Что вы используете для синтеза речи в голосовых агентах? Задержка убивает опыт

Разработчик голосовых агентов ищет оптимальное решение для синтеза речи (TTS), сталкиваясь с критической задержкой в продакшене. Обсуждаются конкретные сервисы вроде ElevenLabs, Deepgram и Cartesia, где приоритет отдаётся минимальному time-to-first-byte и потоковой передаче, а не только качеству голоса. Ключевая проблема — задержка перед началом речи, которая влияет на восприятие звонка.