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

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…

Representação visual de ondas sonoras digitais em tons de azul e roxo, simbolizando tecnologia de voz.
Imagem ilustrativa: COMDJ · Public domain · origem

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.

sarvam aisíntese de vozagentes de vozapi de falatempo real

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.