに近い指標は別物だと。混同しないようにしないといけないですね。
テキトー教師DotAI 認定講師整理するとこうです。
- TTS単体のTTFA:テキストを送ってから、聞こえる音声が立ち上がるまで(今回の新指標)
- スループット:1秒あたりに処理できる文字数。生成完了までの速さ
- Speech to SpeechのTime to first audio:音声入力から音声出力までのパイプライン全体で最初の音声が出るまで
- 品質(Arena Elo):人間の聞き比べ投票による相対評価
室谷代表取締役こうして並べると、TTFAは「会話の第一声」に特化した指標なんですね。
テキトー教師DotAI 認定講師測定の細かさで言うと、TTFAは毎日ランダムな時刻に12リクエスト、プロンプト長4段階で3件ずつという設計です。しかも「最初のバイト」ではなく「−40dBFSの閾値までの立ち上がり」を含めることで、実際に耳に届くまでの時間を近似している。
ここまでやるベンチマークは多くないと思います。
ここまでやるベンチマークは多くないと思います。
室谷代表取締役地味ですけど、この設計の丁寧さが指標の信頼性を支えているんですよね。
TTFAを短縮するには——モデル選定とパイプライン設計の実践指針
室谷代表取締役では実務の話を。TTFAを短くするにはどうすればいいですか。
テキトー教師DotAI 認定講師まず大原則はストリーミング対応のモデルを選ぶことです。中央値376ミリ秒と2.0秒の差は、モデルの良し悪し以前に方式の差ですから。
非ストリーミングしか選べない状況だと、どう頑張っても最初の一声は遅くなります。
非ストリーミングしか選べない状況だと、どう頑張っても最初の一声は遅くなります。
室谷代表取締役その上で、同じ品質ならTurbo系のようにTTFAが短いバリアントを選ぶ。Eleven v4 Turboの258ミリ秒対Eleven v4の653ミリ秒は、品質が同等だからこそ選ぶ価値がある。
テキトー教師DotAI 認定講師そうですね。あとは安定性の観点で、平均だけでなくばらつきの小さいモデルを選ぶことです。
Gradium TTSの13ミリ秒、Simba 3.2の23ミリ秒、Realtime TTS-2の32ミリ秒といった数字は、会話のテンポを一定に保つうえで参考になります。
Gradium TTSの13ミリ秒、Simba 3.2の23ミリ秒、Realtime TTS-2の32ミリ秒といった数字は、会話のテンポを一定に保つうえで参考になります。
室谷代表取締役パイプライン側の工夫も必要ですよね。最初の一声を早く出すために、テキストを短い単位に区切って順次合成していくような設計は定番です。
テキトー教師DotAI 認定講師発表の範囲では具体的な実装手法までは踏み込んでいませんが、TTFAが「最初にデコードされた音声の到着」を測っている以上、最初のチャンクをどれだけ早く作れるかが鍵になります。長い文を一括で合成するより、短い単位で出し始める方がTTFAは短くなります。
室谷代表取締役あとは、TTFAを実際に自社で測ってみることも大事ですね。ベンチマークの数字は参考値で、自社のネットワークやプロンプトの傾向で変わりますから。
テキトー教師DotAI 認定講師そうなんですよ。Artificial Analysisの測定は標準的なAPI実装に基づくものなので、自社のパイプラインで同じ条件を再現できるとは限りません。
講座でも「ベンチマークは出発点、実測がゴール」と伝えているんです。
講座でも「ベンチマークは出発点、実測がゴール」と伝えているんです。
室谷代表取締役評価の枠組みとしては、TTFAと品質の両方を軸にモデルを並べてみるのが実践的ですね。品質が高くてTTFAが短いモデルがパレートフロンティアに残るわけですから。
テキトー教師DotAI 認定講師
室谷代表取締役音声エージェントの設計では、TTFAを予算として捉えるのがいいんでしょうね。ユーザーが話し終わってから最初の一声までに何ミリ秒使えるか、その残りで推論やツール呼び出しをどう回すか。
テキトー教師DotAI 認定講師まさにその予算管理の発想が大事なんです。STTの遅延、LLMの推論、TTSのTTFAを全部足したものが体感の待ち時間になるので、どこで何ミリ秒使っているかを把握しておく必要があります。
室谷代表取締役今回の発表で、TTS選びの基準が「音質だけ」から「音質と最初の一声の速さ」に変わるきっかけになりそうですね。
テキトー教師DotAI 認定講師そう思います。品質・発音・速度・価格に遅延が加わって、音声エージェントを作る人にとっては比較の材料が揃ってきたということです。
よくある質問
室谷代表取締役最後に、よく聞かれる点を整理しておきましょうか。
テキトー教師DotAI 認定講師いいですね。まず「Time to First Audioの定義は?」という点ですが、最初にデコードされた音声の到着に、−40dBFSのRMSエネルギー閾値までの立ち上がりオフセットを加えたものです。
最初のバイト到着ではない点が重要です。
最初のバイト到着ではない点が重要です。
室谷代表取締役「TTFAが重要な理由は?」については、音声エージェントが反応的に感じられるかを決める数字だから、と。会話の待ち時間予算を最初の一声で使いすぎないことが大事だと。
テキトー教師DotAI 認定講師「最速のモデルは?」については、発表時点でSimba 3.5が116ミリ秒、Realtime TTS-2が186ミリ秒です。ただしこれはTTSのTTFAの話で、スループットの最速モデルとは別の指標なので混同しないようにしてください。
室谷代表取締役「TTFAを短くするには?」は、ストリーミング対応モデルを選ぶこと、品質が同等ならTurbo系の短いバリアントを選ぶこと、ばらつきの小さいモデルを選ぶこと、そして自社パイプラインで実測することですね。
テキトー教師DotAI 認定講師「他のレイテンシ指標との違いは?」については、TTFAはTTS単体で最初の音声が立ち上がるまで、スループットは生成完了までの速さ、Speech to SpeechのTime to first audioはパイプライン全体での最初の音声まで、と整理できます。
室谷代表取締役料金や提供範囲については、今回の発表では各モデルのTTFAの実測値が中心で、料金体系の詳細までは明らかにされていません。モデルごとの価格は各社の公式情報を確認するのが確実ですね。
テキトー教師DotAI 認定講師そうですね。Artificial Analysisのページでは品質・速度・価格を横断して比較できるようになっているので、自社の用途に合わせて組み合わせを検討するのがいいと思います。
室谷代表取締役音声エージェントを作っている人にとっては、待ち時間の設計を見直す良い機会になりそうです。
テキトー教師DotAI 認定講師ええ。まずは自社のパイプラインでTTFAを測ってみるところから始めるのがおすすめです。
