Luna-TTS VUI Labs: Teknologi, Peringkat, dan Alasan di Balik Performanya

Luna-TTS adalah keluarga model text-to-speech (TTS) multibahasa yang dikembangkan VUI Labs, perusahaan rintisan kecerdasan buatan suara asal Tiongkok. Keluarga ini mencakup versi standar yang berfokus pada kualitas suara dan Luna-TTS Realtime untuk interaksi berlatensi rendah.

VUI Labs didirikan pada awal 2025. Laporan publik menyebut perusahaan ini didirikan oleh Qian Yanmin, profesor Shanghai Jiao Tong University, bersama serial entrepreneur Mei Jie.

Yang membuat Luna-TTS menarik bukan sekadar klaim peringkat. Model ini mencoba mengubah cara suara dihasilkan: dari prediksi token secara berurutan menjadi generasi paralel yang lebih dekat dengan pendekatan diffusion model. Suara terlebih dahulu diubah menjadi token diskret, kemudian model melakukan beberapa putaran pengisian dan perbaikan token yang ditutupi atau masked.13

Seberapa tinggi peringkat Luna-TTS?

Jawabannya bergantung pada leaderboard, versi model, dan tanggal pengukuran. Karena itu, Luna-TTS sebaiknya tidak disebut sebagai “nomor satu dunia” secara permanen.

• Hugging Face TTS Arena: Dalam laporan pada Agustus 2026, Luna-TTS disebut berada di peringkat pertama, mengungguli model dari ElevenLabs, MiniMax, dan Cartesia.810
• Artificial Analysis Speech Arena: Pada periode yang sama, pemberitaan menempatkan Luna-TTS di posisi ketiga, di atas model Google.8
• Snapshot yang lebih baru: Papan peringkat Artificial Analysis per 1 September 2026 menempatkan Cartesia Sonic 3.6 di posisi pertama dan Luna TTS di posisi kelima. ElevenLabs v3 Conversational berada di posisi kedelapan.
• Data cermin pada akhir Agustus: Beberapa salinan leaderboard menempatkan Qwen-Audio-3.0-TTS-Plus di atas Luna TTS.

Perbedaan ini tidak otomatis berarti datanya saling bertentangan. Leaderboard berbasis uji dengar buta dipengaruhi oleh versi model, bahasa pengujian, karakter suara, prompt, jumlah sampel, serta waktu pemungutan suara.

Kesimpulan yang paling aman adalah Luna-TTS telah masuk jajaran atas model TTS global dan sempat mencapai posisi pertama atau ketiga dalam jendela waktu tertentu. Namun, sumber yang tersedia belum membuktikan bahwa model ini secara konsisten mengungguli Cartesia, ElevenLabs, Qwen, Google, atau seluruh pesaing lainnya.

Data yang ada juga belum cukup untuk menentukan posisi Luna-TTS secara presisi terhadap model ByteDance Seed atau Zhipu. Jadi, hubungan kompetitif di antara model-model tersebut tidak seharusnya ditulis sebagai kemenangan menyeluruh yang sudah pasti.

Teknologi utama Luna-TTS

Masked diffusion berbasis Qwen3

Luna-TTS dikembangkan dari model bahasa Qwen3-0.6B dan dilatih lebih lanjut agar dapat memproses token suara.2 Berbeda dari TTS autoregresif tradisional yang memprediksi token codec berikutnya secara bertahap, Luna-TTS mengolah keseluruhan grid token RVQ (residual vector quantization), lalu memperbaiki posisi-posisi yang tertutup melalui beberapa putaran secara paralel.14

Perubahan ini mengurangi ketergantungan pada awalan urutan suara. Model dapat menangani banyak posisi sekaligus, sehingga berpotensi memangkas latensi pada urutan panjang dan mengurangi risiko kesalahan yang terus terbawa dari satu token ke token berikutnya.13

Luna-Codec: delapan codebook, 24 kHz, dan 25 Hz

Luna-TTS menggunakan codec audio yang dikembangkan sendiri, yaitu Luna-Codec. Materi publik menyebut desain dengan frekuensi sampling 24 kHz, frame rate 25 Hz, dan delapan codebook.89

Codec ini mengubah gelombang audio menjadi representasi diskret yang lebih mudah diproses model bahasa, sembari mempertahankan detail akustik yang dibutuhkan untuk menghasilkan suara natural. Codec bukan sekadar komponen kompresi: ia menentukan jumlah informasi suara yang harus diprediksi, jumlah frame yang diproses setiap detik, serta seberapa baik model menyeimbangkan kualitas dan kecepatan.

Dengan kata lain, pendekatan Luna-TTS merupakan gabungan desain model bahasa, codec diskret, dan proses sampling berbasis difusi—bukan sekadar mengganti satu modul dalam sistem TTS lama.

Versi Realtime memakai generasi berbasis blok

Model standar dapat menghasilkan satu ujaran secara non-autoregresif penuh. Namun, percakapan langsung membutuhkan audio yang mulai diputar sebelum pengguna selesai mengucapkan seluruh kalimat. Untuk itu, Luna-TTS Realtime menggunakan pendekatan kompromi.

Versi ini menghasilkan audio secara berurutan antarkelompok, tetapi melakukan denoising secara paralel di dalam setiap kelompok. Satu blok terdiri dari 32 frame codec atau sekitar 1,28 detik audio. Sistem juga menggunakan KV Cache untuk mempertahankan konteks dan mengirimkan audio secara bertahap setelah blok pertama selesai.1

Karena itu, menyebut Luna-TTS Realtime sebagai model yang sepenuhnya non-autoregresif tidaklah tepat. Penjelasan yang lebih akurat adalah: model ini memiliki ketergantungan autoregresif di tingkat blok, sementara token-token di dalam satu blok dihasilkan melalui proses difusi paralel.

GRPO dan kontrol ekspresi

Laporan teknis Luna-TTS menjelaskan tahap pascapelatihan berbasis GRPO yang disesuaikan untuk proses masked diffusion diskret. Sistem ini juga dirancang untuk mengontrol emosi dan vokalisasi nonverbal.15

Tujuannya bukan hanya membuat ucapan mudah dipahami, tetapi juga meningkatkan kealamian, ekspresi, dan kesesuaian dengan preferensi pendengar. Penyuntingan suara serta kloning suara zero-shot dapat dipandang sebagai tugas mengisi atau menulis ulang bagian tertentu dari grid token suara.14

Meski demikian, kualitas kloning, durasi audio referensi yang dibutuhkan, dan kestabilannya di berbagai bahasa tetap perlu diuji langsung. Arsitektur saja belum cukup untuk membuktikan performa produk dalam semua kondisi.

Apa arti angka kecepatannya?

Laporan teknis Luna-TTS Realtime menyebut real-time factor (RTF) 0,024 dan waktu 41,6 milidetik untuk mengirim blok audio pertama berdurasi 1,28 detik. Angka tersebut diukur menggunakan protokol layanan lokal yang sudah dipanaskan (warmed serving protocol).15

Pemberitaan terkait juga menyebut penggunaan 8–16 langkah denoising dan dua GPU H20 dalam pengujian.7 Jika dilihat dari batas mesin inferensi yang diukur, hasil ini menunjukkan throughput generasi yang tinggi.

Namun, angka tersebut tidak sama dengan latensi yang pasti dirasakan semua pengguna pada API cloud. Pengujian menggunakan perangkat keras, konfigurasi paralel, layanan yang sudah dipanaskan, dan protokol deployment tertentu. Dalam penggunaan nyata, jaringan, antrean server, pemrosesan teks, decoding audio, serta beban produksi dapat menambah waktu tunggu.

Dengan demikian, 41,6 milidetik lebih tepat dipahami sebagai waktu pengiriman blok pertama dalam kondisi pengujian terkontrol—bukan janji bahwa setiap pengguna akan selalu memperoleh latensi end-to-end yang sama.

Data pelatihan dan kemampuan multibahasa

Penulis laporan menyatakan bahwa Luna-TTS dilatih menggunakan sekitar satu juta jam data suara dalam bahasa Mandarin, Inggris, Jepang, dan Korea.12 Data multibahasa dalam skala besar dapat membantu model mempelajari pelafalan, prosodi, dan karakter suara lintas bahasa.

Akan tetapi, ringkasan publik yang tersedia belum memuat rincian yang cukup untuk menilai secara independen asal data, standar pembersihan, proporsi tiap bahasa, atau kepatuhan hak cipta. Karena itu, angka satu juta jam dapat disebut sebagai skala pelatihan yang dilaporkan, tetapi tidak boleh langsung ditafsirkan bahwa Luna-TTS unggul dalam setiap bahasa, aksen, atau skenario penggunaan.

Pendiri, produk, dan arah bisnis VUI Labs

Dari informasi publik, VUI Labs tidak hanya memosisikan Luna-TTS sebagai mesin sintesis suara. Perusahaan ini juga mengembangkan kemampuan model dan API, perangkat bagi kreator, serta aplikasi agen suara.

Strategi tersebut menunjukkan bahwa kualitas model hanyalah satu bagian dari produk. Nilai bisnis akhirnya juga bergantung pada kloning suara, kontrol emosi, orkestrasi percakapan, latensi, biaya inferensi, keamanan, dan kemudahan integrasi ke sistem perusahaan.

Sejumlah laporan industri menyebut teknologi VUI Labs telah digunakan dalam pengaturan logistik, asuransi daring, serta perangkat lunak perjalanan dan perhotelan. Beberapa pelanggan diklaim telah menyelesaikan lebih dari satu juta percakapan bisnis secara kumulatif.6

Namun, angka tersebut merupakan klaim perusahaan atau pihak deployment yang diberitakan media, bukan metrik yang diaudit secara independen. Informasi publik juga belum mengungkap daftar pelanggan secara lengkap, definisi “percakapan”, periode aktif, atau dasar perbandingan dengan pemasok lain.

Komposisi awal tim VUI Labs memperlihatkan perpaduan antara pemimpin riset akademik dan pemimpin produk-komersial: Qian Yanmin memimpin arah riset suara dan AI, sedangkan Mei Jie diberitakan sebagai serial entrepreneur. Struktur semacam ini dapat membantu mengubah riset menjadi API, solusi industri, dan produk agen suara. Namun, daya saing jangka panjang tetap akan ditentukan oleh siklus data, retensi pelanggan, biaya inferensi per permintaan, dan kemampuan delivery global.

Di mana letak keunggulan Luna-TTS?

Berdasarkan laporan teknis dan data leaderboard, keunggulan yang paling dapat dipertanggungjawabkan mencakup:

1. Perubahan paradigma generasi: masked diffusion diskret menggantikan prediksi autoregresif token demi token.
2. Kolaborasi codec dan model: representasi delapan codebook, 24 kHz, dan 25 Hz menyediakan antarmuka audio diskret untuk generasi paralel.89
3. Kualitas sekaligus kendali: prapelatihan multibahasa, kontrol emosi, dan pascapelatihan GRPO diarahkan untuk meningkatkan ekspresi suara.1
4. Optimasi untuk percakapan langsung: blok 1,28 detik, denoising paralel di dalam blok, dan KV Cache membuat pendekatan difusi lebih sesuai untuk streaming.14

Desain ini membantu menjelaskan mengapa Luna-TTS dapat meraih posisi tinggi dalam sejumlah uji dengar buta. Namun, desain tersebut tidak otomatis membuktikan keunggulan menyeluruh dalam harga, kestabilan teks panjang, konsistensi karakter suara, keamanan hak cipta, ketersediaan API, atau semua bahasa.

Kesimpulan: pesaing papan atas, bukan juara permanen

Cerita utama Luna-TTS memiliki dasar teknis yang kuat. VUI Labs menggabungkan model bahasa turunan Qwen3, codec suara diskret, masked diffusion, pascapelatihan penguatan, serta inferensi streaming berbasis blok menjadi satu sistem TTS yang utuh.1

Model ini memang pernah berada di posisi pertama dalam laporan Hugging Face TTS Arena pada Agustus 2026 dan di posisi ketiga dalam laporan Artificial Analysis pada periode yang sama. Namun, snapshot Artificial Analysis per 1 September 2026 menempatkannya di posisi kelima.8

Penilaian yang paling masuk akal bukanlah bahwa Luna-TTS “selamanya mengalahkan semua pesaing”, melainkan bahwa model ini sudah menjadi salah satu pemain penting dalam kompetisi TTS global. Pendekatan generasi difusi paralel dan streaming berbasis blok layak terus diamati.

Bagi pengembang yang sedang memilih layanan TTS, langkah terbaik bukan hanya melihat satu peringkat umum. Uji langsung bahasa target, kloning suara, kontrol emosi, latensi blok pertama, konsistensi teks panjang, kualitas audio, serta biaya API dalam skenario penggunaan yang sebenarnya.