عرضه مدل تبدیل متن به گفتار AssemblyAI-TTS-1 برای عامل‌های صوتی
شرکت AssemblyAI مدل جدید AssemblyAI-TTS-1 را برای تبدیل متن به گفتار در مکالمات زنده تلفنی عرضه کرد. این سرویس ابری با قیمت ۱۵ دلار به ازای هر یک میلیون کاراکتر و بدون محدودیت همزمانی ارائه می‌شود.
شرکت AssemblyAI نخستین مدل اختصاصی تبدیل متن به گفتار خود را با نام AssemblyAI-TTS-1 به‌طور عمومی منتشر کرد. این رابط برنامه‌نویسی (API) به‌طور خاص برای عامل‌های صوتی طراحی شده است که در تماس‌های تلفنی زنده پاسخگویی می‌کنند؛ محیطی که تاخیر زمانی و تلفظ درست کلمات نقش حیاتی در آن ایفا می‌کند.
مدل TTS-1 بر روی میلیون‌ها ساعت صوت واقعی آموزش دیده است و به‌جای نشانه‌های گسسته (Discrete Tokens)، بر روی بازنمایی‌های صوتی پیوسته کار می‌کند. به گفته سازندگان، این معماری باعث افزایش واقع‌گرایی صدا و کاهش تاخیر تا اولین بایت صوتی می‌شود. این سرویس در زمان عرضه از ۶ زبان انگلیسی، اسپانیایی، فرانسوی، آلمانی، ایتالیایی و پرتغالی پشتیبانی می‌کند و دارای بیش از ۴,۰۰۰ صدا و قابلیت کلون‌سازی سریع صدا است.
بر اساس ارزیابی‌های خود شرکت، تاخیر میانه تا اولین بایت (TTFB) در این مدل ۴۷ میلی‌ثانیه و دقت تلفظ شناسه دقیق (Entity Accuracy) ۹۳.۷ درصد ثبت شده است. با این حال، در بنچمارک‌های مستقل مانند Cekura، تاخیر استریمینگ آن ۱۵۹ میلی‌ثانیه و دقت خواندن ۸۱.۵ درصد اندازه‌گیری شده است.
هزینه استفاده از این مدل ۱۵ دلار به ازای هر یک میلیون کاراکتر تعیین شده است و هیچ هزینه پنهان یا محدودیت همزمانی برای آن وجود ندارد. با این حال، قابلیت‌هایی مانند تنظیمات SSML، کنترل سرعت، دیکشنری اختصاصی تلفظ و برچسب‌های احساسی هنوز در نسخه اولیه ارائه نشده‌اند.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.