Async Voice AI

La vitesse est le cœur du sujet. Async affirme que son modèle démarre l'audio avant les références du secteur, avec une médiane du premier octet autour de 166 ms et une latence totale sous les 300 ms. Pour un agent vocal, cela veut dire que la réponse arrive avant que le silence ne devienne pesant. L'entreprise mesure ces chiffres elle-même, donc prenez-les comme ses propres repères, même si l'architecture de streaming appuie la promesse.

Vous pouvez cloner une voix à partir d'un échantillon de 3 secondes. Sans entraînement, sans file d'attente et sans frais supplémentaires sur l'offre développeur. Téléversez un extrait et vous obtenez une voix qui conserve le timbre, l'accent et le rythme de l'original. C'est la fonction qui transforme une API TTS générique en quelque chose que vous pouvez mettre à votre marque, qu'il s'agisse d'un personnage, d'un présentateur ou de la voix de l'entreprise.

Async sépare sa synthèse vocale en deux gammes. Async Pro v1.0 est le choix qualité et gère mieux l'anglais, avec un traitement propre des dates, des nombres et des devises. Async Flash v1.5 échange un peu de finition contre la vitesse et s'accorde bien avec les agents en direct. Un Flash v1.0 plus ancien offre la plus large couverture linguistique. Choisir entre eux revient à trancher entre le meilleur son et la réponse la plus rapide.

L'API couvre plus de 15 langues avec ce que l'entreprise appelle une prononciation native, et un même point d'accès les sert toutes. La normalisation du texte règle les passages délicats, comme lire les dates, les devises et les abréviations comme le ferait une personne. Pour les équipes présentes sur plusieurs marchés, cela veut dire une seule intégration au lieu d'un modèle différent par région.

La synthèse vocale prend quatre formes : un simple appel HTTP qui renvoie un fichier audio, un point d'accès de streaming qui lance la lecture avant la fin de la génération, une version horodatée pour les sous-titres et un WebSocket pour injecter du texte à mesure qu'un LLM l'écrit. La reconnaissance vocale fonctionne pareil, avec un envoi de fichier pour les enregistrements et un flux en direct pour la transcription en temps réel. Peu d'API offrent autant de choix sur la façon dont l'audio arrive dans votre appli.

Au-delà des modèles, Async expose les petits réglages qui décident si la voix sonne fabriquée ou naturelle. Vous définissez des prononciations sur mesure avec des phonèmes IPA pour les noms de marque et les sigles, vous lisez les nombres chiffre par chiffre pour les téléphones, et vous insérez des pauses précises avec une balise break. Pour le branchement, des intégrations sont prêtes avec Pipecat, LiveKit, Twilio, n8n et Picsart Flow, donc vous n'écrivez pas la plomberie de zéro.