据SiliconANGLE报道，企业客户服务技术供应商Scaled Cognition于10月20日推出文本转语音模型Voice，称其能以低于竞品的成本更准确播报账号、地址等细节。

Voice可通过应用程序编程接口（API）使用，也可自托管部署。Scaled Cognition称，该产品支持25种以上语言和语音克隆，可与现有AI代理、联络中心平台及较旧的电话系统配合使用。

产品管理副总裁Akshay Kannan在邮件评论中表示，现代生成式TTS模型听起来可能很自然，但常在客服最看重的细节上出错，例如读回字母数字确认码、金额或街道地址。他说，这些问题在英语以外的语言中更明显。Scaled Cognition称，Voice让企业无需支付高价即可获得自然语音和准确播报。

定价方面，托管API价格为每百万字符9美元，自托管为每百万字符1美元，后者不含运行所需基础设施。Kannan称，一块GPU可同时处理约32通使用Voice的对话；在标准云硬件上用两块GPU做冗余配置，每月约6000美元，可支持约5亿字符。按5亿字符计算，包含基础设施的成本约为每百万字符13美元，按15亿字符计算则低于7美元。他称其他托管语音服务收费为每百万字符35至100美元，但未说明这些服务商名称。

Kannan表示，使用量低时自托管成本可能高于Scaled Cognition的托管API价格。多数合作企业已运行自有基础设施，Voice可直接接入；不愿管理基础设施的团队可使用该公司托管服务。

Scaled Cognition称Voice的语音生成延迟为70毫秒，即从收到文本到开始发声的时间，而非AI系统理解来电者并形成回答的总时间。Kannan称，即使16通实时对话共享一个GPU切片，典型响应时间仍在80毫秒左右；客户可控制的最大因素是距离，将Voice运行在与通话栈相同的云区域只会增加一两毫秒延迟。

Voice的一项功能是在生成音频前理解含义。其Smart Pronunciation可判断缩写指职称、街道名还是其他信息，以及数字应如何读出。例如，它把“Pay 1/2 by 1/2”读作“pay half by January second”。Kannan称，Voice不是从左到右逐字读文本，而是由Smart Pronunciation先判断句子实际含义，背后使用与公司APT模型相同的客户体验调优智能。APT是该公司用于企业系统内客服对话和操作的模型；两者配合时，APT可提供对话上下文，帮助Voice解决单句之外的歧义。

Voice不依赖APT或其他大语言模型运行。Kannan称，它通过标准API传输音频，并针对电话音频调优，因此从现代AI代理、联络中心平台到旧式交互式语音应答系统，任何能发送文本并播放语音的系统都可使用。Scaled Cognition还提供盲听测试，将Voice与不同价位模型比较；Kannan称早期反馈偏向Voice，但提供的材料未给出样本量或详细结果。该公司已完成由Khosla Ventures领投的1亿美元A轮融资，并将语音定位为企业AI平台的组成部分。