语音助手说话像不像人固然重要，但如果你问完后，它沉默很久才开口，体验依然糟糕。Hugging Face 的开放 TTS（文字转语音）榜单把不同“流式推理”实现单独放进 Streaming 页面：语音还没全部生成，就先播放已有片段，更接近真实对话场景。
这次值得看的重点，不只是选哪个模型，而是同一模型该用 Python、audio.cpp、专用引擎，还是其他运行方案。榜单分别列出 H200、A100 和 CPU 环境，并比较 TTFA（收到请求到产出第一段音频的时间）、RTF（生成耗时与音频时长之比）和 WER（用识别器回听后得到的文字错误率）。换句话说，它同时追问：多久开口、能否跟上播放速度、说得是否听得懂。
据 Reddit 帖文作者介绍，这是一项面向实际部署的独立性能比较。现有材料没有披露各实现的具体排名与测试数字，因此更稳妥的看点是评价方式的变化：开放语音模型的竞争，正从离线听感扩展到真实运行时的响应速度与可懂度。