پیش نمایش محتوای اولیه ارقام، جزئیات نویسنده، ادعاهای محصول و نمونههای API در انتظار تأیید هستند. نمونه ها دستورالعمل های یکپارچه سازی تایید نشده اند.
زبانهای 99، صداهای 48، تأخیر 128m - نحوه انتخاب مدل گفتار مناسب برای دستیارهای صوتی، رونویسی و برنامههای چند زبانه.
حجم کار گفتار در محورهای متفاوتی نسبت به محورهای متنی شکست می خورد. بودجه تأخیر سخت است، پوشش زبان ناهموار است، و کاربران حالت شکست بیشتر متوجه می شوند که کلمه اشتباهی نیست بلکه یک مکث ناخوشایند است.
با بودجه تأخیر شروع کنید
یک دستیار صوتی نیاز به اولین صدا در زیر 300m ها دارد. پس از محاسبه ASR، چرخش مدل و شبکه، تقریباً 120m برای TTS باقی می ماند. رونویسی دسته ای چنین بودجه ای ندارد و باید صرفاً برای دقت در هر دلار بهینه شود.
- صدای تعاملی: پخش جریانی ASR + 128ms TTS، نرخ خطای کلمه بالاتر را بپذیرید
- رونویسی جلسه: دسته ای ASR با دیاریزاسیون، ابتدا دقت
- تلفن گویا چندزبانه: ابتدا پوشش - محل دقیق خود را تأیید کنید، نه فقط زبان
- کتاب صوتی و روایت: با بالاترین کیفیت TTS، تأخیر نامربوط، انتخاب محدوده صوتی
پوشش زبان یکنواخت نیست
زبانهای پشتیبانیشده 99 به معنای زبانهای خوب 99 نیست. نرخ خطای کلمه در ده منطقه برتر ما میانگین 3.1% است. در سراسر دم بلند 11.4% است.
همیشه روی صدای خود محک بزنید. بیست دقیقه ضبط نماینده - میکروفون واقعی، نویز پسزمینه واقعی، لهجههای واقعی - بیش از هر معیار منتشر شده به شما میگوید.
پخش جریانی در هر دو جهت
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="aria",
input=text,
extra_body={"amplink": {"first_chunk_target_ms": 128}},
) as stream:
for chunk in stream.iter_bytes():
play(chunk)