Mowa

Rozpoznawanie i synteza mowy tuż obok połączenia

Strumieniowe rozpoznawanie, synteza mowy, wykrywanie słów kluczowych i rozpoznawanie mówcy, w tym samym stosie co ścieżka mediów. Używaj otwartych modeli na swoich GPU albo chmurowego dostawcy mowy.

Zacznij budować

Porozmawiaj z inżynierem

Mowa na GPUterminal

# balanced by model and load, over mutual TLS $ export DIALPRESS_SPEECH_RECOGNITION_BALANCED=true $ export DIALPRESS_SPEECH_RECOGNITION_ENDPOINTS=\ gpu1.example.com:7071;models=whisper-small;weight=2,\ gpu2.example.com:7071;models=whisper-small|parakeet $ dialpress ✓ speech-recognition: 2 endpoints healthy

W skrócie

Strumieniowo

Rozmówca słyszy pierwsze słowa, zanim reszta zostanie wygenerowana.

Zamknij

Mowa działa obok bramy, więc audio nie przechodzi przez internet do transkrypcji.

Twoje

Otwarte modele na Twoich GPU albo chmurowy dostawca mowy.

Zrównoważone

Żądania trafiają do najmniej obciążonego, sprawnego endpointu obsługującego dany model.

Cisza to awaria, którą rozmówcy zauważają

W naturalnej rozmowie między wypowiedziami mija kilkaset milisekund. Rozpoznawanie musi uznać, że rozmówca skończył, model musi odpowiedzieć, a pierwsze audio musi zabrzmieć. Mowa na tej samej infrastrukturze co połączenie usuwa przeskoki sieciowe z każdej tury.

Budżet opóźnień połączenia z AI głosowym

Kompetencje

Rozpoznawanie mowy

Strumieniowe transkrypcje z wykrywaniem końca tury, dla botów i napisów na żywo.

Synteza mowy

Synteza zdanie po zdaniu odtwarzana prosto do połączenia.

Wykrywanie słów kluczowych

Wychwyć frazę w chwili, gdy pada, w środku zdania, i rozgałęź na jej podstawie połączenie.

Rozpoznawanie mówcy

Rozróżniaj osoby w rozmowie.

Mowa na GPUterminal

# balanced by model and load, over mutual TLS $ export DIALPRESS_SPEECH_RECOGNITION_BALANCED=true $ export DIALPRESS_SPEECH_RECOGNITION_ENDPOINTS=\ gpu1.example.com:7071;models=whisper-small;weight=2,\ gpu2.example.com:7071;models=whisper-small|parakeet $ dialpress ✓ speech-recognition: 2 endpoints healthy

Uruchom mowę na swoich GPU

Silniki mowy mogą działać na maszynach z GPU przez wzajemne TLS. Nadaj większym GPU wyższą wagę i kieruj każdy model tylko do maszyn, które go obsługują.

Self-hosting

Wybierz model głosowy, któremu ufasz

Speech-to-speech albo mowa, model i głos: zmień jedną linią, zachowaj te same narzędzia i obsługę połączeń.

Wszystkie integracje

01

OpenAI Realtime

gpt-realtime jako agent speech-to-speech. Audio G.711 połączenia trafia do niego bez zmian.

02

Gemini Live

Natywne modele audio Gemini z AI Studio lub Vertex, z obsługą wtrąceń i narzędziami.

03

ElevenLabs

ElevenLabs Agents, transkrypcja Scribe na żywo i Twoje własne sklonowane głosy.

04

Deepgram

Deepgram Voice Agent, rozpoznawanie Nova na żywo z kluczowymi terminami i głosy Aura 2.

Częste pytania

Czy mogę używać własnych modeli mowy?

Tak. Uruchamiaj otwarte modele na swoich GPU albo korzystaj z jednego z 28 dostawców mowy, od Deepgram i ElevenLabs po Cartesia i AssemblyAI.

Czy mogę używać mowy bez agenta?

Tak. Rozpoznawanie i wykrywanie słów kluczowych działają w każdym połączeniu, z agentem lub bez.

Dokąd trafia audio połączeń?

Do skonfigurowanych przez Ciebie endpointów mowy. W self-hostingu nigdy nie opuszcza Twojej sieci.

Transkrybuj swoje pierwsze połączenie.

Mowa jest wliczona w chmurę DialPress, a w self-hostingu działa na Twoich GPU.

Zacznij budować

Porozmawiaj z inżynierem