AI и дата-центры
AssemblyAI выпустила первую модель синтеза речи TTS-1: голос для живых звонков за $15 за 1 млн символов
Публикация:
Модель озвучивает ответы голосовых агентов в живых звонках, стартует за 90 мс и стоит $15 за 1 млн символов без годового контракта и лимита параллельных запросов.
AssemblyAI выпустила AssemblyAI-TTS-1, первую модель синтеза речи компании, и открыла к ней общий доступ. Модель построена для голосовых агентов, которые разговаривают с клиентами по телефону в реальном времени, а не для озвучивания заранее записанных файлов.
В основе модели лежат непрерывные аудио-представления вместо дискретных токенов: компания утверждает, что такой подход повышает естественность речи и сокращает время до первого звука. По замерам самой AssemblyAI, медианное время до первого байта составило 47 мс, а для рабочих условий компания называет 90 мс до первого звука.
По собственным тестам компании, точность слов составила 99.0%, а точность сущностей, номеров телефонов и кодов, 93.7%. Независимый замер Cekura дал другую картину: 81.5% точности чтения и медианная задержка потока 159 мс.
Модель стоит $15 за 1 млн символов, работает через HTTP и WebSocket, поддерживает шесть языков, включая английский, испанский, французский, немецкий, итальянский и португальский, и предлагает библиотеку из более чем 4,000 голосов с мгновенным клонированием. Ограничения на старте тоже названы открыто: нет SSML, регулировки скорости и словарей произношения.