Integre voz AI ao vivo em nosso produto (síntese de fala, texto-para-fala)

Estamos adicionando saída de voz ao nosso produto e estamos procurando alguém que conecte de forma turnkey uma síntese de fala moderna. A tarefa parece simples, mas fazê-la bem não é fácil: qualquer texto que nossa plataforma gerar deve ser falado sob demanda com uma voz natural e humana no idioma do usuário. Atualmente, entregamos artigos, notificações e lições curtas como texto simples, mas queremos que as pessoas possam clicar em 'tocar' e ouvir em vez de ler. As vozes devem soar verdadeiramente vivas — com a entonação, pausas e ênfase adequadas, não como um robô monótono como nos motores antigos.

Especificamente, precisamos de um pequeno serviço que pegue um bloco de texto, envie para um provedor de TTS neural de qualidade, armazene o áudio recebido e o entregue ao navegador e ao aplicativo móvel. Precisamos de uma escolha de várias vozes para cada idioma, suporte para russo e pelo menos mais alguns idiomas e ajuste de velocidade e tom. Na interface — um reprodutor de áudio elegante com botões de tocar, pausar, retroceder e baixar. Tudo isso também deve estar disponível através de uma API REST simples com chaves, para que outras ferramentas internas também possam solicitar a síntese de voz. Certifique-se de planejar o cache para que não paguemos pela síntese repetida do mesmo texto.

No futuro, queremos tentar nossa própria voz de marca, então escolha um provedor e arquitetura para que essa possibilidade permaneça aberta. Aqui está o que esperamos:
— microserviço TTS funcional com abstração de provedor e cache de áudio;
— reprodutor web embutido, endpoints de API e documentação básica;
— manuseio correto de textos longos através de divisão e concatenação de áudio sem costura.
Experiência real com integrações de síntese de fala e atenção à qualidade da pronúncia são mais importantes para nós do que a velocidade.