लाइटनिंग V3.1 (Lightning V3.1) निष्पक्ष तीसरे पक्ष और ग्राहक मूल्यांकन के आधार पर अब तक का हमारा सबसे स्वाभाविक लगने वाला TTS मॉडल है। यह 15 भाषाओं का समर्थन करता है: अंग्रेजी, स्पेनिश, फ्रेंच, इतालवी, डच, स्वीडिश, पुर्तगाली, जर्मन, हिंदी, तमिल, कन्नड़, तेलुगु, मलयालम, मराठी और गुजराती, जिसमें स्वचालित भाषा पहचान और वाक्य के बीच में भाषा बदलने की सुविधा शामिल है।

लाइटनिंग V3.2 (Lightning V3.2) निर्देश-अनुपालन क्षमता के साथ V3 आर्किटेक्चर का विस्तार करता है। यह मॉडल भावनात्मक अभिव्यक्ति, पिच भिन्नता और वॉल्यूम नियंत्रण के लिए स्पष्ट निर्देशों को स्वीकार करता है, जिसमें फुसफुसाने जैसी कम ऊर्जा वाली आउटपुट स्थितियां भी शामिल हैं जिन्हें केवल स्वर-शैली (prosody) मॉडलिंग के माध्यम से प्राप्त करना कठिन होता है।

लाइटनिंग V3 आज हमारी पे-एज-यू-गो (pay-as-you-go) योजना पर उपलब्ध है। आप आज ही इसे मुफ्त में भी शुरू कर सकते हैं।

भाषण की स्पष्टता और संवादात्मक स्वाभाविकता एक समान नहीं हैं

TTS क्षेत्र ने एक विशिष्ट और अच्छी तरह से परिभाषित समस्या को हल करने में वर्षों बिताए हैं: पाठ (text) को समझने योग्य ऑडियो में बदलना। उस पैमाने पर, इसे काफी हद तक सफलता मिली है। अग्रणी मॉडल उच्चारण की सटीकता, कम शब्द त्रुटि दरों (word error rates) और उच्च ऑडियो स्पष्टता पर केंद्रित हो गए हैं। समझने योग्य होना अब बुनियादी आवश्यकता बन चुका है।

समस्या यह है कि कोई आवाज पाठ को कितनी अच्छी तरह पढ़ती है, इसके लिए अनुकूलन करना गलत लक्ष्य है यदि वह अनुप्रयोग एक वॉयस एजेंट है।

संवादात्मक जनरेशन में, संश्लेषण (synthesis) शुरू होने से पहले मॉडल को पूरा वाक्य प्राप्त नहीं होता है। जैसे-जैसे प्रतिक्रियाएं स्ट्रीम होती हैं, यह वास्तविक समय के टुकड़ों में ऑडियो उत्पन्न करता है, जिसमें हर कदम पर संदर्भ अधूरा होता है। स्वाभाविकता उन तरीकों से कम होती है जो एंड-टू-एंड मूल्यांकन में सामने नहीं आ पाते। और अधिक मौलिक रूप से, जो आवाज खूबसूरती से पढ़ती है, वह भी बातचीत करने में वास्तव में अरुचिकर हो सकती है।

एक संवादात्मक आवाज को एक साथ चार चीजें करनी होती हैं:

1. ऐसा लगना जैसे वह सोच रही है। स्वाभाविक भाषण में लय, गति और जोर में सूक्ष्म विविधताएं होती हैं जो सक्रिय संज्ञान (cognitive processing) का संकेत देती हैं। एक समान रूप से चलने वाली आवाज शांत नहीं लगती; बल्कि ऐसा लगता है जैसे स्क्रिप्ट पढ़ी जा रही हो। बोलने की गति मनमानी नहीं होती। यह वास्तविक समय में विचार उत्पन्न करने के मानसिक भार को दर्शाती है। जटिल विचार लंबे विराम, अनियमित गति और अधिक विविध जोर उत्पन्न करते हैं। बोलने की गति केवल एक शैलीगत विशेषता नहीं है। यह एक संज्ञानात्मक संकेत है। [1]

   
   
   

   
   
   

2. ऐसा लगना जैसे वह सुन रही है। बातचीत में स्वर-शैली (intonation) प्रतिक्रियाशील होती है। स्पष्टीकरण देने वाले स्वर की शैली शुरुआती बयान से अलग होती है। किसी निराश ग्राहक को दिया गया जवाब पहली बार की जाने वाली नमस्कार की आवाज से अलग सुनाई देता है। स्वर-शैली ही भाषण के इरादे को दर्शाती है, और बातचीत में हर मोड़ पर इरादा बदल जाता है।

   
   
   

   
   
   

3. लोग वास्तव में जिस तरह से बोलते हैं, उसे संभालना। वास्तविक बहुभाषी बातचीत में, भाषा साफ-सुथरे पैराग्राफ की सीमाओं पर नहीं बदलती। यह वाक्य के बीच में, शब्दों के स्तर पर बदलती है, ठीक उसी तरह जैसे विचार चलते हैं। हिंग्लिश या स्पैंगलिश बोलने वालों की सेवा करने वाले वॉयस एजेंट को लगातार इसका सामना करना पड़ता है। यह कोई दुर्लभ मामला नहीं है।

   
   
   

   
   
   

4. उपयोगकर्ता को व्यस्त रखना। यह सबसे महत्वपूर्ण, सबसे कम मापने योग्य और हल करने में सबसे कठिन समस्या है। एक रोबोटिक आवाज न केवल सुनने में अरुचिकर लगती है, बल्कि यह संवाद में बाधा भी पैदा करती है। इसके प्रमाण केवल किस्से-कहानियों तक सीमित नहीं हैं। शोध लगातार इस बात की पुष्टि करते हैं कि इसे गलत करने का क्या नुकसान होता है। वोनेज (Vonage) ने पाया कि 51% अमेरिकी उपभोक्ताओं ने आईवीआर (IVR) मेनू पर पहुंचने के बाद किसी व्यवसाय से संपर्क पूरी तरह से छोड़ दिया। आवाज केवल उत्पाद अनुभव के ऊपर जोड़ी गई कोई बाहरी यूएक्स (UX) विशेषता नहीं है। कई उपयोग संदर्भों में, यही मुख्य अनुभव होता है। [2]

   
   
   

लाइटनिंग V3 संवादात्मक TTS के लिए एक नया SOTA स्थापित करता है

एंड-टू-एंड वाक्य संश्लेषण में किया गया मूल्यांकन स्ट्रीमिंग अनुप्रयोगों के लिए वास्तविक दुनिया के प्रदर्शन को बढ़ा-चढ़ाकर पेश करता है। हमारा मूल्यांकन विशेष रूप से संवादात्मक जनरेशन के संदर्भ में किया गया था। परीक्षण सेट में Seed-TTS मूल्यांकन कॉर्पस के नमूने शामिल थे, जिन्हें LLM-as-judge फ्रेमवर्क का उपयोग करके स्कोर किया गया था।

इस बेंचमार्क के लिए उपयोग किया गया मूल्यांकन कोड प्रतिकृति (replication) के लिए इस लिंक पर उपलब्ध है।

लाइटनिंग V3, 3.89 पर MOS में सबसे आगे है, और सभी प्रतिस्पर्धियों की तुलना में स्वर-शैली (intonation और prosody) में भी सबसे आगे है। ये कोई इत्तफाकन जीत नहीं हैं। ये वे विशिष्ट आयाम हैं जिनके लिए इस मॉडल को डिज़ाइन किया गया था।

शब्द त्रुटि दर (Word Error Rate) ट्रांसक्रिप्शन की स्पष्टता का बुनियादी पैमाना है। लाइटनिंग V3 ने 5.38% की WER हासिल की है, जो लगभग हर प्रतिस्पर्धी से बेहतर है। विशिष्ट क्षेत्र की शब्दावली के लिए जहां आउट-ऑफ-डिस्ट्रीब्यूशन शब्दावली मॉडल के आत्मविश्वास को कम करती है (उचित संज्ञाएं, चिकित्सा शब्दावली, ब्रांड पहचानकर्ता), उच्चारण शब्दकोश एक अतिरिक्त नियंत्रण परत प्रदान करते हैं। सही उच्चारण का अनुमान लगाने के लिए मॉडल पर भरोसा करने के बजाय, ये शब्दकोश अपेक्षित आउटपुट को हार्डकोड कर देते हैं, जिससे सबसे महत्वपूर्ण शब्दावली पर लगातार सटीकता सुनिश्चित होती है।

ओपनएआई gpt-4o-mini-tts के खिलाफ, लाइटनिंग V3 समग्र स्वाभाविकता पर लगभग 76% की तुलनात्मक जीत दर हासिल करता है। यह संख्या वास्तविक है। इस पर गहराई से विचार करना भी आवश्यक है।

स्कोरकार्ड को एक तरफ रखें और दोनों मॉडलों से एक ही ऑडियो क्लिप को साथ-साथ सुनें।

एक निष्पक्ष सुनने के सत्र में, भाषण की गुणवत्ता में अंतर करना लगभग असंभव है। सुनने का संदर्भ, प्लेबैक डिवाइस, मूल्यांकनकर्ता का दृष्टिकोण, और वे किस बात पर ध्यान देने के लिए तैयार हैं, इसे बदलें, और रैंकिंग बदल जाएगी। इसे फिर से बदलें, और वे फिर से बदल जाएंगे।

यह डेटा में मौजूद कोई गड़बड़ी नहीं है। यही वास्तविक डेटा है। स्वाभाविकता ऑडियो की कोई स्थिर विशेषता नहीं है। यह ऑडियो और उसे सुनने वाले व्यक्ति के बीच का संबंध है, जिसे उस संदर्भ द्वारा आकार दिया जाता है जिसे कोई भी मानकीकृत मूल्यांकन पूरी तरह से स्पष्ट नहीं कर सकता।

इससे यह सवाल उठता है: यदि संदर्भ के साथ पसंद की रैंकिंग इतनी बदल जाती है, तो TTS बेंचमार्क वास्तव में क्या माप रहे हैं?

TTS मूल्यांकन अब अप्रासंगिक हो चुके हैं, और हमें इसे स्वीकार करना होगा

उपरोक्त स्कोर संरचनात्मक रूप से अपूर्ण हैं, इसलिए नहीं कि कार्यप्रणाली त्रुटिपूर्ण है, बल्कि इसलिए कि स्वयं इन पैमानों की एक सीमा है जिसे स्वीकार करने में इस क्षेत्र ने काफी समय लिया है।

MOS संवेदी अनुभव की एक विशाल श्रृंखला को एक औसत संख्या में समेट देता है। मीन ओपिनियन स्कोर (Mean Opinion Score) में "ओपिनियन" (राय) बहुत महत्वपूर्ण भूमिका निभाता है। स्कोर पूरी तरह से सुनने वालों की संरचना, प्रश्न पूछने के तरीके और किसी दिए गए मूल्यांकनकर्ता के लिए "गुणवत्ता" के मायने पर निर्भर करता है। LLM-as-judge मानव पैनल मूल्यांकन की कुछ विविधताओं और परिचालन लागत को कम करता है, जबकि अभी भी स्वर-शैली और ध्वनिक अंतरों के प्रति संवेदनशीलता बनाए रखता है। हालांकि, जज मॉडल को दिया गया प्रॉम्प्ट खुद प्रश्न पूछने का एक तरीका है। मूल्यांकन मानदंड, संदर्भ विवरण या स्कोरिंग पद्धति को बदलें, और आउटपुट बदल जाएगा। यह अंतर मूल्यांकनकर्ताओं के समूह से हटकर प्रॉम्प्ट पर चला जाता है, जो पूरी तरह से व्यक्तिपरकता (subjectivity) से मुक्त नहीं है।

जैसा कि आप देख सकते हैं, आवाज को छोड़कर सभी 3 ऑडियो लगभग पूरी तरह से समान हैं। फिर भी, नताली का MOS पर स्कोर 3.9 है, ओलिविया का 3.18 और मिया का 2.94 है।

वर्षों से, TTS मूल्यांकन ने खुद को बेंचमार्क के एक परिचित सेट के इर्द-गिर्द व्यवस्थित किया है: समग्र गुणवत्ता के लिए MOS, स्पष्टता के लिए WER और CER, और उच्चारण, स्वर-शैली और ऑडियो गुणवत्ता जैसे आयाम। ये पैमाने उस समय के लिए बनाए गए थे जब स्पष्ट विफलताएं आम थीं, जब भाषण स्पष्ट रूप से कृत्रिम सुनाई देता था।

इस क्षेत्र ने काफी हद तक उस समस्या को हल कर लिया है। स्पष्टता अब कोई बड़ी चुनौती नहीं है। और यहीं पर मूल्यांकन का ढांचा विफल हो जाता है। जैसे ही सिस्टम समझने योग्य से स्वाभाविक लगने की सीमा को पार करते हैं, बेंचमार्क कम मददगार साबित होने लगते हैं। वे अभी भी इसकी पुष्टि कर सकते हैं कि कोई सिस्टम विफल नहीं हो रहा है। लेकिन वे आपको यह नहीं बता सकते कि वह कितना सफल हुआ है। अब जो बचा है वह एक अलग और कठिन समस्या है: यह नहीं कि नियंत्रित मूल्यांकन स्थितियों में आवाज अच्छी लगती है या नहीं, बल्कि यह कि क्या वह विश्वसनीय लगती है।

अभिव्यक्तिशीलता (Expressiveness) स्वाभाविकता के समान नहीं है

आधुनिक TTS में एक शांत धारणा यह है कि बढ़ी हुई अभिव्यक्तिशीलता से आवाज अधिक मानवीय महसूस होनी चाहिए। यदि कोई मॉडल अपनी पिच रेंज को व्यापक बनाता है, मजबूत भावनात्मक उतार-चढ़ाव जोड़ता है, अपनी गति को बदलता है, और अधिक ऊर्जा के साथ आवाज देता है, तो इसे प्रगति माना जाता है। एक हद तक, यह है भी। लेकिन भावना का प्रदर्शन करना और वास्तव में भावना महसूस होना, दोनों में अंतर है।

उस बिंदु से आगे, संबंध टूटने लगता है। एक आवाज अधिक अभिव्यंजक होने के साथ-साथ कम विश्वसनीय भी हो सकती है।

विफलता के नए बिंदु पुराने बिंदुओं की तुलना में अधिक सूक्ष्म हैं। एक आवाज स्पष्ट, परिष्कृत और अत्यधिक जीवंत हो सकती है, और फिर भी एक शांत विकल्प की तुलना में कम स्वाभाविक लग सकती है। समस्या एकरूपता की है: ये आवाजें बातचीत के दौरान लगातार बहुत अभिव्यंजक और प्रदर्शनकारी होती हैं। अलग से सुनने पर, यह प्रभावशाली लगता है। लेकिन पूरी बातचीत के दौरान, यह पहले से अभ्यास किया हुआ लगने लगता है, जो वास्तविक मानव भाषण के असमान और स्वाभाविक अनुभव से बहुत दूर है।

भाषण के माध्यम से एक विश्वसनीय मानवीय स्थिति को व्यक्त करना केवल भावना के सतही संकेतों को दिखाने जैसा नहीं है। मानवीय बातचीत ध्यान, स्मृति, योजना, सांस, थकान और सामाजिक संदर्भ से आकार लेती है। इसका परिणाम अनियमितता के रूप में सामने आता है जो यादृच्छिक (random) नहीं होती।

सहज भाषण पूरी तरह से धाराप्रवाह नहीं होता है। आम वक्ता लगभग 5 से 6 प्रति 100 शब्दों की दर से लड़खड़ाहट (disfluencies) उत्पन्न करते हैं, जिसमें भरे हुए विराम (filled pauses), मूक विराम, खिंचाव, दोहराव और आत्म-सुधार शामिल हैं। और इस स्पष्ट लड़खड़ाहट के स्तर से नीचे, मानव श्रोता बहुत सूक्ष्म संरचना के प्रति संवेदनशील रहते हैं: विराम कहाँ आते हैं, योजना बनाने के भार के तहत समय कैसे खिंचता है, और आवाज़ के उतार-चढ़ाव में छोटी अनियमितताएँ जिन्हें स्वाभाविक आवाजें साथ लेकर चलती हैं, लेकिन अत्यधिक सुचारू की गई कृत्रिम आवाजें अक्सर दबा देती हैं।

यह अंतर अनौपचारिक सुनने के मूल्यांकनों में स्पष्ट रूप से दिखाई दिया। प्रतिस्पर्धियों की तुलना में संरचित मूल्यांकन आयामों पर "नताली" का स्कोर अधिक है। "ओलिविया" का स्कोर कम है। लेकिन श्रोता ओलिविया को पसंद करते हैं।

सबसे स्वाभाविक आवाज अक्सर आपकी खुद की होती है

यहां तक कि सबसे अच्छी पहले से बनी आवाज की भी एक सीमा होती है। हमारे मूल्यांकनों में, एक क्लोन की गई आवाज लगातार इससे बेहतर प्रदर्शन करती है।

जब आप किसी आवाज को क्लोन करते हैं (वर्तमान में लाइटनिंग V3.1 पर उपलब्ध है), तो आप उस विशिष्ट अनियमितता को पकड़ रहे होते हैं जो आवाज को एक वास्तविक व्यक्ति जैसा महसूस कराती है। क्लोनिंग से जो सुरक्षित रहता है वह केवल आवाज का रंग (timbre) नहीं है, बल्कि अनियमितता है: समय, जोर और वे छोटी कमियां जो आवाज को एक प्रदर्शन के बजाय एक व्यक्ति जैसा महसूस कराती हैं।

लाइटनिंग V3.1 केवल 5 से 15 सेकंड के ऑडियो से व्यावसायिक-स्तर की प्रतिलिपि (replica) तैयार कर सकता है।

कोई रिकॉर्डिंग सत्र नहीं, कोई जटिल फाइन-ट्यूनिंग प्रक्रिया नहीं। एक छोटा क्लिप एक ऐसी आवाज उत्पन्न करता है जो समर्थित 15 भाषाओं में से किसी में भी भाषण का संश्लेषण कर सकती है।

बड़े पैमाने पर निर्माण करने वाली टीमों के लिए, यह केवल एक सुविधा वाली विशेषता नहीं है। यह आवाज को एक उत्पाद संपत्ति के रूप में सोचने का एक मौलिक रूप से अलग तरीका है, क्योंकि क्लोन स्रोत की प्राकृतिक अनियमितता को बनाए रखता है।

बातचीत ही सबसे कठिन परीक्षा है, और यह बाकी सब कुछ आसान बना देती है

यदि कोई आवाज बातचीत में टिकी रहती है, तो वह हर जगह सफल होगी। जो स्वाभाविकता हमारे TTS को एक सपोर्ट कॉल में प्रभावी बनाती है, वही इसे पॉडकास्ट, ऑडियोबुक और डबिंग अनुप्रयोगों के लिए भी समान रूप से प्रभावी बनाती है। संवादात्मक जनरेशन सबसे कठिन ध्वनिक संदर्भ है जिसका एक TTS मॉडल सामना कर सकता है: वास्तविक समय का संश्लेषण, भावनात्मक रूप से विविध संवाद, अप्रत्याशित स्वर-शैली का संदर्भ, और हर टुकड़े की सीमा पर अधूरी जानकारी। इस संदर्भ के लिए डिज़ाइन किए गए मॉडल ने हर दूसरे उपयोग के मामले के सबसे कठिन संस्करण को हल कर लिया है।

लाइटनिंग V3 मूल रूप से 44,100 Hz पर ऑडियो उत्पन्न करता है, जो संपूर्ण श्रव्य भाषण आवृत्ति सीमा के लिए नाइक्विस्ट (Nyquist) सीमा से अधिक है। सीमित बैंडविड्थ या टेलीफोनी परिनियोजन के लिए, यह आसानी से 8, 16, या 24 kHz में डाउनसैंपल हो जाता है।

परिनियोजन संदर्भ (deployment context) के आधार पर मॉडल नहीं बदलता है। बल्कि आउटपुट कॉन्फ़िगरेशन बदलता है। 8 kHz mulaw पर चलने वाला टेलीफोनी IVR और 44.1 kHz WAV बनाने वाला पॉडकास्ट टूल दोनों एक ही मॉडल का उपयोग कर रहे हैं।

व्यक्तित्व-विशिष्ट (Persona-Specific) मूल्यांकन आज की आवश्यकता हैं

हम जिस चुनौती का समाधान कर रहे हैं उसे हम संवादात्मक पर्याप्तता (communicative adequacy) कहते हैं: यह नहीं कि कोई आवाज मानवीय लगती है या नहीं, बल्कि यह कि क्या वह किसी विशिष्ट भूमिका के लिए सही इंसान की तरह लगती है।

वॉयस एआई का मूल्यांकन अब उस व्यक्तित्व (persona) के आधार पर किया जाना चाहिए जिसे अपनाने के लिए इसे डिज़ाइन किया गया है। एक शांत स्वास्थ्य सेवा एजेंट, एक ऊर्जावान बिक्री प्रतिनिधि, और एक नपे-तुले वित्तीय सलाहकार को एक ही स्वर-शैली के आदर्श पर नहीं आंका जाना चाहिए। वे एक ही काम करने की कोशिश नहीं कर रहे हैं। उनकी स्वीकार्य पिच रेंज, विराम घनत्व, भाषण दर, सीमा शक्ति, सांस की आवाज, और लड़खड़ाहट का प्रोफाइल अलग-अलग होता है क्योंकि संवादात्मक लक्ष्य अलग होता है। एक आश्वस्त करने वाली आवाज को कोमलता, संयम और सावधानीपूर्वक विराम की आवश्यकता हो सकती है। एक आधिकारिक आवाज को स्थिर गति और कम पिच अस्थिरता की आवश्यकता हो सकती है। एक प्रेरक आवाज को अधिक उत्साह और ऊर्जा की आवश्यकता हो सकती है, लेकिन केवल उस सीमा तक जहां वह अत्यधिक प्रदर्शन के बजाय मानवीय लगे।

एक ऐसा बेंचमार्क जो औसत स्वाभाविकता स्कोर के करीब होने पर पुरस्कृत करता है, वह उन बदलावों को दंडित करेगा जो किसी आवाज को उसके संदर्भ के लिए उपयुक्त बनाते हैं।

संदर्भ स्कोर को बदल देता है।

इस क्षेत्र में पहले से ही सबूत हैं कि संदर्भ पेश किए जाने पर मूल्यांकन बदल जाता है। 2025 का रेप्लिकेबिलिटी पेपर सीधे तर्क देता है कि आधुनिक कृत्रिम भाषण का मूल्यांकन सभी के लिए एक जैसे सेटअप में नहीं किया जा सकता है। ब्लिजार्ड चैलेंज 2025 (Blizzard Challenge 2025) की रिपोर्ट ने स्वाभाविकता और उपयुक्तता को अलग-अलग मापा, और कुछ प्रणालियों के लिए उनके बीच महत्वपूर्ण अंतर पाया।

वह अंतर मायने रखता है। यदि श्रोताओं से "यह कितना स्वाभाविक है?" बनाम "यह यहाँ कितना उपयुक्त है?" पूछे जाने पर एक ही नमूने को अलग-अलग रेटिंग मिलती है, तो बेंचमार्क केवल ऑडियो की स्थिर विशेषता को नहीं माप रहा है। यह ऑडियो के साथ-साथ कार्य की उपयुक्तता को भी माप रहा है। यह व्यक्तित्व-आधारित मूल्यांकन का मार्ग प्रशस्त करता है। [3][4]

संक्षेप में, एक मॉडल का सामान्य रूप से बेंचमार्क किया जा सकता है, लेकिन किसी आवाज का नहीं। मॉडलों का मूल्यांकन अभी भी स्पष्टता, सुदृढ़ता, नियंत्रणीयता और उच्चारण के लिए किया जाना चाहिए। आवाजों को संदर्भ में डिज़ाइन और आंका जाना चाहिए: कि क्या वे उस व्यक्तित्व के अनुकूल हैं जिसे वे अपनाने के लिए बनी हैं, सही सामाजिक संकेत देती हैं, और उस क्षण में विश्वसनीय महसूस होती हैं जिसके लिए उन्हें बनाया गया था।

लाइटनिंग V3.1 अब पे-एज-यू-गो (pay-as-you-go) मॉडल पर उपलब्ध है। आप केवल उसी का भुगतान करते हैं जो आप उपयोग करते हैं। कोई अग्रिम प्रतिबद्धता नहीं, कोई सीट लाइसेंस नहीं, कोई न्यूनतम सीमा नहीं। चाहे आप एक नए वॉयस एजेंट का प्रोटोटाइप बना रहे हों, एक महीने में लाखों कॉल चला रहे हों, या अपने चैनलों के लिए बहुभाषी सामग्री तैयार कर रहे हों, मूल्य निर्धारण आपके पैमाने के साथ बदलता रहता है। क्रेडिट हर महीने समाप्त नहीं होते हैं।

अभी शुरू करने के लिए app.smallest.ai पर जाएं या इस लिंक पर हमारे API को आजमाएं।


संदर्भ
[1] https://pmc.ncbi.nlm.nih.gov/articles/PMC2131696/ (Prosodic Planning: Effects of Phrasal Length and Complexity on Pause Duration)
[2] https://www.vonage.com/about-us/newsroom/press-releases/Vonage-research-reveals-IVR-horror-costs-businesses-262-per-customer-each-year-09-26-2019/444cff58-7541-43bd-b08b-41d47951117d/ (Vonage research reveals IVR horror costs businesses $262 per customer each year)
[3] https://www.isca-archive.org/interspeech_2025/lemaguer25_interspeech.pdf (Enabling the replicability of speech synthesis perceptual evaluations)
[4] https://www.isca-archive.org/blizzard_2025/do25_blizzard.pdf (The Blizzard Challenge 2025)