99 idiomas, 48 vozes, latência de 128 ms — como escolher o modelo de fala certo para assistentes de voz, transcrição e aplicações multilíngues.
As cargas de trabalho de fala falham em eixos diferentes dos de texto. Os orçamentos de latência são difíceis, a cobertura linguística é desigual e o modo de falha que os utilizadores mais notam não é uma palavra errada, mas uma pausa estranha.
Comece com o orçamento de latência
Um assistente de voz precisa da primeira saída de áudio em menos de 300 ms, de ponta a ponta. Isso deixa cerca de 120 ms para o TTS, uma vez que o utilizador considera o ASR, a virada do modelo e a rede. A transcrição em lote não tem esse orçamento e deve ser otimizada apenas para precisão por dólar.
- Voz interativa: streaming ASR + 128ms TTS, aceita uma taxa de erro de palavra mais alta
- Transcrição da reunião: ASR em lote com diarização, precisão primeiro
- IVR multilíngue: cobertura primeiro — verifique sua localidade exata, não apenas o idioma
- Audiolivro e narração: TTS da mais alta qualidade, latência irrelevante, escolha no alcance da voz
A cobertura linguística não é uniforme
99 idiomas suportados não significa 99 idiomas igualmente bons. A taxa de erro de palavras em nossos dez principais locais é em média de 3,1%; na cauda longa é de 11,4%.
Sempre compare seu próprio áudio. Vinte minutos de gravações representativas – microfones reais, ruído de fundo real, sotaques reais – lhe dirão mais do que qualquer benchmark publicado.
Transmitindo em ambas as direções
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)