逗哥配音在选型时非常看重一个指标：首字延迟（Time To First Audio，TTFA）。它决定"说完前半句，声音多久出来"。传统自回归 TTS 要整句算完才出声，延迟高；流式 TTS 把语音切成毫秒级帧，边生成边播放，体验天差地别。
近期两个信号很说明问题：Maya 2 Native 以 80 毫秒帧流式输出 24kHz 音频，Cartesia Sonic 3.6 基于状态空间模型（SSM）把 TTFB 压到 90 毫秒以内。行业里有个经验分水岭——语音交互超过约 200 毫秒就开始出现对话重叠的尴尬，所以 sub-100ms 是"像真人"的门槛。
实现流式的关键在于"生成与播放并行"：模型用 KV 缓存、蒸馏或 SSM 架构，先吐出前几帧就立刻播放，后面的帧在后台补齐。对逗哥配音用户来说，这带来两个直接好处：长文本配音时首句不再等半天；实时或准实时场景（如直播切片、互动课）能更跟手。
但逗哥配音要提醒：流式快不等于成品好。成品视频更看重韵律、停顿与情绪，而不是单纯压延迟。我们的长文本工作流会用分块 + 上下文 carryover（上下文延续）来保持多段落声线一致，避免"流式快但串味"。选 TTS 时，请把"首字延迟 + 自然度 + 一致性"一起看，别被单一毫秒数带偏。
常见问题（FAQ）
Q：什么是 TTS 首字延迟？ A：首字延迟（TTFA）是从输入文本到首个音频帧播出的时间，越低越跟手，sub-100ms 通常被视为自然对话门槛。
Q：80ms 帧是什么意思？ A：指流式 TTS 把音频切成约 80 毫秒一帧逐步生成与播放，边算边出声，降低等待感。
Q：为什么 200ms 是个分水岭？ A：超过约 200 毫秒，语音交互里容易出现双方抢话、重叠的尴尬，低于它更贴近真人对话节奏。
Q：流式快是否代表配音质量高？ A：不一定。成品视频更看重韵律与情绪，逗哥配音会用分块与上下文延续保证长文本声线一致。
Q：逗哥配音长文本配音如何保持稳定？ A：通过上下文 carryover 与分块生成，让多段落共享同一声线与情绪设定，避免流式导致的串味。
