සැබෑ කාලයේ TTS

ඔවුන් ජනනය කරන ලෙස, තත්කාලීන පෙළ-කථාව ශ්රව්ය චුන්ක්ස් ගලා, සම්පූර්ණ කිරීමට මුළු වාක්‍යය සඳහා බලා සිටින වෙනුවට. පළමු ශ්රව්ය සාම්පලය තත්පරයකට යටතේ පැමිණේ, සජීවී හඬ නියෝජිතයන් සඳහා එය සුදුසු, ද්විත්ව, හා අන්තර්ක්රියාකාරී යෙදුම් කල් ඉකුත්වීම වැදගත් වන තැන.

සාමාන්‍ය TTS කිසිවක් ආපසු පෙර සම්පූර්ණ ශ්රව්ය ගොනුව ජනනය - ඔබ බලා, පසුව එකවර මුළු වාක්‍යය අසන්න. සැබෑ කාලය TTS ආකෘතිය ඔවුන් නිෂ්පාදනය ලෙස කෙටි ශ්රව්ය චුක් භාවිතා සේවාදායකය-එවන සිදුවීම් (SSE). පරිශීලකයා වචනය ආරම්භය වහාම අසයි, දිගු ආදාන පවා.

Kokoro පෙරනිමි backend වේ - එය නවීන GPU මත සැබෑ කාලයට වඩා දළ වශයෙන් 100x වේගයෙන් ශ්රව්ය ජනනය. අපි උසස් තත්ත්වයේ විකල්පයක් ලෙස MOSS-TTS-Realtime ඒකාබද්ධ කරමින් සිටිති; භාවිතා කරන්නන් නැව් වරක් ඉල්ලීමකට අනුව තෝරා ගැනීමට හැකි වනු ඇත.

Kokoro මත සාමාන්ය පළමු ශ්රව්ය පරතරය 300-800ms මහජන සම්බන්ධතාවක් මත වේ. ජාල වටා-චාරිකාව පසුව පාලනය කරයි. ඔබ එක් එක් ඉල්ලීම කෙතරම් කාලයක් ගත වූයේ ද යන්න හරියටම දැක ගත හැකි වන පරිදි UI හි සජීවී මැන ඇති කාලය-පළමු-ශ්රව්ය පිටුව මතුපිට.

සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්, සන්නිවේදන ක්‍රමවේදයන්,

ඔව්. POST to https://api.tts.ai/v1/tts/stream/ with the same body as the regular /v1/tts/ endpoint. The response isabase64-encoded WAV chunks SSE stream. මෙම නිදහස් ස්ථරය සහාය 10 නිශ්චිත පරිශීලකයෙකු සඳහා දිනකට පරම්පරා; සත්යතාවය තහවුරු පරිශීලකයන් සඳහා ගිණුමකට පූර්ණ චරිත සහන ලබා ගන්න.

Kokoro පෙර පුහුණු හඬ භාවිතා කරන අතර ක්ලෝන නොකරයි. MOSS-TTS-Realtime (සංයුක්ත විට)3තත්පර සාධකයෙන් ශුන්‍ය-ෂොට් හඬ ක්ලෝන සහාය. අද පූර්ණ හඬ ක්ලෝන සඳහා, Chatterbox හෝ GPT-SoVITS සමග නිතිපතා / පෙළ-කතා / පිටුව භාවිතා - එම ශ්රව්ය-සහගත නොවේ නමුත් අභිරුචි හඬ නිෂ්පාදනය.

සාමාන්‍ය TTS අවසන් ස්ථානය ලෙස එම චරිතය පිරිවැය. Kokoro නිදහස්-පන්තියේ (1x පිරිවැය) වේ. MOSS-TTS-Realtime සක්රිය කරන විට සම්මත පන්තිය (2x පිරිවැය) දී ධාවනය වනු ඇත. මෙම ශ්රව්ය ප්රොටෝකෝලය කිසිදු මිලදී ගැනීම් අමතර ගාස්තු එකතු නොකරයි.

ඔව් - දුරකථන ඇමතුමක් බවට සජීවී ශ්රව්ය පෝෂණය කිරීම සඳහා Twilio හඬ webhook සමඟ ශ්රව්ය අවසන් ස්ථානය යුගල. අපගේ හඬ නියෝජිත වේදිකාව දැනටමත් IVR සහ පිටත ඇමතුම් සඳහා මෙය කරයි. දුරකථන ඇමතුමක් මත අවසන්-අවසන් ප්රමාදයක් සාමාන්යයෙන් 1-2 තත්පර STT සහ LLM ප්රතිචාරය ඇතුළු වේ.

ඔබේ ජාලයේ ගමන් බිමන් කොටසක් වැටේ නම්, ප්රවාහනය ක්රීඩකයා වඩා කල් ඉකුත් නොව ඉදිරියට පැන ඇත. හිඩැස් ඉවසාගත නොහැකි යෙදුම් සඳහා, නැවත සාමාන්‍ය නොවන ප්රවාහනය අවසන් ස්ථානයට වැටීම, හෝ ශ්රව්ය 500ms බෆර් ප්රවාහනය ආරම්භ කිරීමට පෙර.