Gradium AI、新デフォルト TTS モデル発表、81.0% の合格率

通話において最も重要な部分で、音声エージェントは失敗します。注文番号や折り返しダイヤルの数字、通話者が書き留める必要があるメールアドレスなどがその例です。

Gradium AI は新しいテキスト読み上げ（TTS）モデルをリリースし、同社の API と Studio のデフォルトとして採用しました。この会社によると、5 つの言語にまたがる 500 文からなるハードケースセットにおいて、人間による評価で 81.0% の合格率を達成しています。これは、Cartesia Sonic 3.6 の 75.1% や ElevenLabs v3 Conversational の 65.4% を上回る結果です。Coval 環境における P50（中央値）での初回音声までの時間は 216 ms で、置き換えるモデルより 170 ms 高速化されています。

実運用は可能でしょうか？

はい、今日から移行不要で導入可能です。Gradium は 2026 年 8 月 31 日、API と Studio の両方でこのモデルをデフォルトとして切り替えました。既存の声（カスタムクローンを含む）も、変更なく引き続き動作します。

精度に関する数値について

Gradium は 500 文の評価セットを作成し、CC BY 4.0 ライセンスの下で Hugging Face でオープンソース化しました。このセットは英語（EN）、ドイツ語（DE）、フランス語（FR）、スペイン語（ES）、ポルトガル語（PT）の 5 つ言語にまたがり、各言語で 10 の評価基準ごとに 100 項目ずつ含まれています。

7 つの基本評価項目には、スペル、略語、英数字トークン、日付、整数、大規模な数値、浮動小数点数、そしてメールアドレスが含まれます。残りの 3 つの複合評価項目（注文、IT チケット、クレーム）は、これらの基本項目を組み合わせて、現実的なエージェントの応答ターンを構成しています。

採点は人間が行い、厳格です。独立したネイティブスピーカーの評価者が、すべての要素が正しく完全に発音されていると確認できた場合のみ、その文は合格となります。数字が 1 つでも欠落すれば、その文は不合格です。音声データは音量正規化され、評価順序はランダム化されました。また、評価者は最大 40 件の比較までとし、強制された休憩時間を設けることで集中力の維持を図りました。

10 の評価基準を統合し、5 つの言語を等しく加重して平均化した結果、Gradium TTS は 81.0% を記録しました。これに対し、Cartesia Sonic 3.6 は 75.1%、ElevenLabs v3 Conversational は 65.4%、Fish Audio S2.1 Pro は 49.5%、Inworld TTS 1.5 Max は 46.5% です。すべてのモデルは 2026 年 8 月にデフォルト設定で生成されたものです。

レイテンシの数値

Coval の TTS ベンチマークにおいて、Gradium は最初の音声が出力されるまでの時間（P50）を 216 ms と報告しています。これは従来モデルより 170 ms 速い数値です。しかし、より重要なのはばらつきの少なさです。480 回のテストランにおける第 75 パーセンタイルと第 25 パーセンタイルの差（IQR）はわずか 30 ms で、これはテストされた 5 つのモデルの中で最も狭い範囲です。一方、Cartesia Sonic 3.6 の中央値は 454 ms に達し、そのばらつき幅は 165 ms（中央値の 36%）に及びます。実際の利用者が直面するのは平均的な数値ではなく、極端な遅延が発生する「テール」部分であることが多いのです。

Gradium がこのチャートで最速というわけではありません。Inworld TTS 2 は 166 ms の中央値を記録しており、Fish Audio S2.1 Pro（291 ms）や ElevenLabs v3 Conversational（329 ms）も Gradium よりも高速です。Gradium が主張しているのは「相対的な優位性」にあります。つまり、最初の音声出力が 250 ms を切る領域において、最も低いハードケース（困難なケース）での失敗率を達成し、かつその変動幅が極めて小さいという点です。

導入について

既存のユーザーは特別な操作を行う必要はありません。新しいチームは Python SDK をインストールし、WebSocket TTS エンドポイントを指すだけで、既存の声 ID をそのまま再利用できます。また、Gradium は Discord 上で完全なハードケース失敗レポートを提出した利用者に対し、100 万クレジットを提供しています。

主なポイント

• Gradium の新 TTS モデルは 2026 年 8 月 31 日より稼働し、デフォルト設定となりました。移行作業は不要です。
• 500 文のハードケーステストにおいて、人間による評価で 81.0% の合格率を達成しました。これは Cartesia、ElevenLabs、Fish Audio、Inworld を上回る結果です。

Coval 環境における P50 の初回音声到達時間は 216 ミリ秒、480 回のランで得られた四分位範囲のばらつきはわずか 30 ミリ秒です。

電話番号、メールアドレス、IBAN（国際銀行口座番号）、参照コードなどを、テキスト正規化を一切行わずに正確に読み上げます。

ベンダーが実施したベンチマークですが、評価に使用された 500 文のデータセットは CC BY 4.0 ライセンスの下で Hugging Face で公開されています。

リリース記事とデータセットの詳細はこちら。Twitter ではフォローも可能ですし、15 万人以上の ML 専門家が参加する Reddit サブコミュニティやニュースレターへの登録もぜひご検討ください。Telegram をご利用の方にも対応しましたので、そちらからも参加できます。

本記事「Gradium AI が新デフォルト TTS モデルを発表：ハードケースでの合格率 81.0%、初回音声到達時間 216 ミリ秒」は、MarkTechPost に掲載されました。