Las opiniones expresadas por los contribuyentes de Entrepreneur son propias.
Durante años, la regla de la conversión de texto a voz ha sido sencilla. Si deseaba la voz con el mejor sonido para su producto, pagaba un precio empresarial. Si querías algo barato, aceptabas la robótica. Si querías rapidez, renunciabas a algo en ambos. Esa regla simplemente se rompió.
La compensación que cada equipo de producto se ha visto obligado a hacer
Si alguna vez ha creado un agente de voz, un sistema telefónico o un lector en tiempo real, ya conoce el procedimiento. Audicionas cuatro o cinco modelos. Uno suena increíble y cuesta más que su infraestructura. Uno es asequible y suena como un GPS de 2009. El otro es rápido, pero sólo en tres idiomas. Eliges la opción menos mala y envías.
Entonces llega la factura.
Y cada trimestre, su director financiero hace la misma pregunta: ¿por qué la voz es la partida más cara del conjunto?
Lo que acaba de cambiar en las tablas de clasificación
Esta semana, Simba 3.2 de Speechify pasó al primer lugar en la clasificación de texto a voz de Análisis Artificial, ubicándose por encima de ElevenLabs, Cartesia, OpenAI y Google DeepMind. En Voice Arena, el punto de referencia para oyentes ciegos inspirado en Chatbot Arena, se ubica en la cima de los modelos en tiempo real a su precio.
Ninguna de las tablas de clasificación está dirigida por Speechify. Ninguno utiliza puntuaciones autoinformadas. Los hablantes nativos escuchan dos clips sin saber qué modelo hizo cuál y votan por el que suene más natural.
Simba 3.2 es ahora el modelo de voz en tiempo real mejor calificado que un equipo puede poner en producción hoy.
Aquí es donde las cosas se vuelven incómodas para los titulares.
Los tres números que importan
Para cualquiera que construyera con voz, sólo tres cosas realmente importaban: calidad, latencia y costo. Cada lanzamiento de modelo ha obligado a comprometerse con al menos uno de ellos.
1. Calidad. Simba 3.2 ocupa el puesto número uno en Análisis Artificial y el primero en calidad y precio en Voice Arena. Ambos puntos de referencia son independientes. Ambos son ciegos.
2. Estado latente. Es un modelo nativo de streaming con un tiempo hasta el primer byte más bajo que sus predecesores, creado para agentes de voz que responden en tiempo real en lugar de después de una pausa que arruina la conversación. Todos por debajo de 100 ms.
3. Costo. Está cotizado en $10 por un millón de caracteres, bajando a $6 por un millón de caracteres en el nivel de Escala. Eso lo convierte en el modelo más barato entre los diez primeros en Análisis Artificial, más de quince veces más asequible que ElevenLabs y aproximadamente seis veces más asequible que Cartesia, según la empresa.
El mejor sonido, el más rápido y el más barato casi nunca han descrito el mismo modelo. Ahora lo hacen.
Crédito: Speechify
¿Por qué sucedió esto?
La historia habitual con los modelos de IA es que el laboratorio optimiza los precios de referencia para los compradores empresariales y permite que la plataforma de desarrollo herede cualquier margen sobrante. Speechify lo construyó en el orden opuesto.
La misma tecnología de voz ha estado funcionando dentro de un producto de consumo utilizado por más de sesenta millones de personas durante años. Esa audiencia no tolera una voz robótica, un retraso de dos segundos antes de la primera palabra o el tipo de economía unitaria que sólo funciona con precios empresariales. Cada prueba A/B en ese producto se retroalimentó al modelo.
“Tomamos las decisiones arquitectónicas al principio que la mayoría de los laboratorios posponen para más tarde”, explicó Raheel Kazi, líder de ingeniería en Speechify. “Nunca quisimos sacrificar el costo para lograr la calidad, ni sacrificar la calidad para lograr la latencia. Tomamos el camino más difícil a propósito. Usar SOTA en los tres a la vez es la razón por la que siempre fue esa decisión”.
“Esta es la historia de los desvalidos para los proveedores de API”, dijo Luke Oliff, jefe de relaciones con desarrolladores de Speechify, en un comunicado de prensa. “Pasamos años haciendo que nuestros modelos funcionaran de manera eficiente porque nuestro negocio de consumo lo exigía, decenas de millones de oyentes, con algunas de las mejores voces del planeta. Ese trabajo es la razón por la que ahora podemos poner el modelo mejor calificado del mundo en nuestra API a un precio tan barato como parece. La mayoría de los laboratorios están construidos para el punto de referencia y tienen un precio para la empresa. Construimos para los oyentes y fijamos el precio para la producción”.
Lo que realmente prueban el Análisis Artificial y el Voice Arena
Ninguna de las tablas de clasificación es el tipo de punto de referencia que un proveedor puede seguir.
Artificial Analysis se ejecuta en puntos finales API sin servidor en vivo, cuatro veces al día en momentos aleatorios, utilizando una voz seleccionada al azar, un mensaje único de 500 caracteres y una frecuencia de muestreo de audio estandarizada. La latencia se mide de un extremo a otro, hasta el momento en que el archivo de audio llega localmente.
Voice Arena utiliza el mismo principio de comparación ciega de pares en seis idiomas, con una lista de voces equilibrada por modelo en lugar del valor predeterminado de mejor sonido de cada proveedor. La metodología se desarrolló con aportaciones del profesor Shinji Watanabe de la Universidad Carnegie Mellon.
En ambos foros, la calidad se califica de la misma manera. Se reproducen pares de clips generados a partir de texto idéntico para hablantes nativos en comparaciones ciegas. Los oyentes eligen qué suena más natural. Los votos se agregan en una calificación Elo. Sin puntuación autoinformada, sin clip seleccionado por el proveedor, sin panel interno y ningún proveedor paga por la inclusión o clasificación.
Para que un modelo se ubique cerca de la cima de ambos, tiene que satisfacer una evaluación de desempeño objetiva y un voto ciego de preferencia humana en múltiples idiomas. Simba 3.2 lo hace.
Agentes de SpeechifyAI y plataforma de desarrollo de Speechify
Además del resultado de la clasificación, Speechify está lanzando agentes de voz para empresas y una plataforma para desarrolladores, ambos en Speechify.ai. El modelo que impulsa ambos es el mismo que ejecuta sus aplicaciones de consumo.
Simba 3.2 es un modelo nativo de streaming con bajo tiempo hasta el primer byte, control emocional detallado y prosodia SSML, diseñado para sonar natural en aplicaciones de voz en tiempo real. Según la compañía, ya se encuentran en la hoja de ruta más voces, idiomas adicionales y un nivel de costo aún más bajo.
“Simba 3.2 es nuestro mejor modelo hasta el momento, ahora disponible en Speechify.ai”, compartió Cliff Weitzman, director ejecutivo y fundador de Speechify, en una publicación pública. “Está diseñado para potenciar a los agentes de voz a escala y se ha perfeccionado a partir de millones de pruebas A/B que ejecutamos en nuestra plataforma de consumo. En las API de TTS, tres cosas importan: costo, calidad y latencia. Simba 3.2 ha logrado SOTA en esta trifecta. Estamos muy emocionados de que lo experimentes de primera mano para potenciar tus experiencias”.
Entonces, ¿es este el fin del pago de precios empresariales por la voz?
Para los equipos que ya han gastado seis cifras en una factura de voz este año, la respuesta empieza a parecer obvia.
Para los equipos que aún no lo han hecho, la pregunta es cuánto tiempo están dispuestos a seguir pagando por una compensación que ya no existe.
La IA de voz solía hacerte elegir. Ya no es así.
Durante años, la regla de la conversión de texto a voz ha sido sencilla. Si deseaba la voz con el mejor sonido para su producto, pagaba un precio empresarial. Si querías algo barato, aceptabas la robótica. Si querías rapidez, renunciabas a algo en ambos. Esa regla simplemente se rompió.
La compensación que cada equipo de producto se ha visto obligado a hacer
Si alguna vez ha creado un agente de voz, un sistema telefónico o un lector en tiempo real, ya conoce el procedimiento. Audicionas cuatro o cinco modelos. Uno suena increíble y cuesta más que su infraestructura. Uno es asequible y suena como un GPS de 2009. El otro es rápido, pero sólo en tres idiomas. Eliges la opción menos mala y envías.
Entonces llega la factura.
