什么是 Real-Time Factor (RTF)

在 TTS（Text-to-Speech） 领域，RTF 通常指的是 Real-Time Factor，即“实时因子”。这是一个衡量 TTS 系统性能的重要指标，用来评估模型在语音生成过程中的效率。

什么是 Real-Time Factor (RTF)

RTF 表示生成语音所需的处理时间与语音时长的比值。其公式为：
$$RTF=\frac{T_{\text{processing}}}{T_{\text{audio}}}$$

• $T_{\text{processing}}$ 是生成语音所花的时间
• $T_{\text{audio}}$ 是生成的语音时长

解释 RTF 值

• RTF < 1：实时或更快的生成。生成语音所需时间少于语音时长。比如 RTF = 0.5 意味着生成一分钟语音只需要 30 秒。
• RTF > 1：非实时。生成语音所需时间长于语音时长。比如 RTF = 2 意味着生成一分钟语音需要 2 分钟。

RTF 越低，意味着 TTS 系统生成语音的速度越快。实时因子低的 TTS 系统在需要实时响应的应用场景（如语音助手）中尤为关键。