ANLEITUNG

Text-to-Speech für KI-Sprachagenten: die Sprachschicht, schnell und günstig

Ein KI-Sprachagent ist eine Kette: Spracherkennung macht aus den Worten des Anrufers Text, ein Sprachmodell schreibt die Antwort, und Text-to-Speech spricht sie. Der letzte Schritt entscheidet, wie der Agent klingt und wie schnell er wirkt, und bei Abrechnung nach Zeichen ist er oft der größte Kostenpunkt.

Die Sprach-API von SuperClonica ist für diese Schicht gebaut. Sie streamt Audio nach unseren Messungen ab etwa 300 ms, rechnet nach Zeit statt nach Zeichen ab und lässt einen Agenten mit jeder der 190 Katalogstimmen oder einer selbst trainierten Stimme sprechen. Diese Anleitung zeigt, wie Sie sie einbinden und wo ihre Grenzen liegen.

Kostenlosen API-Schlüssel holen Stimmen anhören Oder die Engine selbst betreiben

Satz für Satz sprechen

Warten Sie nicht, bis das Modell die ganze Antwort geschrieben hat. Lesen Sie seine Ausgabe als Stream, schneiden Sie sie am Ende jedes Satzes und schicken Sie jeden fertigen Satz sofort mit "stream": true an die Sprach-API. Der erste Satz läuft schon, während das Modell den nächsten schreibt.

Kurze Sätze bringen den ersten Ton früher. Ein langer Monolog funktioniert trotzdem: Beim Streaming wird ein langer Text in Stücke geteilt, auf mehreren Workern zugleich vertont und ab dem ersten Stück abgespielt.

import os, requests
URL = "https://superclonica.com/api/v1/speech"
HEADERS = {"Authorization": "Bearer " + os.environ["SUPERCLONICA_KEY"]}
def say(sentence, voice="F1", language="en"):
    with requests.post(URL, headers=HEADERS, stream=True, timeout=120,
                       json={"text": sentence, "voice": voice, "language": language, "stream": True}) as answer:
        answer.raise_for_status()
        for chunk in answer.iter_content(4096):
            player.write(chunk)  # an Ogg player or decoder of your choice

Welche Latenz Sie erwarten können

Nach unseren Messungen kommt der erste Ton etwa 300 ms nach der Anfrage, plus Ihre Netzwerkzeit zum Server. Ogg streamt sofort; mp3 und wav streamen erst bei Texten über etwa eine halbe Minute Sprache, nehmen Sie für einen Agenten also Ogg. Die API antwortet über normales HTTPS in Teilen: Es gibt kein WebSocket, jeder Satz ist eine Anfrage.

Telefonanrufe

Telefonie verlangt meist 8-kHz-μ-law: Twilio Media Streams etwa sendet und empfängt audio/x-mulaw mit 8000 Hz. Dekodieren Sie den Ogg-Stream, resampeln Sie auf 8 kHz und kodieren Sie in μ-law, bevor Sie ihn in den Anruf schicken; die Anleitung zu eigenen Stimmen für Twilio zeigt die Umwandlung für aufgenommene Ansagen.

Wie Tarife einen Agenten begrenzen

Ein Tarif gibt Sekunden Audio in jedem 10-Minuten-Fenster: Start für 5 $ im Monat vertont 3 Minuten pro Fenster, Autor 8, Pro 20, Studio 65. Das ist die Sprache aller Gespräche zusammen und bestimmt, wie viele Anrufe gleichzeitig sprechen können. Ein Agent spricht etwa ein Drittel eines Anrufs, Start reicht also für etwa eine ausgelastete Leitung, Pro für fünf bis sechs. Ist ein Fenster verbraucht, antwortet die API mit 429 und Retry-After; abgelehnte oder fehlgeschlagene Anfragen kosten nichts.

Der kostenlose Schlüssel gibt eine Minute Audio pro Tag: genug, um den Agenten vor dem Bezahlen zu bauen und zu testen.

Die Stimme wählen

Jede Katalogstimme funktioniert über die API mit der ID von ihrer Seite, in jedem Tarif. Ruhige Erzähler- und Sprecherstimmen passen zu Support-Hotlines, hellere zu Vertrieb und Spielen. Hören Sie zuerst die Demos an und vertonen Sie denselben Testsatz mit zwei oder drei Stimmen auf deren Seiten. Sie können auch eine Stimme aus Ihrer eigenen Aufnahme auf der Website trainieren, etwa die Stimme Ihrer Marke.

Supertonic 3 spricht 31 Sprachen, aber noch kein Chinesisch, und hat weder SSML noch Wort-Zeitstempel; braucht Ihr Agent das, passt eine große Cloud-TTS besser.