Deepgram: Flux TTS

Flux TTS es la familia de texto a voz de Deepgram para conversación en directo y contenido hablado fijo. Su característica definitoria es la continuidad conversacional: el modelo en streaming conserva la prosodia entre turnos para que la expresión pueda mantener un tono coherente conforme continúa una interacción. Acepta texto escrito y devuelve audio de voz. Flux TTS y el modelo de reconocimiento de voz con nombre separado Flux realizan partes diferentes de una conversación de voz.

Selecciona una voz en inglés

El catálogo documentado de Flux habla inglés con acentos estadounidense, británico, irlandés, australiano, indio, singapurense y filipino. Las descripciones de voces ayudan a elegir un hablante para atención al cliente, menús telefónicos, narración o conversación informal. Por ejemplo, el fabricante enumera Haley como una voz estadounidense tranquila y Jack como una voz británica profesional. Selecciona una voz según el público y el tipo de formulación que va a leer y después mantenla estable durante la pieza o conversación. La voz en otros idiomas corresponde a una elección de modelo documentada por separado.

Turnos en directo e interrupciones

En el flujo en streaming del fabricante, el texto puede llegar mientras la aplicación redacta una respuesta y el audio vuelve de forma incremental. Un turno tiene sus propios eventos de inicio y finalización; finalizar el turno completa la síntesis restante. El contexto entre turnos conserva la prosodia dentro de esa sesión. Esto es útil para un asistente hablado que primero explica una elección y después responde a una aclaración sin cambiar su carácter vocal.

Una interrupción cancela el turno activo y devuelve la parte pronunciada y el texto restante. Esa distinción ayuda a la aplicación a continuar a partir de lo que realmente escuchó el oyente. Para una interacción práctica, prepara una respuesta corta con la instrucción importante primero y después la explicación. Si el oyente interrumpe tras esa primera instrucción, la respuesta siguiente puede abordar la pregunta nueva, en lugar de suponer que se entregó toda la explicación.

Audio fijo y formatos de salida

La síntesis por lotes recibe un bloque completo de texto y devuelve su audio en una respuesta. Utiliza el mismo catálogo de voces que el streaming y resulta adecuada para avisos telefónicos grabados, notificaciones o narración preparada con antelación. Las solicitudes por lotes son independientes; el estado de turnos y los eventos de interrupción del streaming no se aplican a un clip fijo.

La salida en streaming es audio en bruto sin contenedor de archivo: PCM de 16 bits, mu-law o A-law. El fabricante documenta frecuencias de muestreo PCM de 8, 16, 24, 32, 44.1 y 48 kHz; mu-law y A-law utilizan 8 o 16 kHz. La salida por lotes admite además MP3, Opus, FLAC y AAC. Selecciona una codificación y contenedor que el reproductor o canal telefónico previstos puedan interpretar, en lugar de tratar un flujo de muestras en bruto como un archivo de audio ordinario.

Controles de expresión y límites

El fabricante documenta un rango de velocidad de habla de 0.5 a 1.5 en incrementos de 0.05. Los cambios de velocidad en streaming se aplican en un límite de segmento. Un control beta separado de expresividad cambia la expresión de tranquila a animada. El SSML ordinario y las etiquetas reconocidas de competidores se eliminan, en lugar de utilizarse como instrucciones expresivas; los controles nativos de Flux tienen su propio significado.

Las pausas insertadas en el texto corresponden a la síntesis por lotes, con duraciones de 500 a 3000 ms en incrementos de 100 ms y un máximo de ocho marcadores por solicitud. El texto debe separar pausas adyacentes y la velocidad queda limitada a 1.15 cuando hay una pausa. Las sustituciones de pronunciación utilizan IPA y están en Early Access; el fabricante señala que una pronunciación solicitada puede variar entre generaciones. La pronunciación no puede combinarse con velocidad distinta de la predeterminada ni con controles de pausa. Para un guion con nombres especializados, escucha esos términos con la voz elegida y mantén explícita la formulación hablada.

La sesión en streaming documentada de Deepgram dura hasta una hora y se cierra después de sesenta segundos sin mensaje entrante, salvo que se mantenga activa mediante el mecanismo de conexión compatible. Esos límites de sesión se refieren al flujo de síntesis en directo. Un entregable útil es una voz elegida con intención, texto fácil de escuchar y audio adecuado para su destino, con las aplicaciones en directo siguiendo lo que se pronunció realmente cuando se interrumpe un turno.