Modelos de fala para fala parecem incríveis em teoria ... até que sejam implantados em escala empresarial. É fácil ver por que as pessoas estão animadas. Ao ignorar os modelos separados de fala para texto e texto para fala, os modelos S2S oferecem demonstrações empolgantes que capturam tom, emoção e nuances com latência mínima. Os modelos S2S podem ser uma conquista técnica incrível, mas ainda são difíceis de controlar na produção e mais difíceis de garantir que os fluxos de trabalho sejam executados com precisão. Muitas das demonstrações de voz do S2S otimizam a velocidade e a naturalidade, não a correção ou a segurança. Em implantações do mundo real, essas compensações corroem a confiança rapidamente. Para nossos agentes de voz, mantivemos o pipeline estruturado, mas o reprojetamos para velocidade. Fizemos uma tonelada de otimizações de modelo e infraestrutura para fornecer uma fala mais rápida e com som mais natural. O resultado é uma melhoria de 65% na velocidade, mantendo a auditabilidade e a precisão das quais as empresas dependem. Fala a fala chegará lá eventualmente. Mas hoje, precisão e confiabilidade são o que fazem a IA de voz funcionar em escala empresarial.