Sarvam AI lança Bulbul V4 Flash para fala em tempo real em 11 idiomas indianos
Sarvam AI lança Bulbul V4 Flash, modelo de texto para fala com latência inferior a 250 ms e preço reduzido, voltado a agentes de voz e atendimento em 11…
Resumo: A Sarvam AI lançou o Bulbul V4 Flash, modelo de texto para fala que gera áudio em 11 idiomas indianos com latência de primeiro áudio abaixo de 250 ms, por ₹20 a cada 10 mil caracteres — um terço mais barato que o Bulbul V3. A novidade importa para quem desenvolve agentes de voz e atendimento em tempo real, pois combina velocidade, custo menor e melhor pronúncia contextual.
Pontos-chave
- Bulbul V4 Flash gera fala em 11 idiomas indianos com latência de primeiro áudio abaixo de 250 ms.
- Preço cai para ₹20 por 10.000 caracteres, um terço do valor do Bulbul V3.
- Modelo oferece 83 vozes e 224 combinações de voz e estilo para aplicações variadas.
- Sarvam expandiu datasets de fala em quase sete vezes em relação ao V3 e treinou o modelo do zero.
- Bulbul V4 Pro foi pré-visualizado com capacidade de expressar emoções e ações, mas sem data de lançamento.
Nesta matéria
O que é o Bulbul V4 Flash e por que ele é relevante agora?#
O Bulbul V4 Flash é o novo modelo de texto para fala da Sarvam AI, empresa sediada em Bengaluru, que gera áudio em 11 idiomas indianos com latência de primeiro áudio inferior a 250 milissegundos.
Ele chega para aplicações que exigem resposta falada quase imediata, como atendimento ao cliente e agentes de voz, e reduz o custo por caractere em relação à versão anterior.
A relevância imediata está na combinação de velocidade, preço menor e melhorias de pronúncia e ritmo, fatores que impactam diretamente a experiência de quem conversa com sistemas automatizados.
Quais são os principais recursos e números do modelo?#
O modelo oferece 83 vozes e 224 combinações de voz e estilo, cobrindo aplicações em bancos, comércio eletrônico, educação, vendas, suporte ao cliente e narração.
Segundo a Sarvam, o Bulbul V4 Flash é até 40% mais rápido que o Bulbul V3 em cargas de trabalho comparáveis.
- Latência de primeiro áudio: menos de 250 ms.
- Preço: ₹20 por 10.000 caracteres, contra ₹30 do Bulbul V3.
- Disponibilidade: API da Sarvam, Playground e Content Studio.
- Migração: usuários existentes do Bulbul podem migrar para o V4 Flash pela API atual.
Como o modelo melhora a pronúncia e a naturalidade em idiomas indianos?#
A Sarvam afirma que o V4 Flash foi pré-treinado do zero com foco na representação de idiomas indianos e usou um processo de treinamento balanceado por idioma para melhorar a pronúncia e preservar as características de cada língua.
A empresa também expandiu seus conjuntos de dados de fala proprietários em quase sete vezes em relação ao V3, aumentando a cobertura de idiomas, sotaques regionais, falantes, registros emocionais e estilos conversacionais.
Além disso, o modelo conta com uma camada de normalização contextual de texto que decide como nomes, datas, valores e abreviações devem ser falados, distinguindo, por exemplo, abreviações pronunciadas como palavras daquelas soletradas letra por letra.
O que muda para agentes de voz e atendimento ao cliente?#
Para agentes de voz que lidam com informações de clientes, a pronúncia correta de nomes, valores de pagamento ou referências de reserva é crucial para evitar confusão.
A Sarvam destaca que o modelo foi otimizado para lidar com múltiplas conversas simultâneas, graças a melhorias na infraestrutura de inferência.
O sistema de inferência prioriza o áudio que precisa ser gerado em seguida, em vez de processar a fala muito à frente da conversa, e reduziu sincronizações e cópias de dados desnecessárias para melhorar o desempenho sob requisições concorrentes.
O que se sabe sobre o Bulbul V4 Pro e o futuro da fala expressiva?#
A Sarvam também apresentou uma prévia do Bulbul V4 Pro, outro modelo da família V4 em desenvolvimento para suportar fala mais expressiva.
A demonstração mostrou a capacidade de transmitir emoções como felicidade, tristeza, medo e raiva, além de ações como rir, suspirar, sussurrar e enfatizar palavras específicas.
A empresa não anunciou data de lançamento nem preço para o V4 Pro.
O que isso muda para quem usa IA#
Para desenvolvedores que criam aplicações com IA, modelos de fala mais rápidos e baratos ampliam as possibilidades de interação em tempo real, especialmente em português e outros idiomas.
A Invision, API multimodelo da Dream Vision, oferece acesso a diversos modelos por uma única chave, com saldo em reais, o que pode simplificar a integração de diferentes tecnologias de fala e texto em um mesmo projeto.
A chegada de opções com melhor custo-benefício, como o Bulbul V4 Flash, reforça a importância de escolher a ferramenta adequada para cada caso de uso, sem a necessidade de contratos separados para cada fornecedor.
Perguntas frequentes
O que é o Bulbul V4 Flash da Sarvam AI?
É um modelo de texto para fala que gera áudio em 11 idiomas indianos com latência de primeiro áudio inferior a 250 ms, voltado a aplicações em tempo real como agentes de voz e atendimento ao cliente.
Quanto custa o Bulbul V4 Flash?
O preço é de ₹20 por 10.000 caracteres, um terço a menos que os ₹30 cobrados pelo Bulbul V3.
Quais idiomas o Bulbul V4 Flash suporta?
O modelo gera fala em 11 idiomas indianos, com cobertura de sotaques regionais e estilos conversacionais, segundo a Sarvam AI.
Como migrar do Bulbul V3 para o V4 Flash?
Usuários existentes do Bulbul podem migrar para o V4 Flash por meio da API Bulbul já existente.
O Bulbul V4 Pro já tem data de lançamento?
A Sarvam AI apresentou uma prévia do Bulbul V4 Pro, mas não anunciou data de lançamento nem preço.
Fonte original: Sarvam AI Launches Bulbul V4 Flash for Real-Time Speech in 11 Indian Languages (Analytics India). Matéria escrita pela redação da Invision a partir dessa notícia. Versão em texto.