Async Voice AI

Velocidade é o ponto central aqui. O Async diz que seu modelo começa o áudio antes das referências em baixa latência, com uma mediana de primeiro byte em torno de 166 ms e latência total abaixo de 300 ms. Para um agente de voz, isso quer dizer que a resposta chega antes de o silêncio ficar estranho. A empresa mede isso por conta própria, então trate os números exatos como benchmarks dela, ainda que a arquitetura de streaming sustente a promessa.

Você pode clonar uma voz a partir de uma amostra de 3 segundos. Sem treinamento, sem fila de espera e sem cobrança extra no plano de desenvolvedor. Envie um clipe e receba uma voz que mantém o tom, o sotaque e o ritmo do original. É o recurso que transforma uma API TTS genérica em algo que você pode colocar sob a sua marca, seja um personagem, um apresentador ou a voz da empresa.

O Async divide seu texto para fala em duas linhas. O Async Pro v1.0 é a escolha de qualidade e lida melhor com inglês, com tratamento limpo de datas, números e moedas. O Async Flash v1.5 troca um pouco de acabamento por velocidade e combina bem com agentes ao vivo. Também existe um Flash v1.0 mais antigo, com a maior cobertura de idiomas. Escolher entre eles é, na prática, decidir entre o melhor som e a resposta mais rápida.

A API cobre mais de 15 idiomas com o que a empresa chama de pronúncia nativa, e o mesmo endpoint atende todos. A normalização de texto resolve as partes complicadas, como ler datas, moedas e abreviações do jeito que uma pessoa faria. Para equipes que publicam em vários mercados, isso significa uma única integração em vez de um modelo diferente por região.

O texto para fala vem em quatro formatos: uma chamada HTTP simples que devolve um arquivo de áudio, um endpoint de streaming que inicia a reprodução antes de a geração terminar, uma versão com marcações de tempo para legendas e um WebSocket para inserir texto enquanto um LLM o escreve. A conversão de fala para texto funciona igual, com envio de arquivos para gravações e um fluxo ao vivo para transcrição em tempo real. Poucas APIs dão tanta liberdade sobre como o áudio chega ao seu app.

Além dos modelos principais, o Async expõe os pequenos ajustes que decidem se a voz soa fabricada ou natural. Você define pronúncias próprias com fonemas IPA para nomes de marca e siglas, lê números dígito a dígito para telefones e insere pausas exatas com uma tag break. Para a integração, há conexões prontas com Pipecat, LiveKit, Twilio, n8n e Picsart Flow, então você não escreve a tubulação do zero.