Deepgram: Aura-2

Aura-2 es la familia de texto a voz de Deepgram con voces en siete idiomas: inglés, español, alemán, francés, neerlandés, italiano y japonés. Convierte el texto proporcionado en voz para respuestas de atención al cliente, menús telefónicos, explicaciones y narración. El fabricante describe el ritmo, la expresividad y las muletillas conversacionales como respuestas a la formulación y al contexto del texto proporcionado.

Ajusta la voz al idioma y la tarea

Cada voz se identifica por su familia, hablante e idioma. El catálogo distingue acentos y características de expresión, en lugar de tratar a todos los hablantes como intercambiables. Thalia es una opción en inglés estadounidense enérgica; Draco es una voz británica asociada a contar historias; Celeste es una voz colombiana en español asociada a usos conversacionales y anuncios. Elige la voz pensando en el guion real y el oyente.

Algunas voces seleccionadas en español admiten alternancia entre inglés y español: Aquila, Carina, Diana, Javier y Selena. Esa capacidad pertenece a esos hablantes con nombre definido, no a todas las voces de la familia. Para un pasaje de idiomas mezclados, conserva el idioma previsto de los nombres de productos y frases citadas y escucha la transición con un hablante cuyo perfil documentado admita la tarea.

Prepara texto para voz

La guía de formato de Aura-2 recomienda puntuación final de frases, signos de interrogación para preguntas, comas para pausas naturales y frases cortas independientes. Proporciona el texto hablado final, no una instrucción que pida al sintetizador redactar el mensaje. Un guion útil de orientación es: «Bienvenido. Elige un idioma y después selecciona el tema que necesitas. Puedes repetir las instrucciones en cualquier momento». La puntuación separa las acciones del oyente y da al modelo un ritmo más claro.

Escribe un identificador como letras separadas cuando deba leerse carácter por carácter. Define las siglas y evita una frase larga sin separaciones cuando deban explicarse varias condiciones. El fabricante también recomienda entrecomillar palabras de órdenes y comprobar un pasaje en voz alta antes de sintetizar. Para narración educativa o de productos, conserva los términos importantes mientras conviertes encabezados escritos y listas densas en frases habladas completas.

Ritmo y pronunciación

El fabricante documenta controles de velocidad y pronunciación IPA para inglés y español. El rango de velocidad de habla de Aura-2 es de 0.7 a 1.5; para español recomienda de 0.9 a 1.5 porque los ajustes más lentos pueden introducir falta de fluidez. La pronunciación y la velocidad pueden combinarse en esta familia. Las sustituciones IPA pueden dirigirse a un nombre o término especializado y la convención de Aura-2 sitúa el marcador de acento directamente antes de la vocal.

La especificación del control de pronunciación permite hasta quinientas sustituciones, con cada cadena IPA de un máximo de 128 caracteres, y documenta un límite de texto de entrada de 2000 caracteres para ese flujo. Aura-2 no admite la función explícita de control de pausas documentada para Flux TTS. Utiliza la estructura de frases y la puntuación para preparar el ritmo y divide el material más largo en pasajes coherentes cuando lo requiera el flujo elegido.

Entrega de audio y uso

El fabricante proporciona flujos de síntesis de solicitud completa y de texto a audio en streaming. Su guía de medios distingue PCM, mu-law y A-law en bruto para streaming de opciones de salida orientadas a archivos como WAV, MP3, Opus, FLAC y AAC. El valor predeterminado documentado de PCM/WAV para el flujo de solicitudes Aura es de 24 kHz. Los contenedores de archivo, las frecuencias de muestreo y las codificaciones forman combinaciones válidas; una conexión telefónica y un archivo descargable de narración pueden necesitar elecciones distintas.

Aura-2 sigue siendo una familia separada de Aura de primera generación y de Flux TTS. El estado entre turnos, la información de interrupción y los controles de pausa solo por lotes de Flux no son funciones que deban inferirse de un nombre de voz Aura-2. La salida útil es una versión hablada del guion real en un idioma, acento y representación de audio adecuados. Revisa nombres, cambios de idioma, ritmo guiado por puntuación e instrucciones importantes con el oyente previsto antes de reutilizar la grabación.