Async Voice AI

La velocidad es el punto central. Async dice que su modelo empieza a sonar antes que los referentes en baja latencia, con una mediana de primer byte en torno a 166 ms y una latencia total por debajo de 300 ms. Para un agente de voz eso significa que la respuesta llega antes de que el silencio incomode. La empresa mide esto por su cuenta, así que toma las cifras exactas como sus propios benchmarks, aunque la arquitectura de streaming respalda la afirmación.

Puedes clonar una voz a partir de una muestra de 3 segundos. Sin entrenamiento, sin cola de espera y sin coste aparte en el plan de desarrollador. Subes un clip y obtienes una voz que conserva el tono, el acento y el ritmo del original. Es la función que convierte una API TTS genérica en algo que puedes poner bajo tu marca, ya sea un personaje, un presentador o la voz de la empresa.

Async divide su texto a voz en dos líneas. Async Pro v1.0 es la opción de calidad y maneja mejor el inglés, con un tratamiento limpio de fechas, números y monedas. Async Flash v1.5 cambia algo de acabado por velocidad y encaja bien con agentes en vivo. También existe un Flash v1.0 más antiguo con la mayor cobertura de idiomas. Elegir entre ellos es en realidad decidir entre el mejor sonido y la respuesta más rápida.

La API cubre más de 15 idiomas con lo que la empresa llama pronunciación nativa, y el mismo endpoint los sirve todos. La normalización de texto resuelve las partes complicadas, como leer fechas, monedas y abreviaturas tal como lo haría una persona. Para equipos que publican en varios mercados, eso significa una sola integración en lugar de un modelo distinto por región.

El texto a voz llega en cuatro formas: una llamada HTTP simple que devuelve un archivo de audio, un endpoint de streaming que arranca la reproducción antes de terminar la generación, una versión con marcas de tiempo para subtítulos y un WebSocket para ir metiendo texto mientras un LLM lo escribe. La conversión de voz a texto funciona igual, con subida de archivos para grabaciones y un flujo en vivo para transcripción en tiempo real. Pocas APIs dan tanta libertad sobre cómo llega el audio a tu app.

Más allá de los modelos base, Async expone los pequeños ajustes que deciden si la voz suena fabricada o natural. Puedes fijar pronunciaciones propias con fonemas IPA para nombres de marca y siglas, leer números dígito a dígito para teléfonos, y meter pausas exactas con una etiqueta break. Para conectarlo, hay integraciones listas con Pipecat, LiveKit, Twilio, n8n y Picsart Flow, así que no escribes la fontanería desde cero.