Modelos· atualizado em · 3 min de leitura· Redação Invision

Gnani AI lança Timbre v3.0 com vozes que sussurram, riem e gritam

Novo modelo de text-to-speech da Gnani AI controla pausas, sussurros, risadas e sons não verbais, com latência abaixo de 200 ms e suporte a 10 idiomas indianos.

Representação visual de ondas sonoras digitais em tons de azul e roxo
Imagem ilustrativa: Bob K at English Wikipedia · Public domain · origem

Resumo: A Gnani AI lançou o Timbre v3.0, um modelo de text-to-speech que permite controlar a entrega da fala com pausas, sussurros, risadas e mudanças de ritmo. A novidade importa para desenvolvedores de agentes de voz e conteúdo porque combina expressividade e baixa latência em um único modelo multilíngue.

Pontos-chave

  • Timbre v3.0 permite controlar pausas, sussurros, risadas e mudanças de ritmo na fala gerada.
  • Modelo suporta 10 idiomas, incluindo híndi, tâmil e inglês com sotaque indiano.
  • Latência inferior a 200 ms para o primeiro áudio, viabilizando conversas em tempo real.
  • Inclui normalização de texto para números, datas e moedas, útil em setores financeiros.
  • Empresa afirma que Timbre já alimenta mais de cem mil horas de chamadas de voz.
Nesta matéria

O que é o Timbre v3.0 e por que ele é relevante agora?#

A Gnani AI, empresa sediada em Bengaluru, lançou o Timbre v3.0, um modelo de text-to-speech (TTS) que permite que empresas e criadores de conteúdo controlem como as vozes geradas por IA entregam a fala. O recurso inclui pausas, sussurros, risadas e alterações de ritmo.

O modelo chega em um momento de demanda crescente por vozes sintéticas mais naturais e expressivas, especialmente em aplicações de atendimento ao cliente, audiobooks e podcasts. A novidade é relevante para quem desenvolve com IA porque oferece controle fino sobre a entrega da fala sem abrir mão de multilinguismo e baixa latência.

Quais idiomas e casos de uso são suportados?#

O Timbre v3.0 suporta 10 idiomas: híndi, bengali, guzerate, canarim, malaiala, marata, punjabi, tâmil, telugu e inglês com sotaque indiano. Ele foi projetado para aplicações que vão desde agentes de voz para atendimento ao cliente até audiobooks, podcasts, anúncios e dublagens de vídeo.

A empresa afirma que o modelo consegue gerar o primeiro áudio em menos de 200 milissegundos, o que o torna adequado para conversas de voz em tempo real. Além disso, suporta reprodução em streaming, permitindo que o áudio comece antes da geração completa da resposta.

  • Atendimento ao cliente com agentes de voz
  • Audiobooks, podcasts e anúncios
  • Dublagem de vídeos e e-learning
  • Lembretes de pagamento, cobranças e KYC
  • Renovações de seguros e suporte ao cliente

Como funcionam as tags de áudio e os sons não verbais?#

O Timbre v3.0 permite que desenvolvedores insiram tags de áudio no texto para direcionar como uma voz entrega linhas específicas. As tags incluem comandos para rir, dar risadinhas, suspirar, sussurrar e gritar, além de instruções para pausar, desacelerar ou falar com empolgação.

O modelo também gera sons não verbais como tosses, fungadas, bocejos e expirações. Esses recursos podem ser usados em jogos, animação, podcasts, anúncios, vídeos para redes sociais e aplicações de e-learning. Para textos sem tags explícitas, o modelo ajusta automaticamente a entrega com base no significado, tom e pontuação de cada frase.

Por que a normalização de texto é importante para setores regulados?#

O modelo inclui capacidades de normalização de texto que convertem números, datas, moedas, símbolos e abreviações em linguagem falada. Isso é particularmente relevante para aplicações nos setores bancário, de serviços financeiros e de seguros, onde agentes de voz precisam comunicar claramente valores de pagamento, números de conta, datas de vencimento e taxas de juros.

Além disso, desenvolvedores podem ajustar a velocidade da fala para dar mais tempo aos ouvintes em informações importantes ou acelerar atualizações rotineiras. O modelo mantém as características da voz entre idiomas, permitindo que empresas usem uma voz consistente em diferentes regiões.

Qual é o impacto para quem desenvolve com IA?#

Para desenvolvedores, o Timbre v3.0 oferece uma combinação de expressividade, multilinguismo e baixa latência em um único modelo. Isso simplifica a criação de agentes de voz que precisam soar naturais e reagir rapidamente, sem depender de múltiplos sistemas.

A capacidade de controlar a entrega por meio de tags e de manter a consistência da voz entre idiomas pode reduzir o esforço de integração e melhorar a experiência do usuário final. A normalização de texto também ajuda a evitar erros de pronúncia em contextos financeiros e de saúde.

O que isso muda para quem usa IA#

Com o Timbre v3.0, equipes que constroem aplicações de voz podem oferecer interações mais expressivas e adequadas ao contexto, seja em atendimento ao cliente ou em conteúdo de mídia. A plataforma Invision dá acesso a vários modelos de IA por meio de uma única chave, o que pode facilitar a experimentação e a integração de diferentes soluções, sem a necessidade de gerenciar múltiplos provedores.

A Gnani AI afirma que o Timbre atualmente alimenta mais de cem mil horas de chamadas de voz, o que indica experiência em produção. Para desenvolvedores, vale avaliar como os recursos de expressividade e normalização se encaixam nos requisitos específicos de cada aplicação.

Perguntas frequentes

O que é o Timbre v3.0 da Gnani AI?

É um modelo de text-to-speech que permite controlar a entrega da fala com pausas, sussurros, risadas e sons não verbais, suportando 10 idiomas.

Quais idiomas o Timbre v3.0 suporta?

Híndi, bengali, guzerate, canarim, malaiala, marata, punjabi, tâmil, telugu e inglês com sotaque indiano.

Qual é a latência do Timbre v3.0?

A Gnani AI afirma que o modelo gera o primeiro áudio em menos de 200 milissegundos, adequado para conversas em tempo real.

O que são tags de áudio no Timbre v3.0?

São comandos inseridos no texto para direcionar como uma voz entrega linhas específicas, como rir, sussurrar ou pausar.

gnani aitimbre v3.0text-to-speechvoz sintéticamultilíngueáudio

Fonte original: Gnani AI Launches Timbre v3.0 With AI Voices That Can Whisper, Laugh & Shout (Analytics India). Matéria escrita pela redação da Invision a partir dessa notícia. Versão em texto.