Síntesis de voz para agentes de voz en tiempo real

La síntesis de voz genera audio hablado a partir de texto. También se llama texto a voz o TTS. El modelo Sonic de Cartesia realiza este paso en una aplicación de voz. El reconocimiento de voz hace lo contrario: convierte audio hablado en texto.

No. window.speechSynthesis del navegador usa las voces disponibles en el dispositivo de quien escucha y gestiona allí la reproducción. Cartesia es una API alojada que devuelve audio generado a tu aplicación. Si solo necesitas reproducir voz en el navegador sin una clave de API, prueba el tutorial de texto a voz con JavaScript. Las voces del navegador varían según el sistema operativo y pueden usar servicios de voz locales o remotos.

Empieza con la guía de texto a voz con Python para generar y guardar un archivo WAV. Mantén la clave de API en el backend. Para un agente de voz, también necesitas reproducción de audio y gestión de interrupciones; un ejemplo que guarda archivos no implementa esas partes. También puedes crear aplicaciones con Cartesia Managed Agents.

Prueba la voz elegida con los nombres, las abreviaturas y los números de tu aplicación. Escucha las palabras en contexto y revisa el guion cuando sea necesario. Una muestra representativa te ayuda a elegir una voz adecuada para tu contenido.

Consulta la lista actual de idiomas de Sonic y escucha ejemplos de los idiomas que necesitas. Proporciona texto en el idioma que quieres escuchar; TTS no lo traduce automáticamente.

La API alojada de Cartesia requiere conexión a Internet y acceso a una cuenta. El audio generado y guardado en un archivo puede reproducirse sin conexión. El uso depende del plan y los límites de tu cuenta; consulta los precios vigentes antes de enviar solicitudes.

La síntesis de voz convierte texto en audio hablado. El reconocimiento de voz convierte audio en texto. Un agente de voz puede usar reconocimiento para entender a quien llama, un modelo de lenguaje para producir una respuesta y síntesis de voz para pronunciarla. Consulta Sonic para texto a voz e Ink para voz a texto.

Sí. Cartesia ofrece endpoints de streaming para recibir audio de forma incremental. Tu aplicación puede empezar a reproducirlo a medida que llega. Consulta la referencia de la API de streaming para conocer el formato de respuesta y adapta la reproducción a los parámetros de audio que espera tu integración.

Los modelos Sonic compatibles ofrecen controles de velocidad, volumen y emoción. Prueba los parámetros con la voz y el guion elegidos para escuchar cómo afectan a la interpretación. La guía de controles de voz explica los controles actuales y los modelos compatibles.

Proporciona el texto en el idioma que quieres escuchar. Traducir el guion es un paso independiente de sintetizar la voz. Revisa los nombres, los números y las expresiones regionales traducidos antes de generar el audio final. Explora los ejemplos de idiomas para escuchar voces antes de elegir una.

La clonación de voz crea una voz reutilizable a partir de grabaciones de una persona. La síntesis de voz usa una voz para leer texto nuevo. Puedes empezar con una voz existente o crear un clon que tengas permiso para usar y después generar voz con su ID. Consulta la guía de clonación de voz para conocer los requisitos de grabación.