การแสดงตัวอย่างเนื้อหาต้นแบบ ตัวเลข รายละเอียดผู้แต่ง การกล่าวอ้างผลิตภัณฑ์ และตัวอย่าง API อยู่ระหว่างการตรวจสอบยืนยัน ตัวอย่างไม่ได้รับการยืนยันคำแนะนำในการบูรณาการ
ภาษา 99, เสียง 48, เวลาแฝงของ 128m — วิธีเลือกรูปแบบคำพูดที่เหมาะสมสำหรับผู้ช่วยเสียง การถอดเสียง และแอปหลายภาษา
ปริมาณงานคำพูดล้มเหลวบนแกนที่แตกต่างจากแกนข้อความ งบประมาณเวลาในการตอบสนองนั้นยาก ความครอบคลุมของภาษาไม่เท่ากัน และผู้ใช้โหมดความล้มเหลวสังเกตเห็นว่าส่วนใหญ่ไม่ใช่คำที่ผิด แต่เป็นการหยุดชั่วคราวอย่างเชื่องช้า
เริ่มต้นด้วยงบประมาณเวลาในการตอบสนอง
ผู้ช่วยเสียงต้องการเสียงออกครั้งแรกภายใต้ 300m ตั้งแต่ต้นจนจบ ซึ่งจะเหลือ 120m ไว้สำหรับ TTS เมื่อคุณพิจารณา ASR การหมุนของโมเดล และเครือข่าย การถอดเสียงเป็นชุดไม่มีงบประมาณดังกล่าว และควรปรับให้เหมาะสมเพื่อความถูกต้องแม่นยำต่อดอลลาร์เท่านั้น
- เสียงแบบโต้ตอบ: สตรีมมิ่ง ASR + 128ms TTS ยอมรับอัตราข้อผิดพลาดของคำที่สูงขึ้น
- การถอดเสียงการประชุม: ชุด ASR พร้อมไดอะไรเซชัน ความถูกต้องก่อน
- IVR หลายภาษา: ครอบคลุมก่อน — ตรวจสอบสถานที่ที่แน่นอนของคุณ ไม่ใช่แค่ภาษา
- หนังสือเสียงและคำบรรยาย: TTS คุณภาพสูงสุด, ไม่เกี่ยวข้องกับความหน่วง, เลือกช่วงเสียง
ความครอบคลุมของภาษาไม่สม่ำเสมอ
ภาษาที่รองรับ 99 ไม่ได้หมายความว่าภาษาที่ดีพอๆ กันของ 99 อัตราข้อผิดพลาดของคำในภาษาสิบอันดับแรกของเราโดยเฉลี่ยคือ 3.1%; ข้ามหางยาวคือ 11.4%
เปรียบเทียบเสียงของคุณเองเสมอ การบันทึกตัวแทนความยาว 20 นาที — ไมโครโฟนจริง, เสียงพื้นหลังจริง, สำเนียงจริง — จะบอกคุณได้มากกว่าเกณฑ์มาตรฐานใดๆ ที่เผยแพร่
สตรีมมิ่งทั้งสองทิศทาง
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)