音声エージェント向けCartesia対ElevenLabs
どちらも非常に優れていて、得意分野が異なります。Cartesiaは当社の既定のテキスト読み上げで、ElevenLabsの音声はボイスライブラリに同梱されています。これは、両方の変更履歴を読んだ人間ではなく両方を運用している人間が書いた、通話が実際のものになったときにこの選択がどう見えるかです。
トレードオフ
率直に言うトレードオフ
ElevenLabsは音声のリアルさと非常に大規模な多言語ボイスライブラリで評価を築いてきました。その評価は妥当なものです。ナレーション、コンテンツ、そして人間が長く途切れない文章を聞くあらゆる場面で、傑出しています。
Cartesiaはリアルタイム会話向けのストリーミングを軸に作られており、最適化の目標が異なります。電話通話が求めるのは段落を最高の品質で読み上げることではありません。沈黙が気まずくなる前に最初の一音が届くこと、そして発信者が割り込んだ瞬間に合成が止まることです。
だからCartesiaが当社の既定であり、だから答えは万能ではありません。問うべきは、どちらのエンジンが優れているかではなく、どちらの失敗のほうがましか、です。少し印象に残らない声か、少し長い間か。
レイテンシ
電話通話で重要なこと
主に次の3点、おおむねこの順です。そのうちデモで評価されるのは1つだけです。
最初の音声バイトまでの時間。 合成の総時間ではない。発話者は文の末尾がまだ生成されている間に文頭を聞いているので、重要なのは音声が始まる時点だ。ストリーミング条件下で、自社の実際のテキストを使って測定を求めること。
割り込み時の挙動。 エージェントに話しかぶせがあった場合、合成は停止しなければならない — 現在のチャンクを終えてからではなく、確実に。さらに1.5秒話し続けるエージェントは、声質がやや劣るエージェントよりも印象が悪い。 バージイン は機能ではなく要件である。
自社の語彙をどう扱うか。 どの業種にもTTSが崩れる語がある — 姓、薬品名、SKU、通り名、自社の製品名。どちらのエンジンも補正できるので、一般的な文章の段落ではなく実際に使う用語で試すこと。不具合は自社固有の形で現れるからだ。
音声品質
電話がどちらも制約するところ
選択に悩む前に知っておく価値があること。電話網は音声を8 kHzにリサンプリングします。良いヘッドホンで2つの高品質エンジンを聴き比べたときに差として感じられるものの多くは、発信者の受話器に届く時点ではすでに存在しません。
これはチームが2週間を無駄にする最も多いパターンだ。差はスタジオでは実在するが電話回線では圧縮される。一方でレイテンシと割り込み処理はまったく圧縮されず、8kHzでもそのまま同じだけ目立つ。その2週間は レイテンシ予算 に充てること。得られる改善は大きく、コーデックを通しても残る。
選び方
よくある質問
- どちらが速いですか？
- 両者を比較した管理された条件でのベンチマークは公開しておらず、自ら実施していない数値を引用することもしません。言えるのはアーキテクチャの話です。電話では、合計の音声合成時間よりも最初の音声バイトまでの時間のほうがはるかに重要です。残りがまだ生成されている間に、発信者は文の冒頭を聞いているからです。どのベンダーにも、1秒あたりの文字数ではなく、ストリーミング時のtime-to-first-byteを尋ね、自社のテキストで試してください。マーケティングページの数値が、電話の実際の動作に沿って測定されていることはまれです。
- 両方を併用できますか？
- できます。そうする合理的な理由もあります。TTSの選択はアカウント単位ではなくエージェント単位なので、大量発信のアウトバウンドキャンペーンと主力のインバウンド回線が同じトレードオフを取る必要はありません。デフォルトはCartesiaで、ElevenLabsの音声はボイスライブラリから利用できます。
- 音声はコンバージョンを実際に変えますか？
- 発信者が通話を続ける時間を変え、それが他のすべての上流にあります。ただし効果はチームが思うより小さく、すぐ頭打ちになります。一定の品質を超えると、発信者が反応するのは声色ではなく、エージェントが自分の話を理解して用件を実行したかどうかです。通常は音声の選定よりレイテンシと割り込み処理のほうが注意を払う価値があり、修正も安く済みます。
このページにベンチマークの数値は掲載していません。この2つのエンジンについて、レイテンシや品質の比較を管理された条件で実施していないためです。実施していない数値を引用すれば、このページを読む価値そのものが失われます。