Az AssemblyAI új beszédszintetizátora 47 milliszekundum alatt megszólal
Az AssemblyAI általánosan elérhetővé tette az AssemblyAI-TTS-1 beszédszintézis-modellt, amelyet kifejezetten hangügynökök számára fejlesztettek. A vállalat szerint a rendszer 47 milliszekundumos medián késleltetéssel kezdi streamelni a hangot, és 1 millió karakterenként 15 dollárba kerül.
- Az AssemblyAI-TTS-1 általánosan elérhetővé vált hangügynökökhöz.
- A medián idő az első hangadatig 47 milliszekundum.
- Az ár 15 dollár 1 millió karakterenként.
- A szolgáltatás korlátlan párhuzamosságot kínál éves szerződés nélkül.
- Több mint 4000 hang és azonnali hangklónozás érhető el.
Gyors válasz és természetesebb hang
Az AssemblyAI szerint a hangügynökök terjedésének egyik akadálya, hogy a telefonálók gyorsan felismerik az automatizált, IVR-rendszerekre emlékeztető hangot, majd megszakítják a hívást vagy ügyintézőt kérnek. A vállalat ezért olyan beszédszintézist fejlesztett, amely természetesebben szólal meg, és rövid idő alatt válaszol.
Az AssemblyAI-TTS-1 az AssemblyAI közlése szerint 90 milliszekundum alatt képes elkezdeni a hang streamelését. A cég saját, hat modell összehasonlítására épülő mérésében a medián idő az első hangadatig 47 milliszekundum volt. A következő leggyorsabb modell 119 milliszekundumnál kezdett, a leglassabb pedig 612 milliszekundumnál.
A modell 99,0 százalékos szóhelyességet ért el, amikor a létrehozott hangot a bemeneti szöveggel vetették össze. Az olyan elemeknél, mint a számok, kódok és rövidítések, az entitáshelyesség 93,7 százalék volt. A természetességet mérő preferencia-előrejelző modelleken 3,85-ös átlagos eredményt ért el az ötfokú skálán.
Fix éves vállalás nélkül, korlátlan párhuzamossággal
Az AssemblyAI-TTS-1 ára 15 dollár 1 millió karakterenként. A vállalat ezt a hangügynökökhöz készült, élvonalbeli beszédszintézis-modellek között a legalacsonyabb árként mutatja be, és azt állítja, hogy a szolgáltatás korlátlan párhuzamos használatot kínál éves szerződés nélkül.
A szolgáltatásnál nincs kötelező költési vállalás és külön megvásárolandó párhuzamossági szint. Az AssemblyAI példája szerint ugyanazon, karakterenkénti áron tíz és tízezer egyidejű hívás is futtatható. A cég ezt a nagyobb léptékben működő hangügynökök költségeinek kiszámíthatóbb kezelésével kapcsolja össze.
Több ezer hang és azonnali hangklónozás
Az AssemblyAI hangkönyvtára több mint 4000 hangot tartalmaz, amelyek közül a fejlesztők a vezérlőpulton választhatnak. A szolgáltatás azonnali hangklónozást is kínál: a felhasználónak fel kell töltenie egy felvételt, és meg kell erősítenie, hogy rendelkezik a beszélő engedélyével. A klónozott hang a vállalat szerint néhány másodperccel később használható.
Az AssemblyAI-TTS-1 jelenleg angol, spanyol, francia, német, olasz és portugál nyelv különböző akcentusait támogatja. A cég a következő hetekre további nyelveket és akcentusokat ígér. A megjelenéskor még nem érhető el a finomhangolt, „Pro” hangklónozás, ahogy az egyedi kiejtési szótárak és az érzelmi címkézés sem.
Az AssemblyAI a modellt többek között a Cartesia Sonic 3.6, az Inworld TTS-2, az Inworld TTS-2 Flash, az ElevenLabs v4 és az ElevenLabs Flash v2.5 ellen mérte össze. A 580 nehéz célelemet tartalmazó kiejtési tesztben az AssemblyAI-TTS-1 93,7 százalékos eredményt ért el, az ElevenLabs v4 93,6 százalékával szemben.
A szolgáltatás ingyenesen kipróbálható az AssemblyAI játszóterén, meglévő AssemblyAI API-kulccsal. Ez lehetőséget ad a fejlesztőknek, hogy hangot válasszanak, szöveget adjanak meg, majd meghallgassák a generált eredményt.
