Tech Meridian ← К ЛЕНТЕ
PROМОЙ MERIDIAN EN

НОВОСТЬ · MODELS · #3020

Cartesia показывает SSM‑модели Sonic и Ink для потокового голоса с задержкой <100 мс на AWS

В публикации AWS рассказывается, как партнёр AWS Cartesia использует модели состояния (SSM) и инфраструктуру AWS для запуска двух производственных потоковых голосовых моделей — Sonic (TTS) и Ink (STT) — оптимизированных для задержки первого байта менее 100 мс и глобального масштаба. Sonic представлен как потоковый TTS с примерно 90 мс до первого аудиобайта и поддержкой множества языков и клонирования голоса; Ink описан как потоковый STT с встроенным обнаружением пауз говорящего для разговорных сценариев.

КЛЮЧЕВЫЕ ТЕЗИСЫ

  1. В публикации AWS рассказывается, как партнёр AWS Cartesia использует модели состояния (SSM) и инфраструктуру AWS для запуска двух производственных потоковых голосовых моделей — Sonic (TTS) и Ink (STT) — оптимизированных для задержки первого байта менее 100 мс и глобального масштаба.
  2. Sonic представлен как потоковый TTS с примерно 90 мс до первого аудиобайта и поддержкой множества языков и клонирования голоса; Ink описан как потоковый STT с встроенным обнаружением пауз говорящего для разговорных сценариев.
  3. Снижение задержки первого байта TTS/STT до <100 мс с помощью SSM устраняет ключевое препятствие для естественных голосовых интерфейсов и может позволить создавать более реалистичные реального времени голосовые агенты в масштабе.

ПОЧЕМУ ЭТО ВАЖНО

Снижение задержки первого байта TTS/STT до <100 мс с помощью SSM устраняет ключевое препятствие для естественных голосовых интерфейсов и может позволить создавать более реалистичные реального времени голосовые агенты в масштабе.

ИСТОЧНИКИ И ХРОНОЛОГИЯ

1