MiniMax T2A v2 vs Azure Neural TTS 实测：同一段中英文本，延迟差了 6~10 倍

我那套 Sun Tzu at Work 视频工厂 里，TTS 是流水线上最不起眼、却最容易卡住整条线的一环。一集视频要合成十几段中英文旁白，如果每段等好几秒，npm run bingfa tts 这一步就能拖成一杯咖啡的时间。

工厂里同时接了两家：MiniMax T2A v2（境内 api.minimaxi.com）和 Azure Neural TTS（微软 eastasia 区）。切换只改一个 TTS_PROVIDER 环境变量，输出都被统一成 24kHz / 单声道 / 16bit 的 WAV，下游的 Remotion 合成完全不区分来源。用了一段时间，主观感受是 MiniMax 明显更快，但"明显"值多少、慢的到底是模型还是网络，一直没测过。这次把它钉死。

先给结论：在我这台大陆直连的机器上，MiniMax 合成中位延迟 1.02.2 秒、快于实时 512 倍；Azure 中位 6~21 秒、勉强追平实时，长尾能抖到 27 秒。 这不是"快一点"，是量级差距。但差距里有一半是网络的锅——这点后面用抓包说清楚。

问题背景：TTS 延迟不是玄学，它直接决定流水线节奏

视频工厂是批处理，不是实时对话，所以严格来说"首包延迟"对我不是刚需——我不需要边合成边播。真正卡我的是整段音频返回的墙钟时间：一集十几段旁白串行合成，每段慢 5 秒，累计就是一分多钟的干等。

更麻烦的是方差。如果延迟稳定，我还能预估;可要是这一段 3 秒、下一段 27 秒，重试逻辑和超时阈值就没法设——设短了误杀慢请求，设长了卡死不报错。所以这次实测我不光看中位数，min/max 一起记，专门盯长尾。

两家 API 的调用形态也不同，值得先说清楚：MiniMax T2A v2 我走的是非流式同步接口（/v1/t2a_v2，一次请求返回整段十六进制 PCM）；Azure 走的是 REST 一次性合成（SSML 进、riff-24khz-16bit-mono-pcm 出）。两边都是"发一次请求、拿整段音频"，度量口径一致，可比。

问题分析：延迟由两段构成，得分开归因

一次 TTS 合成的墙钟延迟，粗看是两段之和：

1. 服务端合成耗时——模型把文本变成波形要多久。这是模型和推理架构决定的，跟你在哪儿无关。
2. 网络往返 + 传输——请求打过去、音频拉回来的路上花的时间。这跟你的机器到服务端的物理距离强相关。

如果只测总延迟，MiniMax 快就快了，但你说不清是"模型快"还是"网络近"。而这两个归因导向完全相反的结论：如果是模型快，那换到海外服务器 Azure 也快不起来；如果纯是网络，那把服务部署到 Azure 同机房就能抹平差距。所以这次我总延迟和网络 RTT 分开测——总延迟用 5 轮取中位，网络单独用 curl 抓 connect/TLS 握手时间。

技术方案与选型：复现范围怎么划

这类"两家对比"最容易翻车的是量纲不统一——采样率不同、声道不同、量化位深不同，比出来的字节数和音质都没意义。所以我把范围严格收敛：

• 复用生产 TTS 抽象层（src/lib/bingfa/tts.ts），不为测试单写调用代码。两家在这一层已经被统一成 24kHz / 单声道 / 16bit PCM，输出格式完全一致——这是可比的前提。
• 同一批文本：中英各两段，短句 + 长段，取自《孙子兵法》原文（正好是工厂真实旁白的语料风格）。中文按去空白字符数、英文按词数计。
• 每 case 跑 5 轮，取中位数抗抖动，同时保留 min/max 看长尾。
• 音色固定：MiniMax 用工厂默认的 speech-02-turbo；Azure 中文 zh-CN-YunxiNeural、英文 en-US-GuyNeural（都是工厂在用的音色）。
• 明确排除音质主观评分（排除项）。音质是主观维度，一个人打分没有统计意义；我只客观记录格式是否对齐（都 24kHz/mono/16bit）和波形形态。字节数我记了但不当质量指标——WAV 是无压缩定长格式，字节数只跟时长成正比，跟"好不好听"无关，谁把它当音质比谁就错了。
• 单价只做定性对照（排除项）。MiniMax 境内计费口径几经调整、且分按 token 与按字符两种，我拿不到当前权威单价就不硬报数字，只给能确认的量级。

落地/实测过程

主体：40 次合成的延迟矩阵

测试脚本直接 import 生产的 synthesize()，靠 TTS_PROVIDER 环境变量切后端，每轮用 performance.now() 掐整段返回耗时，第一轮的 WAV 落盘留证。跑法：

npx tsx --env-file=.env tmp/2026-09-05-tts-bench/bench.ts   # 4 case × 5 轮 × 2 家

跑完的原始矩阵如下（lat.med/min/max 是 5 轮的中位/最快/最慢，RTF = 合成墙钟延迟 ÷ 音频时长，小于 1 即快于实时）：

两个现象一眼可见：

• MiniMax 全面快于实时。 RTF 落在 0.080.18，也就是合成一段 20 秒的音频只花 1.6 秒，等于比"边读边等"快 512 倍。而且四个 case 的 min/max 跨度都很窄（如 en-long 1466~1892ms），稳。
• Azure 的 RTF 逼近 1.0——合成 20 秒音频差不多真要花 20 秒，几乎就是"念一遍"的速度。更扎眼的是长尾：zh-long 五轮里最快 3.3 秒、最慢 27.6 秒，en-short 也从 5.5 秒抖到 13.2 秒。这种方差对流水线是灾难。

归因：用 curl 把网络那段单独抠出来

Azure 慢，到底是模型慢还是跨太平洋网络慢？我用 curl 对两家端点各打一次，只看 TCP connect 和 TLS 握手时间——这段纯网络，不含任何合成：

结论清楚：MiniMax 握手 connect ~0.04s、TLS ~0.13s（境内）；Azure connect 0.13s、TLS 抖在 0.250.82s（跨太平洋）。 光是建连这一下 Azure 就慢了几百毫秒，而且抖得厉害。这解释了 Azure 长尾的一部分——但注意，网络只是几百毫秒到一秒的量级，撑不起 21 秒的中位数。所以主因还是 Azure Neural 本身的合成节奏接近实时（RTF≈1），网络是叠加在上面的抖动放大器。 两个因素都真实，但模型是主项、网络是尾项。

交叉验证：波形对齐，确认不是"用短音频比长音频"

延迟能比，前提是两家合成的音频真的等长、格式真的一致，否则就是拿苹果比橙子。我把同一句中文在两家的输出波形叠一起看：

同一句话，MiniMax 输出 5.5 秒、Azure 6.0 秒，时长接近、包络形态相似，采样率声道位深完全一致。这确认了上面的延迟对比是公平的——不是某家偷偷合成了更短的音频来占便宜。

实践效果：对我这条流水线意味着什么

把中位数摊到真实场景：一集视频十几段旁白串行合成，MiniMax 全程约十几秒到二十秒就能出全部音频；同样的量给 Azure，光合成就要 两三分钟起步，赶上长尾能拖到五分钟。对批处理流水线，这是"敲完命令等一下"和"敲完命令去干别的"的区别。

所以工厂的默认 TTS_PROVIDER 一直是 MiniMax，这次实测把这个默认从"感觉对"变成了"有据可依"。

但这不等于 Azure 一无是处，它的价值在两个我这次没测的维度上：

• 音色矩阵。Azure Neural 的多语言、多音色覆盖是工业级的，YunxiNeural 这类音色的稳定度和 SSML 精细控制（停顿、语速、情感）是 MiniMax 目前给不到的。追求特定音色质感时，慢一点也得忍。
• 计费与合规。Azure 标准 Neural TTS 是 每 100 万字符 $16、每月前 50 万字符免费（官方定价，我用的量长期落在免费额度内，成本实质为零）。MiniMax 境内计费口径这半年调过几次、且分按 token 与按字符两种，我拿不到当前权威单价，这里只给能确认的量级——两家在我的用量下成本都不构成决策因素，真正的分水岭是延迟和音色，不是钱。

一句话选型：批量、追速度、语料常规 → MiniMax;要特定音色质感或企业合规 → 忍住延迟上 Azure。 我的流水线属于前者，所以默认没得选。

踩坑

• 别拿 WAV 字节数当音质指标。 我一开始在表里放了 KB 列，看着 MiniMax 和 Azure 字节数差不多就想写"音质相当"——错。WAV 是无压缩定长 PCM，字节数 = 采样率 × 位深 × 声道 × 时长，跟好不好听一点关系没有，两家格式一致时它必然接近。最后把 KB 列从对比表里删了，换成 RTF 才是有意义的维度。
• 单次延迟没有意义，Azure 尤其。 如果只跑一轮，我可能正好抽中 Azure 的 3.3 秒那次，得出"Azure 也不慢"的错误结论。它的方差大到必须多轮取中位——zh-long 最快最慢差了 8 倍。任何"跑一次就下结论"的 TTS 评测都不可信。
• 归因不能只看总延迟。 总延迟里网络和合成是两回事。不把 RTT 单独抠出来，就会把"Azure 模型接近实时"和"跨太平洋网络抖"混成一个模糊的"Azure 慢"，进而做出错误的优化决策（比如以为换机房就能救，其实救不了主项）。
• 实测环境要和生产一致才有效。 这些数字是大陆家宽直连测的——而这恰好就是视频工厂的真实部署环境（跑在国内的 Mac mini 上）。如果你的服务本来就在 Azure 同区机房，跨太平洋这段惩罚不存在，Azure 的长尾会收敛，结论要重测。别把我的数字直接搬到你的机房。