A Patientdesk.ai lançou dois modelos de voz dedicados à língua turca: Alania, para conversão de texto em fala, e Duyu, para conversão de fala em texto. Os dois modelos podem ser usados com uma única conta e uma única chave de API, com um período gratuito de um mês a partir da data de cadastro, como parte da oferta de lançamento.
Modelos desenvolvidos para os desafios da língua turca
A empresa afirma que o desenvolvimento dos dois modelos partiu do problema de que muitas soluções de inteligência artificial de voz dependem principalmente de dados em inglês. Acrescenta que a natureza aglutinante da língua turca, os nomes próprios, a baixa qualidade do áudio em chamadas telefônicas, além da pronúncia de endereços de e-mail e números de telefone, representam desafios práticos para os modelos gerais.
A Patientdesk.ai aproveitou sua experiência no desenvolvimento de um assistente de voz que atende chamadas de clínicas nos Estados Unidos e, em seguida, treinou o Alania e o Duyu com foco em usos na língua turca.
Desempenho do Duyu na conversão de fala em texto
Segundo os números publicados pela empresa, o Duyu alcançou uma taxa de erro de palavras de 4,71% no teste turco aberto FLEURS, em comparação com 5,04% do modelo Whisper large-v3 da OpenAI no mesmo teste.
Em um conjunto de testes internos que inclui vozes com qualidade telefônica e conversas que mencionam endereços de e-mail e números de telefone, o Duyu registrou uma taxa de erro de 9,87%, enquanto a empresa informou uma taxa de 10,4% para o modelo ElevenLabs Scribe v2 no mesmo conjunto. O material não esclarece o tamanho do conjunto de teste nem sua metodologia; portanto, a comparação deve ser lida como resultados divulgados pela empresa, e não como uma avaliação independente abrangente.
O Duyu consegue processar arquivos de áudio gravados e converter conversas ao vivo em texto em tempo real, o que o direciona a aplicações de transcrição instantânea e chamadas de voz.
Alania e transmissão de voz com baixa latência
O Alania se concentra na leitura de textos em turco com uma voz única, consistente e natural. O modelo consegue enviar o áudio em fluxo antes que a frase seja concluída, uma característica adequada para chamadas telefônicas e assistentes de voz afetados pela velocidade de resposta. Atualmente, a plataforma oferece uma única opção de voz, com opções de entonação associadas a contextos como agendamentos, perguntas e tranquilização.
Integração com API e projeto de pesquisa aberto
Os dois modelos são compatíveis com o formato comum da OpenAI API, permitindo que os desenvolvedores os integrem a aplicações existentes com alterações limitadas. A Patientdesk.ai também permite testar os modelos pelo navegador e criar chaves de API.
Paralelamente, a empresa publicou o Antalia-1 como um modelo turco experimental de código aberto para conversão de texto em fala. A versão inclui os pesos do modelo, seu código, um relatório técnico e cerca de cinco horas de dados de áudio em turco. A empresa separa esse projeto de pesquisa de seus produtos comerciais.
O que muda na prática?
O lançamento oferece aos desenvolvedores uma opção direcionada a casos de uso específicos em turco, especialmente chamadas e dados que incluem números e endereços de e-mail. No entanto, as comparações publicadas, por si só, não são suficientes para avaliar a qualidade em todos os ambientes, e a disponibilidade de apenas uma voz no Alania limita atualmente a flexibilidade de uso. Já o Antalia-1 oferece aos pesquisadores um ponto de partida passível de análise e desenvolvimento, enquanto a avaliação do desempenho e o licenciamento prático permanecem fora do escopo dos detalhes apresentados no material.