Pull request adiciona TTS em streaming Drama-3 ao pipeline speech-to-speech

O que aconteceu e o que fazer

O pull request adiciona o Drama-3, modelo de síntese de voz da Fish Audio, como opção de text-to-speech em streaming no repositório speech-to-speech, ativada pela flag --tts drama3. Segundo a descrição, o backend é auto-hospedável, oferece clonagem de voz opcional e permite entonações expressivas, como sussurros e risos, dentro de pipelines de fala para fala.

Para uma empresa, o ganho é montar um agente de voz em tempo real com a síntese gerada na própria infraestrutura, sem enviar áudio ou textos de clientes a serviços externos. Na prática, isso exige avaliar a latência até o primeiro áudio, o consumo de GPU, as condições de uso de vozes clonadas e o consentimento de quem cede a voz, além de testar o encaixe com o reconhecimento de fala e o modelo de linguagem. Uma implementação típica combina um serviço de inferência privado, filas de streaming, métricas de latência e um controle de uso de vozes clonadas.

Como a consultoria pode ajudar

Diagnóstico de viabilidade de TTS em streaming em infraestrutura própria: benchmark de latência e custo por minuto de áudio, avaliação de consentimento e licenciamento de voz e desenho do pipeline de fala para fala. Depois, implementação escopada com monitoramento e operação contínua.

Próximo passo

Se sua empresa quer avaliar síntese de voz em streaming com infraestrutura própria, envie uma descrição curta do seu caso, com o volume de uso e os canais envolvidos. Respondemos com uma proposta escopada de diagnóstico e implementação.