Aperçu du contenu du prototype. Les figures, les détails de l'auteur, les revendications du produit et les exemples API sont en attente de vérification ; les exemples ne sont pas des instructions d’intégration confirmées.
Langues 99, voix 48, latence 128m : comment choisir le bon modèle vocal pour les assistants vocaux, la transcription et les applications multilingues.
Les charges de travail vocales échouent sur des axes différents de ceux du texte. Les budgets de latence sont difficiles, la couverture linguistique est inégale et le mode d'échec que les utilisateurs remarquent le plus n'est pas un mauvais mot mais une pause gênante.
Commencez par le budget de latence
Un assistant vocal a besoin d’une première sortie audio sous 300m de bout en bout. Cela laisse environ 120m pour TTS une fois que vous avez pris en compte ASR, le tour du modèle et le réseau. La transcription par lots ne dispose pas d'un tel budget et devrait être optimisée uniquement pour la précision par dollar.
- Voix interactive : streaming ASR + 128ms TTS, acceptez un taux d'erreur de mot plus élevé
- Transcription de réunion : lot ASR avec diarisation, la précision avant tout
- SVI multilingue : la couverture d'abord – vérifiez votre région exacte, pas seulement la langue
- Livre audio et narration : TTS de la plus haute qualité, latence non pertinente, choix de la plage vocale
La couverture linguistique n’est pas uniforme
Les langues prises en charge par 99 ne signifient pas que les langues 99 sont tout aussi bonnes. Le taux d'erreur de mots dans nos dix principales régions est en moyenne de 3.1% ; sur la longue queue, c'est 11.4%.
Comparez toujours sur votre propre audio. Vingt minutes d’enregistrements représentatifs – de vrais microphones, de vrais bruits de fond, de vrais accents – vous en diront plus que n’importe quelle référence publiée.
Diffusion dans les deux sens
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)