RTF (Hệ số thời gian thực) là thước đo thời gian xử lý âm thanh chia cho độ dài của âm thanh. Giá trị nhỏ hơn 1 có nghĩa là xử lý nhanh hơn thời gian thực và giá trị lớn hơn 1 có nghĩa là xử lý chậm hơn thời gian thực.
RTF (Hệ số thời gian thực) là chỉ báo tiêu chuẩn ngành về tốc độ xử lý của hệ thống nhận dạng giọng nói và tổng hợp giọng nói và được định nghĩa là thời gian xử lý chia cho độ dài của âm thanh đầu vào. Nếu RTF nhỏ hơn 1, quá trình xử lý sẽ được hoàn thành trong thời gian ngắn hơn độ dài của âm thanh và người ta thường đánh giá rằng nó có thể chịu được các ứng dụng thời gian thực. Để truyền trực tuyến TTS và nhận dạng giọng nói theo thời gian thực trong trung tâm cuộc gọi, RTF bắt buộc phải nhỏ hơn 1 rõ ràng và có giá trị có biên độ. Trong hoạt động thực tế kể từ năm 2026, RTF sẽ cải thiện khi mức sử dụng GPU tăng lên, nhưng chi phí cũng sẽ tăng tương ứng, đây có thể là một cạm bẫy trong lĩnh vực này. Đặc biệt, do các điều kiện đo RTF khác nhau giữa xử lý hàng loạt và xử lý phát trực tuyến, việc so sánh trực tiếp các giá trị được công bố của nhà cung cấp có thể dẫn đến hiểu sai về giá thị trường. Khi thực hiện lựa chọn tại chỗ, điều quan trọng là phải đo lại RTF trong điều kiện tải giả định độ dài đầu vào thực tế và số lượng kết nối đồng thời, đồng thời chọn cấu hình cân bằng giữa chi phí và độ trễ.