உண்மையான நேரம் TTS

உண்மையான நேர உரை- இருந்து- பேச்சு ஒலி துண்டுகளை உருவாக்குகிறது, முழு வாக்கியமும் முடிவடைவதற்கு காத்திருப்பதை விட. முதல் ஒலி மாதிரி ஒரு நொடிக்கு கீழே வருகிறது, இது நேரடி குரல் எஜென்ட்களுக்கு, ஒலி மாற்று, மற்றும் நேரடியான பயன்பாடுகளுக்கு பொருத்தமானது.

வழக்கமான TTS முழு ஒலி கோப்பினை உருவாக்குகிறது, எதையும் திரும்பக் கொடுக்கும் முன் - நீங்கள் காத்திருக்க, பின்னர் முழு வாக்கியத்தையும் ஒரே நேரத்தில் கேட்கலாம். உண்மையான நேரம் TTS சேவையகம்- அனுப்பிய நிகழ்வுகளை (SSE) பயன்படுத்துகிறது, அவற்றை மாதிரி உருவாக்கும் போது குறுகிய ஒலி துண்டுகளை ஒலிக்கச் செய்கிறது. பயனர் வாக்கியத்தின் ஆரம்பத்தை கிட்டத்தட்ட உடனடியாகக் கேட்கிறார், நீண்ட உள்ளீடுகள் இருந்தாலும் கூட.

கோகோரோ முன்னிருப்பு பின்னணி - இது நவீன GPU யில் உண்மையான நேரத்தை விட சுமார் 100x வேகமாக ஒலியை உருவாக்குகிறது. நாம் MOSS-TTS-Realtime ஐ உயர்தர மாற்று வழியாக ஒருங்கிணைத்துள்ளோம்; பயனர்கள் ஒருமுறை அனுப்பப்பட்டால் ஒவ்வொரு கோரிக்கையிலும் தேர்ந்தெடுக்க முடியும்.

பொதுவான முதல்- ஒலி தாமதம் Kokoro ல் பொதுவான 300- 800ms பொதுவான இணைப்பு. பிணைய சுற்று- பயணம் அதன் பிறகு ஆதிக்கம் செலுத்துகிறது. இந்த பக்கம் UI யில் நேரடியாக அளவிடப்பட்ட முதல்- ஒலிக்கு நேரம் வெளிப்படுத்துகிறது எனவே ஒவ்வொரு கோரிக்கையும் எவ்வளவு நேரம் எடுத்தது என்பதை நீங்கள் சரியாக பார்க்கலாம்.

உரையாடலாக பதில் அளிக்கும் குரல் எஜென்ட்கள், ஊடகங்களை ஒளிபரப்புவதற்கான நேரடி ஒலிப்பதிவு, இடைமுக விளையாட்டு NPCகள், பயனர் க்ளிக் செய்யும் போது பேசத் தொடங்கும் அணுகக்கூடிய வாசகர்கள், ஒலிக்கு இரண்டு அல்லது மூன்று விநாடிகள் காத்திருக்கும் எந்தவொரு பயன்பாடும் மந்தமாக இருக்கும்.

ஆம். POST to https://api.tts.ai/v1/tts/stream/ with the same body as the regular /v1/tts/ endpoint. The response is an SSE stream of base64-encoded WAV chunks. The free tier supports 10 generations per day per anonymous user; authenticated users get the full per-account character allowance.

கோகோரோ முன் பயிற்சி பெற்ற குரல்களை பயன்படுத்துகிறது மற்றும் ஒத்ததில்லை. MOSS-TTS-Realtime (ஒத்துழைக்கப்பட்டால்)3விநாடிகள் குறிப்பிலிருந்து சுழல்-சொட்டு குரல் ஒத்ததை ஆதரிக்கிறது. முழுமையான குரல் ஒத்ததை இன்று, வழக்கமான /text-to-speech/ பக்கத்தை பயன்படுத்தவும் Chatterbox அல்லது GPT-SoVITS - அவை ஒலிபரப்பு செய்ய இயலாதவை ஆனால் தனிப்பயன் குரல்களை உருவாக்குகின்றன.

வழக்கமான TTS முடிப்பு புள்ளிக்கு ஒரே எழுத்து செலவு. Kokoro இலவச- தளத்தில் (1x செலவு). MOSS- TTS- உண்மையான நேரம் இயங்கும் போது நிலையான தளத்தில் (2x செலவு). இந்த ஒலித்தொடர்பு நெறிமுறை எந்த விலை கூடுதல் செலவையும் சேர்க்காது.

ஆம் - தொலைபேசி அழைப்புகளுக்கு நேரடி ஒலியை வழங்குவதற்கு டிவிலியோ குரல் வலைகூக்குடன் ஒலி ஒலியை இணைக்கவும். எங்கள் குரல் ஏஜென்ட் தளம் ஏற்கனவே IVR மற்றும் வெளியேறும் அழைப்புகளுக்கு இதைச் செய்கிறது. தொலைபேசி அழைப்பில் முடிவிலிருந்து முடிவிற்கு தாமதம் STT மற்றும் LLM பதில் உள்ளிட்ட 1-2 விநாடிகள்.

உங்கள் பிணையத்தின் ஒரு பகுதி போக்குவரத்தில் வீழ்ந்தால், ஒலி ஒலிப்பதிவு இயந்திரம் நிறுத்தப்படுவதை விட முன்னேறிவிடும். இடைவெளிகளை சகிக்க முடியாத பயன்பாடுகளுக்கு, வழக்கமான ஒலி ஒலிப்பதிவு இல்லாத முடிவுக்கு திரும்பவும், அல்லது ஒலி ஒலிப்பதிவைத் தொடங்குவதற்கு முன் 500 மில்லிசெகண்டுகள் இடைமாற்றம் செய்யவும்.