Pratinjau konten prototipe. Gambar, detail penulis, klaim produk, dan contoh API menunggu verifikasi; contoh instruksi integrasi tidak dikonfirmasi.
Bahasa 99, suara 48, latensi 128m — cara memilih model ucapan yang tepat untuk asisten suara, transkripsi, dan aplikasi multibahasa.
Beban kerja ucapan gagal pada sumbu yang berbeda dengan sumbu teks. Anggaran latensi sulit, cakupan bahasa tidak merata, dan mode kegagalan yang paling diperhatikan pengguna bukanlah kata yang salah, melainkan jeda yang canggung.
Mulailah dengan anggaran latensi
Asisten suara memerlukan audio pertama yang keluar di bawah 300m secara menyeluruh. Itu menyisakan sekitar 120m untuk TTS setelah Anda memperhitungkan ASR, pergantian model, dan jaringan. Transkripsi batch tidak memiliki anggaran seperti itu dan harus dioptimalkan murni untuk akurasi per dolar.
- Suara interaktif: streaming ASR + 128ms TTS, menerima tingkat kesalahan kata yang lebih tinggi
- Transkripsi rapat: batch ASR dengan diarisasi, akurasi diutamakan
- IVR multibahasa: cakupannya diutamakan — verifikasi lokasi sebenarnya Anda, bukan hanya bahasanya
- Buku audio dan narasi: TTS kualitas tertinggi, latensi tidak relevan, pilih rentang suara
Cakupan bahasa tidak seragam
Bahasa yang didukung 99 tidak berarti bahasa 99 sama bagusnya. Tingkat kesalahan kata pada sepuluh lokal teratas kami rata-rata 3.1%; di ekor panjangnya adalah 11.4%.
Selalu lakukan benchmark pada audio Anda sendiri. Rekaman representatif selama dua puluh menit — mikrofon asli, kebisingan latar belakang nyata, aksen nyata — akan memberi tahu Anda lebih dari sekadar tolok ukur apa pun yang dipublikasikan.
Streaming dua arah
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)