Prototip içerik önizlemesi. Şekiller, yazar ayrıntıları, ürün iddiaları ve API örnekleri doğrulamayı beklemektedir; örnekler onaylanmış entegrasyon talimatları değildir.
99 dilleri, 48 sesleri, 128m gecikmesi — sesli asistanlar, transkripsiyon ve çok dilli uygulamalar için doğru konuşma modelinin nasıl seçileceği.
Konuşma iş yükleri metin iş yüklerinden farklı eksenlerde başarısız olur. Gecikme bütçeleri zordur, dil kapsamı eşit değildir ve kullanıcıların en çok fark ettiği hata modu, yanlış bir kelime değil, tuhaf bir duraklamadır.
Gecikme bütçesiyle başlayın
Bir sesli asistanın ilk ses çıkışının 300m'nin uçtan uca altında olması gerekir. ASR'yi, model dönüşünü ve ağı hesaba kattığınızda geriye TTS için kabaca 120m kalıyor. Toplu transkripsiyonun böyle bir bütçesi yoktur ve yalnızca dolar başına doğruluk için optimize edilmelidir.
- Etkileşimli ses: ASR + 128ms TTS akışı, daha yüksek bir kelime hatası oranını kabul eder
- Toplantı transkripsiyonu: ASR'yi günlükleştirmeyle toplu olarak, doğruluk öncelikli
- Çok dilli IVR: önce kapsam — yalnızca dili değil, tam yerel ayarınızı da doğrulayın
- Sesli kitap ve anlatım: en yüksek kalitede TTS, gecikmeden bağımsız, ses aralığını seçin
Dil kapsamı tek tip değil
99'nin desteklediği diller, 99'nin eşit derecede iyi diller olduğu anlamına gelmez. İlk on yerel ayar ortalamamızdaki kelime hatası oranı 3.1%; uzun kuyruk boyunca 11.4%'dir.
Daima kendi sesinizi karşılaştırın. Yirmi dakikalık temsili kayıtlar (gerçek mikrofonlar, gerçek arka plan gürültüsü, gerçek vurgular) size yayınlanmış herhangi bir karşılaştırmadan daha fazlasını anlatacaktır.
Her iki yönde akış
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)