Deepgram的Aura让AI代理有了声音
Deepgram凭借其声音识别技术成为了备受瞩目的初创公司之一。今天，这家资金充裕的公司宣布推出其全新的实时文本转语音API——Aura。Aura结合了高度逼真的语音模型与低延迟的API，使开发者可以构建实时对话人工智能代理。在大型语言模型（LLMs）的支持下，这些代理可以替代呼叫中心和其他面向客户的场景中的客服代理。
正如Deepgram的联合创始人兼首席执行官 Scott Stephenson告诉我的那样，获取优质语音模型一直是可行的，但那些都很昂贵，计算时间也很长。与此同时，低延迟模型往往听起来很机械。Deepgram的Aura结合了类人声音模型，渲染速度极快（通常在半秒钟以内），而且价格低廉，正如Stephenson一再强调的那样。
他说：“现在大家都觉得我们需要能够实时识别语音内容、理解并生成回应的人工智能机器人，然后再能够进行语音交流。”在他看来，这种产品要想对企业有价值，需要精准度、低延迟和可接受的成本结合在一起，特别是在与训练大型语言模型的相对高成本结合起来时。
Deepgram主张，Aura目前的定价几乎击败了所有竞争对手，每1000个字符为0.015美元。这距离Google的WaveNet语音每1000个字符为0.016美元和亚马逊的Polly的神经语音每1000个字符也是0.016美元，并不相差太远，但确实更便宜。但亚马逊的最高级别价格要显着更贵。
“你不仅要在所有[领域]中找到一个非常好的价格点，还要拥有惊人的响应速度、速度，以及惊人的准确性。这是一个非常困难的事情”，Stephenson谈到了Deepgram建立产品的一般方式。“但这正是我们从一开始就专注的，这也是为什么我们在发布任何东西之前，花了四年时间建设基础架构来实现这一点。”
Aura目前提供大约十几种语音模型，所有这些模型都是由Deepgram与配音演员合作创建的数据集进行训练的。Aura模型，就像公司的其他所有模型一样，都是在公司内部进行训练的。以下是它的声音示例：
https://techcrunch.com/wp-content/uploads/2024/03/deepgram_voice.mp3
你可以在这里试试Aura的演示版本。我已经测试了一段时间，尽管有时会遇到一些奇怪的发音，但速度确实是它的显著特点，除此之外，还有Deepgram现有的高质量语音转文字模型。为了突出它生成响应的速度，Deepgram指出模型开始说话所用的时间（通常少于0.3秒）以及LLM完成生成响应所用的时间（通常不到一秒）。
