Async Voice AI

速さが要点だ。Asyncは、自社モデルが低遅延のトップ勢より早く音声を出し始めると説明し、最初のバイトまでの中間値は約166ミリ秒、全体の遅延は300ミリ秒未満とする。音声エージェントにとっては、沈黙が気まずくなる前に返答が届くという意味になる。数値は同社自身の計測なので自社ベンチマークとして見るべきだが、ストリーミングの設計がその主張を支えている。

3秒のサンプルから声をクローンできる。学習も待ち行列もなく、開発者プランでの追加料金もない。クリップをアップロードすると、元の声の音色、アクセント、テンポを保った声が手に入る。キャラクターでも進行役でも企業の声でも、汎用のTTS APIを自分のブランドで使えるものに変えてくれる機能だ。

Asyncは音声合成を2つの系統に分けている。Async Pro v1.0は品質重視で、英語を最も得意とし、日付や数値、通貨もきれいに扱う。Async Flash v1.5は仕上げを少し譲って速度を取るモデルで、ライブのエージェントと相性がいい。加えて、対応言語が最も広い旧世代のFlash v1.0もある。どちらを選ぶかは、実質的に最高の音質か最速の返答かの二択だ。

APIは15以上の言語を、同社がネイティブ発音と呼ぶ水準でカバーし、同じエンドポイントがすべてを担う。テキスト正規化が厄介な部分を処理し、日付や通貨、略語を人のように読み上げる。複数市場で展開するチームにとっては、地域ごとに別モデルを用意するのではなく、1回の実装で済むということだ。

音声合成の形は4つある。音声ファイルを1つ返す素のHTTP呼び出し、生成の完了前に再生を始めるストリーミング、字幕用のタイムスタンプ付き、そしてLLMの出力に合わせてテキストを少しずつ流し込むWebSocketだ。音声認識も同じで、録音はファイル送信、リアルタイムの文字起こしはストリームを使う。音声をアプリにどう届けるかに、これだけ選択肢を用意するAPIは少ない。

モデル本体に加え、Asyncは声が作られたものに聞こえるか自然に聞こえるかを決める小さな調整を公開している。ブランド名や略語の読みをIPAの音素で指定でき、電話番号は1桁ずつ読ませ、breakタグで正確な間を入れられる。組み込み用にはPipecat、LiveKit、Twilio、n8n、Picsart Flowの既製連携があり、配線をゼロから書かずに済む。