Text to SpeechGenericName Ajan Mizik Audio to Text Klonaj Vokal Konsepsyon Voy Marketplace Pi plis
Rapò erè / demann fonksyonèl

TTS tan reyèl

Streaming tèks-a-parole ak sub-dezyèm premye-audio latency. Konpoze pou ajan vwa ak aplikasyon an vityèl.

Enskri pou gratis
Nou fè Vann Voy ou

& Modèl:

Streaming
0/5,000 karaktè ~0.3s premye son

Konfiguration

Modèl ki kapab stream sèlman.

Latency

—
Klike sou Flow pou mezire latens premye son an

Rezoud

Pakèt son yo pral jwe isit lè yo antre.

0:00
Premye pati: —
Total de moso: 0
Tan total: —

Kijan Streaming TTS travay

1. Envoye tèks

Post tèks nan /v1/tts/stream/ kòm yon demann Event-Sent Sèvis.

2. Modèl Génère

Kokoro tranche tèks la ak jenere son an echantiyon pa echantiyon sou GPU a.

3. Stream Chunks

1440 - Anpi Bizanten an kòmanse konkèt li sou peyi Lejip la.

Liy

Li se yon chante ki kòmanse ak yon fraz ki gen yon ti tan, men ki gen yon longè ki pi long.

Ka itilizasyon

Nan ki sub-dezyèm latency debloke nouvo eksperyans.

Ajan Vokal

Bots konvèsasyon ki reponn kòm vit kòm yon moun ta.

Doublaj

Tradiksyon ak doub yon koule nan tan reyèl san yo pa pause tampon.

Jwèt

NPC dyalòg ki reaksyone sou chwa jwè a imedyatman, pa gen VO pre-rendered.

Aksesibilite

Lekti ekran ak zouti asistans ki kòmanse pale lè yon itilizatè klike.

Plan TTS tan reyèl

Kòmanse gratis, mete ajou lè ou bezwen plis

Gratis
  • Kokoro streaming (model gratis)
  • 500 karaktè pou chak jenerasyon
  • 10 gratis streams / jou pou chak itilizatè anonim
  • Sub-second first-audio latency
  • SSE streaming sou HTTPS
Pi popilè
Kont gratis
  • 15,000 karaktè nan enskripsyon
  • 5,000 karaktè pou chak stream
  • API kle pou accès programatique
  • Istwa jenerasyon
  • Pa gen limit pou kantite stream chak jou
Enskri pou gratis
Pro
  • MOSS-TTS-Realtime (lè li ap viv)
  • 100,000 karaktè pou chak stream
  • Priyorite GPU
  • Ajan vwa + Twilio integrasyon
  • Limit pou pousantaj ki pi wo
Mete ajou

Kesyon ki poze souvan

Tèks-a-Vèb nan tan reyèl ap voye fragments son lè yo kreye, an plas pou yo tann pou fraz la konplètman fini. Premye echantiyon son an rive nan mwens pase yon dezyèm, ki fè li apwopriye pou ajan vwa an vi, doubling, ak aplikasyon entèaktif kote latency enpòtan.

TTS regilye jenere dosye son an antye anvan li retounen nenpòt bagay — ou tann, epi tande fraz la tout antye nan yon fwa. TTS tan reyèl itilize Evenman ki voye pa Sèvis (SSE) pou li voye kout moso son pandan modèl la ap pwodwi yo. Itilizatè a tande kòmanse fraz la prèske imedyatman, menm sou enpòte long.

Kokoro se baz done default — li kreye son 100 fwa pi vit pase tan reyèl sou yon GPU modèn. Nou ap enkòpore MOSS-TTS-Realtime kòm yon altènatif pi bon kalite; itilizatè yo pral kapab chwazi pou chak demann yon fwa li disponib.

Yon latyans premye son ki tipik sou Kokoro se 300-800ms sou yon koneksyon piblik. Rezo a domine apre sa. Paj la montre tan ki mezire an vityèl pou premye son nan UI a pou ou ka wè egzakteman konbyen tan chak demann pran.

Ajan vwa ki reponn konvèsasyonèlman, doublaj an vityèl pou medya streaming, NPCs jwèt entèaktif, lektè aksè ki kòmanse pale lè yon itilizatè klike, ak nenpòt aplikasyon kote tann de oswa twa segonn pou son an ta santi yo lent.

Wi. POSTe nan https://api.tts.ai/v1/tts/stream/ ak kò menm jan ak pwent fen /v1/tts/ regilye a. Reponn an se yon koule SSE de moso WAV ki enkode base64. Nivo gratis la sipòte 10 jenerasyon chak jou pou chak itilizatè anonim; itilizatè ki idantifye yo resevwa kantite karaktè pou chak kont.

Kokoro itilize vwa ki te antrene anvan epi li pa klone. MOSS-TTS-Realtime (lè li enkòpore) sipòte klonaj vwa san okenn efò soti nan yon referans 3 segonn. Pou klonaj vwa konplè jodi a, sèvi ak paj /text-to-speech/ regilye a ak Chatterbox oswa GPT-SoVITS — sa yo pa kapab fè streaming men yo pwodwi vwa Custom.

Kote karaktè koute menm jan ak pwent fen TTS nòmal. Kokoro se yon tiyè gratis (1x pri). MOSS-TTS-Realtime ap kouri sou tiyè estanda (2x pri) lè li aktive. Protokòl streaming la pa ajoute okenn pri sou-koute.

Wi — konbine pwent bout nan streaming ak yon webhook vwa Twilio pou bay odyo an vityèl nan yon apèl telefòn. Platfòm ajan vwa nou an deja fè sa pou IVR ak apèl soti. Latency bout-a-bò nan yon apèl telefòn se anjeneral 1-2 segonn ki gen ladan STT ak LLM repons.

Si rezo w lan pèdi yon pati nan transpò, jwè a ap kontinye jwe san rete. Pou aplikasyon ki pa ka tolere depa, ale tounen nan pwent fen ki pa jwe san rete a, oswa mete 500ms nan son nan tampon anvan w kòmanse jwe.
5.0/5 (1)

Ki sa nou ka amelyore? Feedback ou ede nou rezoud pwoblèm.

Dirije pale nan tan reyèl

Gratis pou premye 10 jenerasyon chak jou. Enskri pou debloke kantite karaktè ak aksè API.

Enskri pou gratis View Pri