Patientdesk.ai lanzó dos modelos de voz diseñados para el idioma turco: Alania para convertir texto en voz y Duyu para convertir voz en texto. Ambos modelos pueden utilizarse con una sola cuenta y una sola clave de API, con un periodo de uso gratuito de un mes desde la fecha de registro como parte de la oferta de lanzamiento.
Modelos diseñados para los desafíos del idioma turco
La empresa afirma que el desarrollo de ambos modelos partió del problema de que muchas soluciones de inteligencia artificial de voz dependen principalmente de datos en inglés. Añade que la naturaleza aglutinante del turco, los nombres propios, la baja calidad del audio en las llamadas telefónicas, así como la pronunciación de direcciones de correo electrónico y números de teléfono, representan desafíos prácticos para los modelos generales.
Patientdesk.ai aprovechó su experiencia en el desarrollo de un asistente de voz que responde llamadas de clínicas en Estados Unidos y después entrenó Alania y Duyu con énfasis en los usos turcos.
Rendimiento de Duyu en la conversión de voz a texto
Según las cifras publicadas por la empresa, Duyu logró una tasa de error de palabras del 4,71 % en la prueba turca abierta FLEURS, frente al 5,04 % del modelo Whisper large-v3 de OpenAI en la misma prueba.
En un conjunto de pruebas internas que incluye voces con calidad telefónica y conversaciones en las que se mencionan direcciones de correo electrónico y números de teléfono, Duyu registró una tasa de error del 9,87 %, mientras que la empresa informó de una tasa del 10,4 % para el modelo ElevenLabs Scribe v2 en el mismo conjunto. El material no explica los detalles del tamaño del conjunto de prueba ni de su metodología, por lo que la comparación debe interpretarse como resultados publicados por la empresa y no como una evaluación independiente exhaustiva.
Duyu puede procesar archivos de audio grabados y convertir conversaciones en directo en texto en tiempo real, lo que lo orienta a aplicaciones de transcripción instantánea y llamadas de voz.
Alania y la transmisión de audio de baja latencia
Alania se centra en leer textos turcos con una voz única, coherente y natural. El modelo puede enviar el audio en forma de flujo antes de que termine la frase, una característica adecuada para llamadas telefónicas y asistentes de voz en los que la velocidad de respuesta es importante. Actualmente, la plataforma ofrece una sola opción de voz, con opciones de entonación vinculadas a contextos como citas, preguntas y tranquilización.
Integración de API y proyecto de investigación abierto
Ambos modelos son compatibles con el formato habitual de la API de OpenAI, lo que permite a los desarrolladores integrarlos en aplicaciones existentes con modificaciones limitadas. Patientdesk.ai también permite probar los modelos a través del navegador y crear claves de API.
En paralelo, la empresa publicó Antalia-1 como un modelo turco experimental de código abierto para convertir texto en voz. La versión incluye los pesos del modelo, su código, un informe técnico y aproximadamente cinco horas de datos de voz turcos. La empresa diferencia este proyecto de investigación de sus productos comerciales.
¿Qué cambia en la práctica?
El lanzamiento ofrece a los desarrolladores una opción orientada a casos de uso turcos específicos, especialmente llamadas y datos que contienen números y direcciones de correo electrónico. Sin embargo, las comparaciones publicadas por sí solas no bastan para juzgar la calidad en todos los entornos, y el hecho de que Alania solo disponga actualmente de una voz limita la flexibilidad de uso. En cuanto a Antalia-1, proporciona a los investigadores un punto de partida que puede examinarse y desarrollarse, mientras que la evaluación del rendimiento y la concesión de licencias prácticas quedan fuera del alcance de los detalles incluidos en el material.