企业客服服务商Scaled Cognition公司今日推出一款文本转语音模型，该公司表示，这款产品能以更低成本更准确地播报账号、地址等细节信息，优于竞争对手的服务。
这款名为Voice的产品可通过应用程序编程接口（API）获取，也支持自主部署。它支持超过25种语言，具备语音克隆功能，并能与现有的人工智能智能体、呼叫中心平台以及老式电话系统协同工作。语音克隆功能可以为特定人物创建数字声音复制品。
此次发布瞄准了一个长期存在的差距：听起来自然的语音与能够可靠传达客户完成交易所需信息的AI之间的鸿沟。
Scaled Cognition产品管理副总裁阿克谢·卡南在电子邮件回复中表示："现代生成式语音合成模型听起来可以非常出色，但它们常常在客服场景中最关键的细节上出错，比如朗读字母数字组合的确认码、金额或街道地址。"
卡南表示，这类问题在非英语语言中会更加突出。Scaled Cognition表示，Voice让企业能够在不支付高昂费用的情况下，获得听起来自然且播报准确的语音服务。
通过托管API使用Voice的费用为每百万字符9美元，若选择自主部署则为每百万字符1美元。后一数字不包含运行所需的基础设施费用。
卡南解释了这种定价方式如何实现比竞争对手更低的成本。一块图形处理器（GPU）可处理约32个并发对话，使用标准云硬件搭建的双GPU冗余配置每月费用约为6000美元，可支持约5亿字符的处理量。
将基础设施成本计入后，卡南估算在5亿字符使用量下，每百万字符成本约为13美元，在15亿字符使用量下则低于7美元。他将此与其他托管语音服务每百万字符35至100美元的收费相比较，但未透露具体是哪些服务商。
卡南表示："自主部署比人们预期的更快就能实现经济效益。"
云端方案
在使用量较低时，自主部署的成本可能会超过Scaled Cognition托管API的价格。卡南说："我们合作的大多数企业已经运行着自己的基础设施，所以Voice可以直接接入使用。对于不想自行管理的团队，我们可以为他们提供托管服务。"
该公司还宣称其语音生成延迟（即从接收文本到开始生成语音的时间，而非AI系统理解来电者并形成回答所需的总时间）仅为70毫秒。
卡南说："即便16个实时对话共享同一个GPU资源切片，典型响应时间也能维持在约80毫秒左右。客户能够控制的最大影响因素是距离。"将Voice部署在与整个通话系统其他部分相同的云区域内，仅会增加一两毫秒的延迟。卡南表示："这正是我们允许企业将其自主部署在智能体和电话系统旁边的重要原因。"
Voice的一个显著特点是能够在生成音频之前先理解语义，该公司表示。例如，其智能发音功能能判断缩写词指的是称谓、街道名称还是其他信息，以及数字应如何发音。举例来说，它能将"Pay 1/2 by 1/2"正确读作"一月二日前支付一半款项"。
卡南说："Voice并非简单地从左到右朗读文本。在说出某个词之前，智能发音功能会先解析出句子的真实含义，这一能力由我们APT模型背后同样针对客户体验调优的智能技术驱动。"
APT是该公司专为客服对话以及企业系统内操作设计的模型。当两款产品配合使用时，APT能够提供对话上下文信息，帮助Voice解决超出单句范围的歧义问题。
Voice的运行并不依赖APT或其他大语言模型。卡南说："它通过标准API传输音频流，并针对电话音频进行了专门调优，因此任何能够发送文本并播放语音的系统都可以使用它，从现代AI智能体和呼叫中心平台，到老旧的交互式语音应答系统，都不例外。"
这种兼容性可以让企业在不更换底层应用程序的情况下升级交互式语音应答系统。
Scaled Cognition还提供了一项盲听测试，将Voice与不同价位的其他模型进行对比。卡南表示，早期反馈结果对Voice较为有利，不过所提供的材料并未给出样本量或详细的测试结果。
该公司已完成由Khosla Ventures领投的1亿美元A轮融资，目前正将语音功能定位为其企业AI平台的又一重要组成部分。
