Deepgram: Flux TTS

Flux TTS è la famiglia di sintesi vocale di Deepgram per conversazioni dal vivo e contenuti parlati fissi. La caratteristica distintiva è la continuità conversazionale: il modello in streaming mantiene la prosodia tra i turni, affinché l’interpretazione conservi un tono coerente con il proseguire dell’interazione. Accetta testo scritto e restituisce audio parlato. Flux TTS e il modello di riconoscimento del parlato denominato separatamente Flux eseguono parti diverse di una conversazione vocale.

Selezionare una voce inglese

Il catalogo documentato di Flux parla inglese con accenti americani, britannici, irlandesi, australiani, indiani, singaporiani e filippini. Le descrizioni delle voci aiutano a scegliere un parlante per servizio clienti, menu telefonici, narrazione o conversazione informale. Per esempio, il produttore descrive Haley come una voce americana calma e Jack come una voce britannica professionale. Seleziona una voce in base al pubblico e al tipo di formulazione che leggerà, poi mantienila stabile durante il contenuto o la conversazione. Il parlato in altre lingue appartiene a una scelta di modello documentata separatamente.

Turni dal vivo e interruzioni

Nel flusso in streaming del produttore, il testo può arrivare mentre l’applicazione compone una risposta e l’audio viene restituito progressivamente. Un turno ha propri eventi di inizio e completamento; terminare il turno completa la sintesi restante. Il contesto tra turni preserva la prosodia all’interno di quella sessione. Ciò è utile per un assistente parlato che prima spiega una scelta e poi risponde a una richiesta di chiarimento senza cambiare carattere vocale.

Un’interruzione annulla il turno attivo e restituisce la parte pronunciata e il testo residuo. Questa distinzione aiuta l’applicazione a proseguire da ciò che l’ascoltatore ha effettivamente udito. Per un’interazione concreta, prepara una risposta breve con l’istruzione importante per prima, seguita dalla spiegazione. Se l’ascoltatore interrompe dopo la prima istruzione, la risposta successiva può affrontare la nuova domanda anziché presumere che sia stata fornita tutta la spiegazione.

Audio fisso e formati di output

La sintesi batch riceve un blocco di testo completo e restituisce il relativo audio in una risposta. Usa lo stesso catalogo di voci dello streaming ed è adatta a messaggi telefonici registrati, notifiche o narrazioni preparate in anticipo. Le richieste batch sono indipendenti; stato dei turni in streaming ed eventi di interruzione non si applicano a una clip fissa.

L’output in streaming è audio grezzo senza contenitore di file: PCM a 16 bit, mu-law o A-law. Il produttore documenta frequenze di campionamento PCM di 8, 16, 24, 32, 44.1 e 48 kHz; mu-law e A-law usano 8 o 16 kHz. L’output batch supporta inoltre MP3, Opus, FLAC e AAC. Seleziona una codifica e un contenitore che il lettore o il percorso telefonico previsto possa interpretare, anziché trattare un flusso di campioni grezzi come un normale file audio.

Controlli di interpretazione e confini

Il produttore documenta un intervallo di velocità del parlato da 0.5 a 1.5 in incrementi di 0.05. I cambi di velocità in streaming si applicano a un confine di segmento. Un controllo separato di espressività in beta sposta l’interpretazione da calma ad animata. Il normale SSML e i tag riconosciuti dei concorrenti vengono rimossi anziché usati come istruzioni espressive; i controlli nativi di Flux hanno un significato proprio.

Le pause incorporate appartengono alla sintesi batch, con durate da 500 a 3000 ms in incrementi di 100 ms e al massimo otto marcatori per richiesta. Del testo deve separare pause adiacenti e la velocità è limitata a 1.15 quando è presente una pausa. Le sostituzioni di pronuncia usano IPA e sono in Early Access; il produttore osserva che una pronuncia richiesta può variare tra generazioni. La pronuncia non può essere combinata con una velocità diversa da quella predefinita né con i controlli di pausa. Per un copione con nomi specialistici, ascolta quei termini nella voce selezionata e mantieni esplicita la formulazione parlata.

La sessione in streaming documentata di Deepgram dura fino a un’ora e si chiude dopo sessanta secondi senza messaggi in ingresso, salvo essere mantenuta attiva dal meccanismo di connessione supportato. Questi limiti di sessione riguardano il flusso di sintesi dal vivo. Un risultato utile è una voce scelta intenzionalmente, testo agevole da ascoltare e audio adatto alla destinazione, con le applicazioni dal vivo che tengono traccia di ciò che è stato effettivamente pronunciato quando un turno viene interrotto.