定義
RTF（実時間係数）とは、音声処理にかかった時間を音声の長さで割った指標のこと。1未満なら実時間より高速、1超なら実時間より低速な処理を意味する。
RTF (実時間係数)とは（詳しく解説）
RTF（Real-Time Factor、実時間係数）は、音声認識・音声合成システムの処理速度を表す業界標準の指標で、処理時間を入力音声の長さで割った値として定義される。RTFが1未満であれば音声の長さより短い時間で処理が完了し、リアルタイム用途に耐えると判断されることが多い。ストリーミングTTSやコールセンターのリアルタイム音声認識では、RTFが1を明確に下回り、余裕を持った値であることが求められる。2026年時点の実運用では、GPU使用量が増えるほどRTFは改善するが、その分コストが跳ね上がる点が現場での落とし穴になりやすい。特にバッチ処理とストリーミング処理でRTFの測定条件が異なるため、ベンダー公表値をそのまま比較すると相場感を見誤ることがある。現場での選び方としては、実際の入力長・同時接続数を想定した負荷条件でRTFを再計測し、コストと遅延のバランスが取れる構成を選定することが重要とされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「RTF (実時間係数)とは」 https://aipicks.jp/glossary/real-time-factor
RTF (実時間係数)の使用例
- 音声合成APIのベンチマークで「RTF 0.4」と表示された場合、1秒の音声を0.4秒で生成できたことを意味する。
- プロンプト例：「このTTSモデルのRTFをGPUとCPUそれぞれで計測し、リアルタイム要件を満たすか判定して」
