Deepgram: Flux TTS

Flux TTS est la famille de synthèse vocale de Deepgram pour la conversation en direct et les contenus parlés fixes. Sa caractéristique distinctive est la continuité conversationnelle : le modèle en streaming conserve la prosodie entre les tours, afin que l’interprétation puisse garder un ton cohérent au fil de l’interaction. Il accepte du texte écrit et renvoie de l’audio parlé. Flux TTS et le modèle de reconnaissance vocale Flux nommé séparément effectuent des parties différentes d’une conversation vocale.

Choisir une voix anglaise

Le catalogue Flux documenté parle anglais, avec des accents américains, britanniques, irlandais, australiens, indiens, singapouriens et philippins. Les descriptions de voix aident à choisir un locuteur pour le service client, les menus téléphoniques, la narration ou une conversation décontractée. Par exemple, le fabricant décrit Haley comme une voix américaine calme et Jack comme une voix britannique professionnelle. Choisissez une voix selon le public et le type de formulations qu’elle lira, puis gardez-la stable pendant le contenu ou la conversation. La parole dans d’autres langues relève d’un choix de modèle documenté séparément.

Tours en direct et interruptions

Dans le processus de streaming du fabricant, le texte peut arriver pendant que l’application compose une réponse et l’audio revient progressivement. Un tour possède ses propres événements de début et d’achèvement ; terminer le tour achève la synthèse restante. Le contexte entre les tours préserve la prosodie au sein de cette session. Cela convient à un assistant parlé qui explique d’abord un choix, puis répond à une demande de précision sans changer de caractère vocal.

Une interruption annule le tour actif et renvoie la partie prononcée ainsi que le texte restant. Cette distinction aide l’application à poursuivre à partir de ce que l’auditeur a réellement entendu. Pour une interaction concrète, préparez une courte réponse avec l’instruction importante en premier, suivie de l’explication. Si l’auditeur interrompt après cette première instruction, la réponse suivante peut traiter la nouvelle question, plutôt que de supposer que l’explication entière a été transmise.

Audio fixe et formats de sortie

La synthèse par lots reçoit un bloc de texte complet et renvoie son audio dans une réponse. Elle utilise le même catalogue de voix que le streaming et convient aux annonces téléphoniques enregistrées, aux notifications ou à une narration préparée à l’avance. Les requêtes par lots sont indépendantes ; l’état des tours en streaming et les événements d’interruption ne s’appliquent pas à un extrait fixe.

La sortie en streaming est de l’audio brut sans conteneur de fichier : PCM de 16 bits, mu-law ou A-law. Le fabricant documente des fréquences d’échantillonnage PCM de 8, 16, 24, 32, 44.1 et 48 kHz ; mu-law et A-law utilisent 8 ou 16 kHz. La sortie par lots prend aussi en charge MP3, Opus, FLAC et AAC. Choisissez un encodage et un conteneur que le lecteur ou la voie téléphonique visés peuvent interpréter, plutôt que de traiter un flux d’échantillons bruts comme un fichier audio ordinaire.

Commandes d’interprétation et limites

Le fabricant documente une plage de débit vocal de 0.5 à 1.5 par incréments de 0.05. Les changements de vitesse en streaming s’appliquent à une limite de segment. Une commande distincte d’expressivité en bêta fait évoluer l’interprétation de calme à animée. Le SSML ordinaire et les balises reconnues des concurrents sont supprimés, plutôt qu’utilisés comme instructions expressives ; les commandes natives de Flux possèdent leur propre sens.

Les pauses intégrées au texte relèvent de la synthèse par lots, avec des durées de 500 à 3000 ms par incréments de 100 ms et au maximum huit marqueurs par requête. Du texte doit séparer les pauses adjacentes, et la vitesse est plafonnée à 1.15 lorsqu’une pause est présente. Les remplacements de prononciation utilisent IPA et sont en accès anticipé ; le fabricant précise qu’une prononciation demandée peut varier entre les générations. La prononciation ne peut pas être combinée à une vitesse différente de celle par défaut ni aux commandes de pauses. Pour un script comportant des noms spécialisés, écoutez ces termes dans la voix choisie et gardez explicite la formulation parlée.

La session de streaming documentée de Deepgram dure jusqu’à une heure et se ferme après soixante secondes sans message entrant, sauf si elle est maintenue active par le mécanisme de connexion pris en charge. Ces limites de session concernent le processus de synthèse en direct. Un livrable utile est une voix choisie intentionnellement, un texte agréable à écouter et un audio adapté à sa destination, les applications en direct suivant ce qui a réellement été prononcé lorsqu’un tour est interrompu.