Model ucapan-ke-ucapan terdengar luar biasa secara teori... hingga diterapkan pada skala perusahaan. Sangat mudah untuk melihat mengapa orang bersemangat. Dengan melewatkan model ucapan-ke-teks dan teks-ke-ucapan yang terpisah, model S2S menghadirkan demo menarik yang menangkap nada, emosi, dan nuansa dengan latensi minimal. Model S2S mungkin merupakan pencapaian teknis yang luar biasa, tetapi masih sulit dikendalikan dalam produksi dan lebih sulit untuk menjamin bahwa alur kerja dieksekusi dengan tepat. Banyak demo suara S2S mengoptimalkan kecepatan dan kealamian, bukan untuk kebenaran atau keamanan. Dalam penerapan dunia nyata, pengorbanan tersebut mengikis kepercayaan dengan cepat. Untuk agen suara kami, kami telah mempertahankan pipeline terstruktur tetapi merekayasa ulang untuk kecepatan. Kami membuat banyak pengoptimalan model dan infrastruktur untuk memberikan ucapan yang lebih cepat dan terdengar lebih alami. Hasilnya adalah peningkatan kecepatan 65% sambil mempertahankan auditabilitas dan presisi yang diandalkan perusahaan. Ucapan ke pidato pada akhirnya akan sampai di sana. Namun saat ini, presisi dan keandalan adalah apa yang membuat AI suara bekerja dalam skala perusahaan.