Ranking de modelos e provedores de IA de fala para fala

Name: AA-Speech to Speech Index
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Análise e comparação de modelos de fala para fala e provedores de API. A Artificial Analysis analisou modelos de fala para fala e provedores de hospedagem em diferentes características, incluindo qualidade de raciocínio, dinâmica conversacional, tempo de geração e preço.

Para mais detalhes, consulte a página de metodologia.

Ranking de texto para fala

Ranking de fala para texto

Ranking da Speech Agent Arena

Visão geral da Speech Agent Arena

AA-Speech to Speech Index

Weighted average of Speech Reasoning, Agentic Performance, Arena Preference, and Task Success Rate results · Higher is better

Velocidade

Time to first audio (seconds) on Big Bench Audio · Lower is better

Custo por hora de áudio de entrada

Cost to complete fixed 40-question Big Bench Audio subset based on length of input audio, normalized to hourly basis · Lower is better

Artificial Analysis Speech to Speech Index

Weighted average of Speech Reasoning, Agentic Performance, Arena Preference, and Task Success Rate results · Only models with all data available shown · Higher is better

Equal-weighted score across Speech Reasoning (Big Bench Audio), Agentic Performance (𝜏-Voice), Arena Preference (Arena Score), and Task Success Rate. Models must have results for all four components to receive an index score.

Preference Elo is converted into expected preference against an 800-Elo baseline: Arena Score = 100 / (1 + 10^((800 − frozen Elo) / 400)). The rating is frozen when a model first becomes eligible for publication, so it does not track the live Elo shown on the Arena charts.

Raciocínio de fala

Raciocínio de fala (Big Bench Audio)

Speech reasoning: based on the Artificial Analysis Big Bench Audio dataset · Higher is better

Big Bench Audio is an Artificial Analysis benchmark comprising 1,000 audio questions adapted from Big Bench Hard, designed to test the reasoning ability of native audio models. Questions span four categories (250 each): Formal Fallacies (determine whether an argument is deductively valid or invalid), Navigate (determine whether navigation steps return to the starting point), Object Counting (count the number of a specific item class from a list of possessions), and Web of Lies (evaluate the truth value of a Boolean function expressed as a word problem). Models receive an audio input and generate an audio output, which is evaluated as correct or incorrect.

Desempenho agêntico

Desempenho agêntico (𝜏-Voice)

Proportion of replica customer service scenarios resolved while acting as a customer support agent, based on the 𝜏-Voice benchmark · Higher is better · Only full duplex models

𝜏-Voice measures task completion in real-world replica customer service scenarios. A voice user simulator calls the tested model with a specific domain problem (e.g., requesting a flight change, disputing a retail charge, resolving a telecom issue) across domains inherited from 𝜏-bench and 𝜏²-bench. The tested model is prompted as a customer support agent with access to domain-specific tools and a policy document. Each task has a single valid database end-state; evaluation compares final state against this ground truth. Charts use average performance across 3 trials where available. For more detail on the original benchmark see the 𝜏-Voice paper.

Observação: Modelos com base em 1 execução: GPT-Live-1 (Astra, medium), OpenAI, GPT-Live-1 (Sol, low), OpenAI, GPT-Realtime-2 (Minimal), OpenAI; Modelos com base em 2 execuções: GPT-Realtime-2.1 High, OpenAI

Desempenho agêntico (𝜏-Voice) por domínio

Proportion of replica customer service scenarios resolved by domain, based on the 𝜏-Voice benchmark · Higher is better · Only full duplex models

Speech Agent Arena

Elo de preferência da Arena

Preference Elo measures human participants' overall preference after they complete the same scenario with two unidentified Speech to Speech models, such as booking a dental appointment · Only includes models with tool calling · Higher is better

Pairwise preference Elo fitted with Bradley–Terry maximum likelihood, with GPT Realtime 1.5 anchored at 1000.

A Default Cascaded System is a provider’s standard voice-agent pipeline: its orchestration harness connects a speech-to-text model, an LLM, and a text-to-speech model. These entries use the provider’s default stack, rather than a custom pipeline optimized by Artificial Analysis.

Tool registration indicates whether tool definitions are pre-registered or supplied during session setup. As of July 2026:

Model	Harness	STT	LLM	TTS	Tool registration
Deepgram Voice Agent	Deepgram Voice Agent API	Nova-3	GPT-4o Mini	Aura-2	Session-level
ElevenLabs Agents	ElevenLabs Agents	Scribe v2 Realtime	Gemini 2.5 Flash	Eleven Flash v2	Pre-registered
Cartesia Line	Cartesia Line	Ink	Gemini 2.5 Flash	Sonic	Pre-registered schemas; Arena execution
Inworld Realtime	Inworld Realtime API	Inworld STT 1	Gemini 2.5 Flash	Inworld TTS 1.5 Mini	Session-level

Taxa de sucesso de tarefas

Proportion of eligible conversations with the correct final task-completing tool call or calls · Higher is better

Percentage of eligible conversations with the correct final task-completing tool call or calls.

Tool registration indicates whether tool definitions are pre-registered or supplied during session setup. As of July 2026:

Model	Harness	STT	LLM	TTS	Tool registration
Deepgram Voice Agent	Deepgram Voice Agent API	Nova-3	GPT-4o Mini	Aura-2	Session-level
ElevenLabs Agents	ElevenLabs Agents	Scribe v2 Realtime	Gemini 2.5 Flash	Eleven Flash v2	Pre-registered
Cartesia Line	Cartesia Line	Ink	Gemini 2.5 Flash	Sonic	Pre-registered schemas; Arena execution
Inworld Realtime	Inworld Realtime API	Inworld STT 1	Gemini 2.5 Flash	Inworld TTS 1.5 Mini	Session-level

Dinâmica conversacional

Dinâmica conversacional (subconjunto do Full Duplex Bench)

Weighted average of pause handling, turn-taking, interruption handling, and backchannel handling from Full Duplex Bench v1 and v1.5 · Higher is better

Metrics from Full Duplex Bench v1 include Pause Handling (% of samples model correctly does not interrupt) and Turn Taking (% of samples correctly takes the turn in conversation). Metrics from Full Duplex Bench v1.5 include User Interruption Handling (% of samples where the model correctly addresses user's interruption) and Backchannel Handling (% of samples where the model correctly continues when a backchannel such as "yeah" or "alright" is played).

Dinâmica conversacional (subconjunto do Full Duplex Bench): detalhamento por categoria

Pontuações individuais por categoria, ordenadas pela pontuação de dinâmica conversacional · Com base em um subconjunto do Full Duplex Bench v1 e v1.5

Benchmarks de API

Custo por hora de áudio de entrada (subconjunto do Big Bench Audio)

Cost to complete fixed 40-question Big Bench Audio subset based on length of input audio, normalized to hourly basis · Lower is better

Cost to complete a fixed 40-question Big Bench Audio subset, normalized to an hourly basis using input audio duration. It incorporates audio input, audio output, text input, text output, and separately exposed reasoning/thinking tokens. It does not include cached-token discounts or tool-call costs.

Raciocínio de fala (Big Bench Audio) vs. custo por hora de áudio de entrada

Pontuação no Big Bench Audio vs. custo por hora de áudio de entrada, medido em um subconjunto fixo de 40 perguntas · Maior raciocínio de fala e menor custo é melhor

Most attractive quadrant

Tempo até o primeiro áudio

Average time to first audio (seconds) on Big Bench Audio dataset · Lower is better

Number of seconds required to generate the first token of audio output. A lower value represents a faster generation.

Raciocínio de fala (Big Bench Audio) vs. velocidade

Pontuação no Big Bench Audio vs. tempo até o primeiro áudio · Maior raciocínio de fala e menor latência é melhor

Most attractive quadrant

Number of seconds required to generate the first token of audio output. A lower value represents a faster generation.

Resumo das principais métricas e mais informações


Alibaba Cloud	Qwen Audio 3.0 Realtime Plus	69,5	99%	98,4%	54,6%	798	77,8%	1,54	4,42	0,03	0,18
Alibaba Cloud	Qwen3.5 Omni Plus Realtime	-	99%	-	-	843	62,0%	2,64	0,00	0,16	0,82
Alibaba Cloud	Qwen Audio 3.0 Realtime Flash	67,7	96%	96,9%	35,9%	858	81,7%	1,55	4,77	-	-
Alibaba Cloud	Qwen3.5 Omni Flash Realtime	-	59%	-	-	832	29,1%	0,79	0,00	0,16	0,82
Alibaba Cloud	Qwen3 Omni Flash	-	59%	72,7%	-	-	-	4,82	1,77	0,61	1,36
Alibaba Cloud	Qwen3 Omni Realtime	-	57%	-	-	-	-	0,88	2,26	0,65	0,99
Amazon Bedrock	Nova 2.0 Sonic (Mar 2026)	-	88%	-	-	964	57,1%	1,14	4,89	0,27	1,08
Boson AI	Higgs Realtime	-	69%	92,8%	18,6%	-	-	1,47	-	-	-
Cofe AI	FLM-Audio	-	16%	62,0%	-	-	-	-	-	-	-
Deepslate	Deepslate Opal	-	85%	85,7%	17,5%	-	-	0,44	6,48	-	-
ElevenLabs	Eleven Realtime v1 Max	77,3	99%	94,1%	47,6%	990	87,1%	0,57	4,80	-	-
ElevenLabs	Eleven Realtime v1 Mini	64,4	76%	95,8%	46,8%	981	60,3%	0,62	4,80	-	-
Google	Gemini 3.8 Live Extended Thinking (High)	82,6	98%	91,9%	68,6%	966	89,1%	1,35	3,50	-	-
Google	Gemini 3.1 Flash Live High	72,0	97%	74,3%	37,7%	1062	71,8%	2,99	1,75	0,35	1,38
Google	Gemini 3.8 Live	74,5	92%	96,1%	30,1%	1074	93,2%	1,18	0,84	-	-
Google	Gemini 2.5 Flash Native Audio Dialog Thinking	-	91%	-	-	-	-	3,87	-	0,35	1,38
Google	Gemini 3.1 Flash Live Minimal	64,2	71%	72,3%	26,2%	1089	74,6%	0,96	1,50	0,35	1,38
Google	Gemini 2.5 Flash Native Audio Dialog	-	69%	-	-	-	-	0,63	1,42	0,35	1,38
Google	Gemini 2.5 Flash Native Audio Preview (Dec 2025)	-	-	44,0%	22,8%	-	-	-	-	-	-
Google	Gemini 2.5 Flash Native Audio Preview (Sep 2025)	-	-	30,3%	-	-	-	-	-	-	-
Krafton	Raon SpeechChat	-	58%	86,2%	-	-	-	0,04	-	-	-
Kyutai	Moshi	-	4%	61,0%	-	-	-	-	-	-	-
NVIDIA	Nemotron Voicechat	-	27%	52,9%	-	-	-	-	-	-	-
NVIDIA	PersonaPlex	-	19%	91,0%	-	-	-	-	-	-	-
OpenAI	GPT-Realtime-2 (High)	73,6	97%	95,3%	39,8%	920	89,8%	1,14	4,14	1,15	4,61
OpenAI	GPT-Realtime-2.1 High	75,2	96%	95,7%	45,7%	931	91,5%	1,21	10,75	-	-
OpenAI	GPT-Realtime-2 (Medium)	-	93%	95,2%	37,4%	-	-	1,22	3,97	1,15	4,61
OpenAI	GPT-Live-1 (Astra, medium)	83,2	90%	94,9%	74,5%	1027	87,4%	1,34	5,83	-	-
OpenAI	GPT-Live-1 (Sol, low)	80,1	89%	97,3%	59,3%	1037	90,9%	1,24	4,47	-	-
OpenAI	GPT-Realtime-2.1 Minimal	70,7	87%	92,7%	38,0%	933	89,4%	0,97	11,31	-	-
OpenAI	GPT Realtime (Aug '25)	69,1	83%	93,9%	30,4%	967	89,4%	0,98	11,08	1,15	4,61
OpenAI	GPT-Realtime-1.5	70,3	81%	95,7%	38,8%	1000	85,1%	0,81	11,44	1,15	4,61
OpenAI	GPT-Realtime-2.1 Mini High	-	75%	91,7%	29,4%	-	-	4,28	3,45	-	-
OpenAI	GPT-Realtime-2 (Minimal)	63,3	72%	96,1%	30,8%	918	84,7%	1,12	3,07	1,15	4,61
OpenAI	GPT-4o mini Realtime (Dec 2024)	-	69%	-	-	-	-	1,27	5,75	0,36	1,44
OpenAI	GPT Realtime Mini (Oct '25)	56,1	64%	95,7%	15,1%	922	79,6%	0,81	3,04	0,36	1,44
OpenAI	GPT-Realtime-2.1 Mini Minimal	54,4	63%	91,8%	22,5%	840	76,7%	0,85	4,60	-	-
OpenAI	GPT-4o audio chatcompletions	-	54%	-	-	-	-	3,38	0,00	3,60	14,40
OpenAI	GPT-4o Realtime (Dec 2024)	-	-	89,8%	27,9%	-	-	1,49	2,04	1,44	5,76
Phonic	Phonic 1 (High)	87,1	99%	-	79,9%	1012	92,3%	0,61	4,20	-	-
SpaceXAI	Grok Voice 3.0	86,9	99%	97,0%	71,6%	1059	94,8%	0,81	4,80	-	-
SpaceXAI	Grok Voice 2.0	81,3	97%	95,1%	56,5%	991	94,6%	0,70	4,80	-	-
SpaceXAI	Grok Voice 1.0	73,7	97%	77,8%	52,1%	903	80,7%	1,25	3,00	-	-
SpaceXAI	Grok Voice Fast 1.0	-	93%	71,6%	27,4%	-	-	0,78	3,00	3,00	3,00
StepFun	StepAudio 3 Realtime	-	100%	98,9%	-	-	-	8,83	-	-	-
StepFun	Step-Audio R1.1 (Realtime)	-	98%	-	-	-	-	1,53	0,00	0,06	1,69
VITA	Freeze-Omni	-	33%	58,7%	-	-	-	-	-	-	-

Perguntas frequentes

StepAudio 3 Realtime lidera com uma pontuação de raciocínio de fala de 99,7% no conjunto de dados Big Bench Audio, entre 44 modelos avaliados. Em seguida vêm Qwen Audio 3.0 Realtime Plus, com 99,2%, e Phonic 1 (High), com 98,9%.

StepAudio 3 Realtime lidera com uma pontuação de dinâmica conversacional de 98,9% no conjunto de dados Full Duplex Bench, entre 37 modelos avaliados. Em seguida vêm Qwen Audio 3.0 Realtime Plus, com 98,4%, e GPT-Live-1 (Sol, low), com 97,3%.

Os melhores modelos de fala para fala por qualidade de raciocínio são: 1. StepAudio 3 Realtime (99,7%), 2. Qwen Audio 3.0 Realtime Plus (99,2%), 3. Phonic 1 (High) (98,9%), 4. Eleven Realtime v1 Max (98,8%) e 5. Qwen3.5 Omni Plus Realtime (98,7%). As pontuações se baseiam no benchmark Big Bench Audio.

Os melhores modelos de fala para fala por dinâmica conversacional são: 1. StepAudio 3 Realtime (98,9%), 2. Qwen Audio 3.0 Realtime Plus (98,4%), 3. GPT-Live-1 (Sol, low) (97,3%), 4. Grok Voice 3.0 (97,0%) e 5. Qwen Audio 3.0 Realtime Flash (96,9%). As pontuações se baseiam no benchmark Full Duplex Bench.

Raon SpeechChat tem o menor tempo até o primeiro áudio, com 0,04 s, seguido por Deepslate Opal (0,44 s) e Eleven Realtime v1 Max (0,57 s). Valores menores indicam uma resposta inicial mais rápida.

Qwen Audio 3.0 Realtime Plus é o mais acessível, com US$ 0,0331/hora de áudio de entrada, seguido por Step-Audio R1.1 (Realtime) (US$ 0,064/hora) e Qwen3.5 Omni Plus Realtime (US$ 0,162/hora).

O Full Duplex Bench avalia o quão bem os modelos de fala para fala lidam com comportamentos conversacionais reais: saber quando falar, quando ficar em silêncio durante as pausas, como responder a interrupções e como reconhecer sinais de acompanhamento como "sim" ou "uhum". A Artificial Analysis implementa um subconjunto do Full Duplex Bench v1 e v1.5.

O raciocínio de fala (Big Bench Audio) mede se um modelo consegue entender e responder corretamente a perguntas de raciocínio apresentadas em áudio. A dinâmica conversacional (Full Duplex Bench) mede se um modelo consegue lidar com o fluxo natural da conversa: alternância de turnos, pausas e interrupções. Um modelo pode se destacar em um e não no outro.

Conversas em tempo real exigem tanto uma boa dinâmica conversacional quanto baixa latência. Pela pontuação de dinâmica conversacional, StepAudio 3 Realtime (98,9%), Qwen Audio 3.0 Realtime Plus (98,4%) e GPT-Live-1 (Sol, low) (97,3%) lideram. Pelo tempo até o primeiro áudio, Raon SpeechChat (0,04 s), Deepslate Opal (0,44 s) e Eleven Realtime v1 Max (0,57 s) são os mais rápidos. A melhor escolha depende de o fluxo natural da conversa ou a velocidade de resposta ser mais importante para o seu caso de uso.

Os benchmarks são atualizados regularmente à medida que novos modelos e provedores são adicionados. As métricas de desempenho são monitoradas continuamente para refletir as capacidades atuais dos provedores e as mudanças de preço.

Ranking de modelos e provedores de IA de fala para fala

Links relacionados

AA-Speech to Speech Index

Velocidade

Custo por hora de áudio de entrada

Artificial Analysis Speech to Speech Index

Artificial Analysis Speech to Speech Index

Artificial Analysis Speech to Speech Index

Raciocínio de fala

Raciocínio de fala (Big Bench Audio)

Speech Reasoning

Desempenho agêntico

Desempenho agêntico (𝜏-Voice)

𝜏-Voice

Desempenho agêntico (𝜏-Voice) por domínio

𝜏-Voice

Speech Agent Arena

Elo de preferência da Arena

Preference Elo

Default Cascaded System

Taxa de sucesso de tarefas

Task Success Rate

Default Cascaded System

Dinâmica conversacional

Dinâmica conversacional (subconjunto do Full Duplex Bench)

Conversational Dynamics

Dinâmica conversacional (subconjunto do Full Duplex Bench): detalhamento por categoria

Conversational Dynamics

Benchmarks de API

Custo por hora de áudio de entrada (subconjunto do Big Bench Audio)

Cost per Hour of Input Audio

Raciocínio de fala (Big Bench Audio) vs. custo por hora de áudio de entrada

Cost per Hour of Input Audio

Speech Reasoning

Tempo até o primeiro áudio

Time to First Audio

Raciocínio de fala (Big Bench Audio) vs. velocidade

Time to First Audio

Speech Reasoning

Resumo das principais métricas e mais informações

Perguntas frequentes

Qual modelo de fala para fala tem a melhor qualidade de raciocínio?

Qual modelo de fala para fala tem a melhor dinâmica conversacional?

Quais são os melhores modelos de fala para fala?

Quais são os melhores modelos de fala para fala por dinâmica conversacional?

Qual é o modelo de fala para fala mais rápido?

Qual é o modelo de fala para fala mais barato?

O que é o Full Duplex Bench (FDB)?

Qual é a diferença entre raciocínio de fala e dinâmica conversacional?

Qual modelo de fala para fala é o melhor para conversas em tempo real?

Com que frequência os benchmarks de fala para fala são atualizados?