Características principales de la API Speech 2.5

La API Speech 2.5 utiliza una arquitectura nativa de voz a voz (S2S) que elimina la capa intermedia de transcripción de texto. Esto reduce el tiempo hasta el primer audio a aproximadamente 280 ms en condiciones óptimas. Para obtener la latencia más baja posible en aplicaciones interactivas, recomendamos utilizar la interfaz de transmisión WebSocket en lugar de HTTP estándar por fragmentos.

Sí, el modelo 2.5 turbo ofrece clonación de voz sin ejemplos previos. Puedes replicar la voz de un hablante utilizando tan solo una muestra de audio de 3 segundos. Este proceso no requiere entrenamiento secundario ni ajuste fino, lo que te permite generar voz con un timbre o acento específico al instante mediante el endpoint /v1/audio/voices.

Los precios se basan tanto en el número de tokens de entrada como en la duración del audio de salida. El texto de entrada tiene un precio de 2,00 $ por cada millón de tokens, mientras que el audio de entrada cuesta 0,015 $ por minuto. El audio de salida generado se factura a 0,030 $ por minuto. Los usuarios de GPTProto.com se benefician de una facturación unificada y de descuentos del 50 % en las indicaciones de audio almacenadas en caché para sesiones repetidas.

No. Según nuestra Política de Privacidad Empresarial, nosotros ni MiniMax utilizamos para entrenamiento los datos de audio y texto procesados mediante la API Speech 2.5. Tu propiedad intelectual y tus clones de voz permanecen privados y seguros dentro del entorno de tu proyecto.

Aunque GPT-4o tiene un TTFA ligeramente más rápido (~240 ms), la API Speech 2.5 ofrece una frecuencia de muestreo superior de 48 kHz, en comparación con los 24 kHz de GPT-4o. Además, Speech 2.5 proporciona señales emocionales no verbales superiores, como suspiros y risas audibles, que suelen ser limitadas en otros modelos de baja latencia.

Por supuesto. El modelo está optimizado para el cambio de código bilingüe en más de 25 idiomas. Puede alternar entre idiomas como inglés y chino dentro de una misma frase, manteniendo perfectamente constantes la identidad del hablante y la expresión emocional.