Предварительный просмотр содержимого прототипа. Рисунки, сведения об авторе, заявления о продукте и примеры API ожидают проверки; примеры не являются подтвержденными инструкциями по интеграции.
Языки 99, голоса 48, задержка 128ms — как выбрать правильную модель речи для голосовых помощников, транскрипции и многоязычных приложений.
Речевые рабочие нагрузки терпят неудачу по разным осям, чем текстовые. Бюджеты задержек жесткие, языковой охват неравномерен, и пользователи режима сбоя чаще всего замечают не неправильное слово, а неловкую паузу.
Начните с бюджета задержки
Голосовому помощнику нужен первый аудиовыход под 300m. Остается примерно 120m для TTS, если учесть ASR, поворот модели и сеть. Пакетная транскрипция не имеет такого бюджета и должна оптимизироваться исключительно с точки зрения точности в расчете на доллар.
- Интерактивный голос: потоковая передача ASR + 128ms TTS, прием более высокого уровня ошибок в словах.
- Транскрипция встречи: пакет ASR с диаризацией, точность превыше всего
- Многоязычный IVR: прежде всего покрытие — проверьте точный регион, а не только язык
- Аудиокнига и дикторство: TTS высочайшего качества, задержка не имеет значения, выбор голосового диапазона
Языковой охват неоднороден
Поддержка языков 99 не означает, что 99 одинаково хороши языками. Средняя частота ошибок в словах в десяти лучших локалях равна 3.1%; на длинном хвосте это 11.4%.
Всегда сравнивайте свой собственный звук. Двадцать минут репрезентативных записей — настоящие микрофоны, настоящий фоновый шум, настоящие акценты — скажут вам больше, чем любой опубликованный тест.
Потоковая передача в обоих направлениях
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)