Spracherkennung und Text-to-Speech, direkt neben dem Anruf
Streaming-Erkennung, Text-to-Speech, Keyword Spotting und Sprechererkennung im selben Stack wie der Media-Pfad. Nutzen Sie offene Modelle auf Ihren GPUs oder einen Cloud-Speech-Anbieter.
Auf einen Blick
Streaming
Der Anrufer hört die ersten Worte, während der Rest noch generiert wird.
Schließen
Speech läuft neben dem Gateway, sodass Audio für die Transkription nicht durchs Internet muss.
Ihres
Offene Modelle auf Ihren eigenen GPUs oder ein Cloud-Speech-Anbieter.
Balanciert
Anfragen gehen an den am wenigsten ausgelasteten, gesunden Endpunkt, der das Modell bereitstellt.
Stille ist der Fehler, den Anrufer bemerken
In einem natürlichen Gespräch liegen zwischen zwei Redebeiträgen nur wenige hundert Millisekunden. Die Erkennung muss entscheiden, dass der Anrufer fertig ist, das Modell muss antworten, und das erste Audio muss abspielen. Wenn Speech auf derselben Infrastruktur läuft wie der Anruf, fallen in jedem Gesprächsschritt Netzwerk-Hops weg.
Capabilities
Spracherkennung
Streaming-Transkripte mit Erkennung des Gesprächsschritt-Endes, für Bots und Live-Untertitel.
Text-to-Speech
Sprachsynthese Satz für Satz, direkt in den Anruf gespielt.
Keyword Spotting
Hören Sie eine Phrase in dem Moment, in dem sie gesagt wird – mitten im Satz – und verzweigen Sie den Anruf darauf.
Sprechererkennung
Die Menschen in einem Anruf unterscheiden.
Speech auf Ihren GPUs betreiben
Speech-Engines können auf GPU-Maschinen über Mutual TLS laufen. Gewichten Sie größere GPUs höher und leiten Sie jedes Modell nur an die Maschinen, die es bereitstellen.
Bringen Sie das Sprachmodell mit, dem Sie vertrauen
Speech-to-Speech oder Erkennung, Modell und Stimme: Wechseln Sie mit einer Zeile und behalten Sie dieselben Tools und dieselbe Anrufsteuerung.
Häufige Fragen
Kann ich eigene Speech-Modelle verwenden?
Ja. Betreiben Sie offene Modelle auf Ihren GPUs oder nutzen Sie einen von 28 Sprachanbietern, von Deepgram und ElevenLabs bis Cartesia und AssemblyAI.
Kann ich Speech ohne Agenten nutzen?
Ja. Erkennung und Keyword Spotting funktionieren bei jedem Anruf, mit oder ohne Agent.
Wohin geht das Anrufaudio?
An die Speech-Endpunkte, die Sie konfigurieren. In einem selbst gehosteten Stack verlässt es nie Ihr Netzwerk.
Transkribieren Sie Ihren ersten Anruf.
Speech ist in der DialPress-Cloud inklusive und läuft auf Ihren GPUs, wenn Sie selbst hosten.