# ভয়েস ও অডিও (STT/TTS)


# ভয়েস ও অডিও (STT/TTS)

**Audio** ট্যাব নিয়ন্ত্রণ করে আপনার এজেন্ট কীভাবে শোনে এবং কথা বলে। speech-to-text (STT) এবং text-to-speech (TTS) উভয়ই **মাল্টি-প্রদানকারী** — আপনি একটি প্রদানকারী বেছে নেন, তারপর একটি মডেল এবং প্রদানকারী-নির্দিষ্ট নিয়ন্ত্রণ। এগুলি ঠিক করাই একটি এজেন্টকে স্বাভাবিক শোনায় এবং কলারদের সঠিকভাবে বুঝতে সক্ষম করে। এটি **/agent/setup**-এ এজেন্ট বিল্ডারে সেট করুন।

:::note[Pipeline মোড শুধুমাত্র STT-এর জন্য]

speech-to-text সেটিংস **Pipeline** ভয়েস মোডে প্রযোজ্য। realtime মোডগুলিতে (Azure Realtime, Gemini Realtime) ট্রান্সক্রিপশন অভ্যন্তরীণভাবে প্রদানকারী দ্বারা পরিচালিত হয়, তাই STT বিভাগ উপেক্ষা করা হয়। [LLM](./llm) ট্যাবে voice pipeline mode সেট করুন।

:::

## Speech-to-text

![Voice ট্যাব](/img/screenshots/portal/agent-audio.png)
*Voice ট্যাব: ভাষা, সমর্থিত লোকেল, ভাষা শনাক্তকরণ এবং STT / TTS প্রোভাইডার সেটিংস।*

speech-to-text কলারের অডিওকে টেক্সটে পরিণত করে যা এজেন্ট কাজে লাগাতে পারে। আপনার কলার এবং আপনার ডোমেইনের সাথে মানানসই একটি **provider** এবং **model** বেছে নিন। STT প্রদানকারীদের মধ্যে রয়েছে:

- **Deepgram** (ডিফল্ট) — Nova-3 / Nova-2 এবং আরও।
- **Azure** — Default এবং Conversation মডেল।
- **Groq** — Whisper Large v3 / Turbo।
- **Sarvam** — Saarika (Indic)।

### সাধারণ নিয়ন্ত্রণ

**Language**, **punctuation**, **word timestamps** এবং **interim results** প্রদানকারীদের জুড়ে প্রযোজ্য। সঠিক ভাষা সেট করা ট্রান্সক্রিপশন সঠিকতার একক বৃহত্তম কারণ।

### প্রদানকারী-নির্দিষ্ট নিয়ন্ত্রণ

কিছু নিয়ন্ত্রণ শুধুমাত্র সেই প্রদানকারীর জন্য দেখা যায় যা সেগুলি সমর্থন করে:

- **Deepgram** — keyword boost, smart format, filler removal, **diarization** (বক্তা অনুযায়ী ট্রান্সক্রিপ্ট আলাদা করুন), profanity filter, alternatives এবং latency mode।
- **Azure** — profanity mode (masked / removed / raw)।
- **Sarvam** — code mixing।

আপনি স্বীকৃতি উন্নত করতে **custom vocabulary** (পণ্যের নাম, ব্র্যান্ড শব্দ, পরিভাষা) যোগ করতে পারেন, এবং endpointing এবং VAD turnoff টাইমিং টিউন করতে পারেন।

:::note[PII redaction Guardrails-এ থাকে]

ট্রান্সক্রিপ্ট **PII redaction** (কোন সংবেদনশীল ধরন mask করতে হবে) এখানে নয়, **Guardrails** ট্যাবে কনফিগার করা হয়। দেখুন [গার্ডরেল ও কমপ্লায়েন্স](./guardrails)।

:::

## Text-to-speech

text-to-speech হলো আপনার এজেন্ট যে ভয়েসে কথা বলে। একটি **provider**, **model** এবং **voice** বেছে নিন। TTS প্রদানকারীদের মধ্যে রয়েছে:

- **ElevenLabs** (ডিফল্ট) — Turbo v2.5 / v2, Multilingual v2।
- **Azure** — Neural এবং Standard।
- **Google** — Gemini TTS।
- **Cartesia** — Sonic।
- **Groq** — Orpheus।
- **Sarvam** — Bulbul (Indic)।

### ভয়েস

আপনার ব্র্যান্ড এবং আপনার কলারদের সাথে মানানসই **voice** বেছে নিন। আপনি [Voice Lab](../voice-lab)-এ তৈরি একটি কাস্টম ভয়েসও ব্যবহার করতে পারেন — একটি ছোট নমুনা থেকে একটি ভয়েস ক্লোন করুন এবং এটি এজেন্টে বরাদ্দ করুন। এটি শুনতে প্রিভিউ বোতাম ব্যবহার করুন।

### সাধারণ নিয়ন্ত্রণ

**Speed**, **pitch**, **style**, **volume**, **emotion**, **emphasis**, **output format** এবং কাস্টম **pronunciations** প্রদানকারীদের জুড়ে প্রযোজ্য। সামান্য ধীর কথা একটি ফোন কলে অনুসরণ করা সহজ, বিশেষ করে সংখ্যা, তারিখ এবং নিশ্চিতকরণের জন্য।

### ElevenLabs-নির্দিষ্ট নিয়ন্ত্রণ

**Stability**, **similarity boost**, **style exaggeration** এবং **speaker boost** হলো ElevenLabs ভয়েস নিয়ন্ত্রণ:

- **Stability** নিয়ন্ত্রণ করে ভয়েসটি বাক্যাংশ থেকে বাক্যাংশে কতটা সামঞ্জস্যপূর্ণ শোনায় — উচ্চ আরও স্থিতিশীল, নিম্ন আরও স্বাভাবিক বৈচিত্র্যের অনুমতি দেয়।
- **Similarity boost** আউটপুটকে উৎস ভয়েসের কাছাকাছি রাখে।
- **Speaker boost** মূল বক্তার সাথে সাদৃশ্য বাড়ায়।

:::tip

পরিবর্তনগুলি কাগজে নয়, উচ্চস্বরে পরীক্ষা করুন। প্রতিটি সমন্বয়ের পরে **/agent/interface**-এ **ভয়েস পরীক্ষা** ব্যবহার করুন — গতি এবং উচ্চারণ সমস্যা যখন আপনি শোনেন তখন সেকেন্ডে স্পষ্ট হয়।

:::

## পরবর্তী ধাপ

- [Voice Lab-এ একটি ভয়েস ক্লোন এবং বরাদ্দ করুন](../voice-lab)
- [voice pipeline mode এবং LLM বেছে নিন](./llm)
- [কথোপকথন আচরণ আকার দিন](./engine-behavior)
- [রেকর্ডিং, ট্রান্সক্রিপশন এবং রিটেনশন সেট করুন](../workplace-team)