Deepgram: Flux TTS

Flux TTS é a família da Deepgram de conversão de texto em fala para conversas em direto e conteúdo falado pré-gravado. A sua característica distintiva é a continuidade conversacional: o modelo de streaming mantém a prosódia entre turnos de fala, permitindo conservar um tom consistente à medida que a interação prossegue. Aceita texto escrito e devolve áudio de fala. O Flux TTS e o modelo de reconhecimento de fala com o nome distinto Flux desempenham funções diferentes numa conversa por voz.

Selecionar uma voz em inglês

O catálogo Flux documentado fala inglês, com sotaques americano, britânico, irlandês, australiano, indiano, singapurense e filipino. As descrições das vozes ajudam a escolher quem fala para atendimento ao cliente, menus telefónicos, narração ou conversa informal. Por exemplo, o fabricante apresenta Haley como uma voz americana calma e Jack como uma voz britânica profissional. Selecione uma voz de acordo com o público e o tipo de formulações que irá ler e mantenha-a estável ao longo da peça ou conversa. A fala noutros idiomas exige a escolha de um modelo documentado separadamente.

Turnos de fala em direto e interrupções

No fluxo de streaming do fabricante, o texto pode chegar à medida que a aplicação compõe uma resposta e o áudio é devolvido progressivamente. Cada turno de fala tem os seus próprios eventos de início e conclusão; terminar o turno conclui a síntese que falta. O contexto entre turnos preserva a prosódia dentro dessa sessão. Isto é útil para um assistente falado que primeiro explica uma opção e depois responde a um pedido de esclarecimento sem alterar as suas características vocais.

Uma interrupção cancela o turno ativo e devolve a parte pronunciada e o texto que ficou por dizer. Esta distinção ajuda a aplicação a continuar a partir daquilo que o ouvinte realmente ouviu. Numa interação prática, prepare uma resposta curta com a instrução importante primeiro, seguida da explicação. Se o ouvinte interromper depois dessa primeira instrução, a resposta seguinte pode abordar a nova pergunta sem presumir que toda a explicação foi transmitida.

Áudio pré-gravado e formatos de saída

A síntese em lote recebe um bloco completo de texto e devolve o respetivo áudio numa única resposta. Usa o mesmo catálogo de vozes do streaming e adequa-se a mensagens telefónicas gravadas, notificações ou narrações preparadas antecipadamente. Os pedidos em lote são independentes; o estado dos turnos de streaming e os eventos de interrupção não se aplicam a um clip pré-gravado.

A saída em streaming é áudio bruto sem contentor de ficheiro: PCM de 16 bits, mu-law ou A-law. O fabricante documenta frequências de amostragem PCM de 8, 16, 24, 32, 44,1 e 48 kHz; mu-law e A-law usam 8 ou 16 kHz. A saída em lote suporta adicionalmente MP3, Opus, FLAC e AAC. Selecione uma codificação e um contentor que o leitor ou o sistema telefónico de destino consiga interpretar, em vez de tratar um fluxo de amostras brutas como um ficheiro de áudio normal.

Controlos de elocução e limites

O fabricante documenta um intervalo de velocidade de fala de 0.5 a 1.5, em incrementos de 0.05. As alterações de velocidade em streaming são aplicadas no limite de um segmento. Um controlo de expressividade separado, em versão beta, permite passar de uma elocução calma para animada. As etiquetas SSML normais e as etiquetas reconhecidas de concorrentes são removidas, em vez de serem usadas como instruções expressivas; os controlos nativos do Flux têm um significado próprio.

As pausas inseridas no texto pertencem à síntese em lote, com durações de 500 a 3 000 ms em incrementos de 100 ms e um máximo de oito marcadores por pedido. Tem de haver texto entre pausas adjacentes, e a velocidade fica limitada a 1.15 quando existe uma pausa. As substituições de pronúncia usam IPA e estão em Early Access; o fabricante indica que uma pronúncia pedida pode variar entre gerações. A pronúncia não pode ser combinada com uma velocidade diferente da predefinida nem com controlos de pausa. Num guião com nomes especializados, ouça esses termos na voz selecionada e mantenha explícitas as palavras que devem ser pronunciadas.

A sessão de streaming documentada pela Deepgram dura até uma hora e fecha após sessenta segundos sem receber uma mensagem, a menos que seja mantida ativa através do mecanismo de ligação suportado. Estes limites de sessão dizem respeito ao fluxo de síntese em direto. Uma entrega útil reúne uma voz escolhida intencionalmente, texto fácil de acompanhar pelo ouvinte e áudio adequado ao destino, enquanto as aplicações em direto registam o que foi realmente pronunciado quando um turno é interrompido.