Anteprima del contenuto del prototipo. Le cifre, i dettagli dell'autore, le dichiarazioni sui prodotti e gli esempi API sono in attesa di verifica; gli esempi non sono istruzioni di integrazione confermate.
Lingue 99, voci 48, latenza 128m: come scegliere il modello vocale giusto per assistenti vocali, trascrizione e app multilingue.
I carichi di lavoro vocali falliscono su assi diversi rispetto a quelli di testo. I budget per la latenza sono rigidi, la copertura linguistica non è uniforme e la modalità di errore più notata dagli utenti non è una parola sbagliata ma una pausa imbarazzante.
Inizia con il budget di latenza
Un assistente vocale necessita della prima uscita audio sotto 300m dall'inizio alla fine. Ciò lascia all'incirca 120m per TTS una volta che si tiene conto di ASR, della svolta del modello e della rete. La trascrizione batch non prevede tale budget e dovrebbe essere ottimizzata esclusivamente per la precisione in base al dollaro.
- Voce interattiva: streaming ASR + 128m TTS, accetta un tasso di errore di parola più elevato
- Trascrizione della riunione: batch ASR con diarizzazione, prima la precisione
- IVR multilingue: la copertura prima di tutto: verifica la tua esatta localizzazione, non solo la lingua
- Audiolibro e narrazione: TTS di altissima qualità, latenza irrilevante, selezione della gamma vocale
La copertura linguistica non è uniforme
Le lingue supportate da 99 non significano lingue 99 ugualmente valide. Il tasso di errore di parole nelle nostre prime dieci lingue è medio 3.1%; lungo la lunga coda è 11.4%.
Confronta sempre il tuo audio. Venti minuti di registrazioni rappresentative – microfoni reali, rumore di fondo reale, accenti reali – ti diranno più di qualsiasi benchmark pubblicato.
Streaming in entrambe le direzioni
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)