Texto a voz para agentes de voz con IA: la capa de voz, rápida y barata
Un agente de voz con IA es una cadena: el reconocimiento de voz convierte las palabras de quien llama en texto, un modelo de lenguaje escribe la respuesta y el texto a voz la dice. El último paso decide cómo suena el agente y gran parte de lo rápido que parece, y con precios por carácter suele ser la factura más alta.
La API de voz de SuperClonica está hecha para esta capa. Devuelve el audio en streaming desde unos 300 ms en nuestras mediciones, se cobra por tiempo y no por caracteres, y permite que un agente hable con cualquiera de las 190 voces del catálogo o con una voz que entrenes tú. Esta guía muestra cómo conectarla y dónde están sus límites.
Habla frase a frase
No esperes a que el modelo termine toda la respuesta. Lee su salida en streaming, córtala al final de cada frase y envía cada frase completa a la API de voz en cuanto esté lista, con "stream": true. La primera frase suena mientras el modelo aún escribe la siguiente.
Las frases cortas adelantan el primer sonido. Un monólogo largo también funciona: en streaming, un texto largo se divide en partes, se convierte en varios workers a la vez y suena desde la primera parte.
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 choiceQué latencia esperar
En nuestras mediciones el primer sonido llega unos 300 ms después de la solicitud, más el tiempo de red hasta el servidor. Ogg llega en streaming al instante; mp3 y wav solo cuando el texto supera más o menos medio minuto de voz, así que para un agente usa Ogg. La API responde por HTTPS normal en fragmentos: no hay WebSocket y cada frase es una solicitud.
Llamadas telefónicas
La telefonía suele pedir audio μ-law a 8 kHz: Twilio Media Streams, por ejemplo, envía y recibe audio/x-mulaw a 8000 Hz. Decodifica el stream Ogg, remuestréalo a 8 kHz y codifícalo en μ-law antes de enviarlo a la llamada; la guía de voces propias para Twilio muestra la conversión para avisos grabados.
Cómo limitan los planes a un agente
Un plan da segundos de audio en cada ventana de 10 minutos: Inicio, 5 $ al mes, convierte 3 minutos por ventana, Autor 8, Pro 20 y Estudio 65. Es el total de voz de todas tus conversaciones juntas, así que fija cuántas llamadas pueden hablar a la vez. Un agente habla quizá un tercio de la llamada, así que Inicio alcanza para una línea ocupada y Pro para unas cinco o seis. Cuando una ventana se agota, la API responde 429 con Retry-After; no se cobra nada por una solicitud rechazada o fallida.
La clave gratuita da un minuto de audio al día: suficiente para construir y probar el agente antes de pagar.
Elegir la voz
Cualquier voz del catálogo funciona por la API con el ID de su página, en cualquier plan. Las voces tranquilas de narrador y locutor van bien en soporte; las más brillantes, en ventas y juegos. Escucha primero las demos y genera la misma frase de prueba con dos o tres voces en sus páginas. También puedes entrenar una voz con tu propia grabación en el sitio, por ejemplo la voz de tu marca.
Supertonic 3 habla 31 idiomas, pero todavía no chino, y no tiene SSML ni marcas de tiempo por palabra; si tu agente los necesita, encaja mejor un TTS grande en la nube.