आईवीआर (IVR) और टेलीफोनी के लिए एआई (AI) आवाजें

वॉइस एजेंट जवाब देने से पहले होने वाले ठहराव पर ही टिके होते हैं। सिंथेसिस लगभग 200 मिलीसेकंड में शुरू हो जाता है और वास्तविक समय से 3.3 गुना तेजी से चलता है, जिससे बजट वहीं बचता है जहां आमतौर पर इसकी जरूरत होती है: आपके मॉडल पर।

सपोर्ट कॉल उन लोगों तक पहुँचती हैं जो पहले से ही परेशान हैं, और अक्सर ख़राब नेटवर्क लाइन पर होते हैं। ये आवाज़ें चरित्र की तुलना में स्पष्टता को अधिक पसंद करती हैं, अलग-अलग रेंडर में स्थिर रहती हैं, और हिंदी और अंग्रेजी के बीच उसी तरह से बदलती हैं जैसे कॉल करने वाले वास्तव में करते हैं।

वेब चैट असामान्य है क्योंकि विज़िटर एक ही समय में पढ़ता और सुनता है। ये आवाज़ें इत्मीनान से बोलने के लिए उपयुक्त हैं, वेबसॉकेट (WebSocket) पर लगभग 200 मिलीसेकंड में चलना शुरू हो जाती हैं, और एक ही एकीकरण (integration) से बारह भाषाओं को कवर करती हैं।

घोषणाएँ गूंजते हुए हॉलों में सुनी जाती हैं और हजारों बार दोहराई जाती हैं। उच्चारण शब्दकोश स्टेशनों और स्थानों के नामों को स्थायी रूप से तय करते हैं, यूलॉ (ulaw) और एलॉ (alaw) सीधे पब्लिक एड्रेस हार्डवेयर को फीड करते हैं, और एक ही आवाज पूरी बहुभाषी श्रृंखला को संभालती है।

एक सौ चार आवाजों में भारतीय लहजा है, जो किसी भी अन्य समूह से दोगुने से भी अधिक है। वे बिना अपना स्वर बदले देवनागरी वाक्यों के भीतर अंग्रेजी शब्दों का प्रयोग करते हैं, जो कि वास्तव में भारतीय अंग्रेजी बोलने का सही तरीका है।

कॉरपोरेट नैरेशन (व्याख्यान) को किसी खास टोन की तुलना में सुसंगत शब्दावली की अधिक आवश्यकता होती है। उच्चारण शब्दकोश ब्रांड और उत्पाद के नामों को एक ही बार में सटीक रूप से तय कर देते हैं, जिससे लाइब्रेरी का हर मॉड्यूल पहले मॉड्यूल से मेल खाता है।

जनरेशन रीयल टाइम से 3.3 गुना तेजी से चलती है, इसलिए ऑडियो इसके चलने की तुलना में तेजी से रेंडर होता है और बफ़र आगे रहता है। पहला ऑडियो SSE या WebSocket पर लगभग 200 मिलीसेकंड में आता है।

स्क्रीन रीडर का अनुभव रखने वाले यूज़र अक्सर इसे सामान्य से काफी अधिक गति पर चलाते हैं। इसकी गति को 0.5 से 2.0 तक एडजस्ट किया जा सकता है, और इसमें नौ भारतीय भाषाओं को शामिल किया गया है, जहाँ पूरे उद्योग में सहायक ऑडियो की उपलब्धता काफी कम है।

बड़े पैमाने पर काम करने पर लागत बढ़ने का मुख्य कारण डुप्लिकेशन (दोहराव) होता है, न कि जनरेशन (उत्पादन)। टेक्स्ट को हैश करने और जो पहले से मौजूद है उसे छोड़ने से इसमें से अधिकांश भाग हट जाता है, क्योंकि कैटलॉग और टेम्प्लेट के काम में लगातार एक ही वाक्यांश बार-बार दोहराए जाते हैं।

एक उपन्यास हजारों अनुरोधों को आपस में सिलकर बनता है, और जहां ये जोड़ होते हैं वहीं से कहानी बिखरने लगती है। ये आवाजें पूरी किताब में एक जैसी बनी रहती हैं और नौ ऐसी भारतीय भाषाओं को कवर करती हैं जिन्हें अधिकांश विक्रेता उपलब्ध नहीं कराते हैं।