99 ngôn ngữ, 48 giọng nói, độ trễ 128 mili giây — cách chọn mẫu giọng nói phù hợp cho trợ lý giọng nói, phiên âm và ứng dụng đa ngôn ngữ.
Khối lượng công việc bằng lời nói bị lỗi trên các trục khác với trục văn bản. Ngân sách dành cho độ trễ rất khó, phạm vi ngôn ngữ không đồng đều và chế độ lỗi mà người dùng nhận thấy nhiều nhất không phải là từ sai mà là sự tạm dừng khó xử.
Bắt đầu với ngân sách độ trễ
Trợ lý giọng nói cần phát ra âm thanh đầu tiên trong thời gian dưới 300 mili giây từ đầu đến cuối. Điều đó để lại khoảng 120 mili giây cho TTS sau khi bạn tính đến ASR, lượt mô hình và mạng. Phiên âm hàng loạt không có ngân sách như vậy và nên tối ưu hóa hoàn toàn để đảm bảo độ chính xác trên mỗi đô la.
- Giọng nói tương tác: streaming ASR + 128ms TTS, chấp nhận tỷ lệ lỗi từ cao hơn
- Phiên âm cuộc họp: ASR hàng loạt có ghi nhật ký, độ chính xác đặt lên hàng đầu
- IVR đa ngôn ngữ: phủ sóng trước tiên — xác minh chính xác khu vực của bạn, không chỉ ngôn ngữ
- Sách nói và tường thuật: TTS chất lượng cao nhất, độ trễ không liên quan, chọn theo phạm vi giọng nói
Phạm vi ngôn ngữ không đồng đều
99 ngôn ngữ được hỗ trợ không có nghĩa là 99 ngôn ngữ tốt như nhau. Tỷ lệ lỗi từ trên 10 ngôn ngữ hàng đầu của chúng tôi trung bình là 3,1%; ở phần đuôi dài là 11,4%.
Luôn chuẩn hóa âm thanh của chính bạn. Hai mươi phút ghi âm tiêu biểu — micrô thực, tiếng ồn xung quanh thực, giọng thực — sẽ cho bạn biết nhiều hơn bất kỳ điểm chuẩn nào được công bố.
Truyền phát cả hai hướng
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)