实时语音与实时翻译

概述

ToRun 支持实时双向语音——您说话，助手在实时会话中聆听并以音频和文本回应——以及实时翻译，即在语音发出的同时进行翻译。这些功能运行在 realtime 能力（双向音频 + 文本）之上，并按会话时长逐秒计费。

涉及的能力

• 实时（音频 + 文本）——与有能力的提供方模型建立的类似 WebSocket 的实时会话，用于自然的来回语音对话。
• 文本转语音（TTS）——涵盖多种语言的合成语音输出。
• 语音转文本（STT）——转录，包括说话人分离（谁说了什么）。
• 实时翻译——在语言之间实时翻译的语音。

启动实时会话

1. 打开语音/实时界面。
2. 授予麦克风访问权限。
3. 自然地说话——助手进行转录、回应，并（在语音模式下）以语音回复。
4. 完成后结束会话。会话会作为语音会话实体进行跟踪。

对于实时翻译，选择源语言和目标语言；每一方在对方语音流式传输的同时听到经过翻译的语音。

计费

• 实时和实时翻译的使用按音频逐秒计量。
• 每个计量的工作单元都会生成一条带有定价快照的 BillingRecord，因此语音会话的成本透明且可审计。
• 语音/实时位于语音/音频权益之后，从 Pro 层级及以上包含该权益。

STT 与说话人分离

语音转文本支持说话人分离，按说话人为片段加标签。这对于转录会议、访谈或多方通话非常有用，因为在这些场景中您需要将话语归属到特定说话人。

提示

• 使用耳机或安静的房间——干净的输入音频可同时提高转录和翻译的准确性。
• 由于实时按秒计量，请结束您未在主动使用的会话。
• 对于现有录音的一次性转录，STT（而非实时会话）是更便宜的方式。