O AIRI integra a tecnologia de síntese de voz da ElevenLabs, que é considerada uma das soluções de síntese de voz mais avançadas do setor atualmente, para atender às necessidades de diálogo natural dos usuários. O sistema suporta entrada e saída de voz por meio de um navegador ou interface Discord, permitindo uma experiência de interação de voz bidirecional em tempo real.
Em termos de tecnologia de implementação, o sistema de fala da AIRI tem várias inovações: em primeiro lugar, ele usa a detecção automatizada do estado da fala para identificar de forma inteligente os pontos de início e fim da fala do usuário, evitando o problema comum de disparo falso no reconhecimento de fala tradicional. Em segundo lugar, o sistema tem excelente qualidade de síntese de fala, que pode gerar respostas de fala naturais, suaves e expressivas. Por fim, a latência do processamento de fala é mantida em um nível muito baixo, o que é fundamental para manter a naturalidade do diálogo.
Para configurar o recurso de voz, os usuários precisam adicionar a chave da API da ElevenLabs ao arquivo de variáveis de ambiente do projeto. Esse design garante uma personalização flexível para usuários profissionais e, ao mesmo tempo, oferece um caminho fácil para usuários em geral. Notavelmente, o sistema de voz suporta vários idiomas, o que expande muito a base de usuários em potencial do AIRI.
Essa resposta foi extraída do artigoAIRI: companheiro virtual de IA auto-hospedado com suporte para voz em tempo real e interação com jogosO
