# Voice ಮತ್ತು audio (STT/TTS)


# Voice ಮತ್ತು audio (STT/TTS)

**Audio** ಟ್ಯಾಬ್ ನಿಮ್ಮ ಏಜೆಂಟ್ ಹೇಗೆ ಕೇಳುತ್ತದೆ ಮತ್ತು ಮಾತನಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ. speech-to-text (STT) ಮತ್ತು text-to-speech (TTS) ಎರಡೂ **ಬಹು-ಪೂರೈಕೆದಾರ** — ನೀವು ಒಂದು ಪೂರೈಕೆದಾರನನ್ನು ಆಯ್ಕೆಮಾಡಿ, ನಂತರ ಒಂದು ಮಾದರಿ ಮತ್ತು ಪೂರೈಕೆದಾರ-ನಿರ್ದಿಷ್ಟ ನಿಯಂತ್ರಣಗಳನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತೀರಿ. ಇವುಗಳನ್ನು ಸರಿಯಾಗಿ ಪಡೆಯುವುದೇ ಏಜೆಂಟ್ ಅನ್ನು ಸಹಜವಾಗಿ ಧ್ವನಿಸುವಂತೆ ಮತ್ತು ಕರೆದಾರರನ್ನು ನಿಖರವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಂತೆ ಮಾಡುತ್ತದೆ. ಇದನ್ನು **/agent/setup** ನಲ್ಲಿರುವ ಏಜೆಂಟ್ ಬಿಲ್ಡರ್‌ನಲ್ಲಿ ಹೊಂದಿಸಿ.

:::note[STT ಗೆ ಮಾತ್ರ Pipeline ಮೋಡ್]

speech-to-text ಸೆಟ್ಟಿಂಗ್‌ಗಳು **Pipeline** voice ಮೋಡ್‌ನಲ್ಲಿ ಅನ್ವಯಿಸುತ್ತವೆ. realtime ಮೋಡ್‌ಗಳಲ್ಲಿ (Azure Realtime, Gemini Realtime) transcription ಅನ್ನು ಪೂರೈಕೆದಾರನು ಆಂತರಿಕವಾಗಿ ನಿಭಾಯಿಸುತ್ತಾನೆ, ಆದ್ದರಿಂದ STT ವಿಭಾಗವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ. voice pipeline ಮೋಡ್ ಅನ್ನು [LLM](./llm) ಟ್ಯಾಬ್‌ನಲ್ಲಿ ಹೊಂದಿಸಿ.

:::

## Speech-to-text

![Voice ಟ್ಯಾಬ್](/img/screenshots/portal/agent-audio.png)
*Voice ಟ್ಯಾಬ್: ಭಾಷೆ, ಬೆಂಬಲಿತ ಲೊಕೇಲ್‌ಗಳು, ಭಾಷಾ ಪತ್ತೆ, ಮತ್ತು STT / TTS ಪೂರೈಕೆದಾರ ಸೆಟ್ಟಿಂಗ್‌ಗಳು.*

Speech-to-text ಕರೆದಾರನ audio ಅನ್ನು ಏಜೆಂಟ್ ಕ್ರಮ ತೆಗೆದುಕೊಳ್ಳಬಲ್ಲ ಪಠ್ಯವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ನಿಮ್ಮ ಕರೆದಾರರಿಗೆ ಮತ್ತು ನಿಮ್ಮ ಡೊಮೇನ್‌ಗೆ ಹೊಂದುವ **ಪೂರೈಕೆದಾರ** ಮತ್ತು **ಮಾದರಿ** ಯನ್ನು ಆಯ್ಕೆಮಾಡಿ. STT ಪೂರೈಕೆದಾರರು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದಾರೆ:

- **Deepgram** (ಪೂರ್ವನಿಯೋಜಿತ) — Nova-3 / Nova-2 ಮತ್ತು ಇನ್ನಷ್ಟು.
- **Azure** — Default ಮತ್ತು Conversation ಮಾದರಿಗಳು.
- **Groq** — Whisper Large v3 / Turbo.
- **Sarvam** — Saarika (Indic).

### ಸಾಮಾನ್ಯ ನಿಯಂತ್ರಣಗಳು

**ಭಾಷೆ**, **ವಿರಾಮಚಿಹ್ನೆ**, **ಪದ timestamps** ಮತ್ತು **interim results** ಎಲ್ಲಾ ಪೂರೈಕೆದಾರರಲ್ಲಿ ಅನ್ವಯಿಸುತ್ತವೆ. ಸರಿಯಾದ ಭಾಷೆಯನ್ನು ಹೊಂದಿಸುವುದು transcription ನಿಖರತೆಯಲ್ಲಿ ಅತಿದೊಡ್ಡ ಏಕೈಕ ಅಂಶ.

### ಪೂರೈಕೆದಾರ-ನಿರ್ದಿಷ್ಟ ನಿಯಂತ್ರಣಗಳು

ಕೆಲವು ನಿಯಂತ್ರಣಗಳು ಅವುಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಪೂರೈಕೆದಾರನಿಗೆ ಮಾತ್ರ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ:

- **Deepgram** — keyword boost, smart format, filler removal, **diarization** (transcript ಅನ್ನು ಮಾತುಗಾರರ ಪ್ರಕಾರ ಪ್ರತ್ಯೇಕಿಸಿ), profanity filter, alternatives ಮತ್ತು latency ಮೋಡ್.
- **Azure** — profanity ಮೋಡ್ (masked / removed / raw).
- **Sarvam** — code mixing.

ಗುರುತಿಸುವಿಕೆಯನ್ನು ಸುಧಾರಿಸಲು ನೀವು **ಕಸ್ಟಮ್ ಶಬ್ದಕೋಶ** (ಉತ್ಪನ್ನ ಹೆಸರುಗಳು, ಬ್ರ್ಯಾಂಡ್ ಪದಗಳು, ಪರಿಭಾಷೆ) ವನ್ನೂ ಸೇರಿಸಬಹುದು, ಮತ್ತು endpointing ಹಾಗೂ VAD turnoff timings ಗಳನ್ನು ಟ್ಯೂನ್ ಮಾಡಬಹುದು.

:::note[PII redaction ಇರುವುದು Guardrails ನಲ್ಲಿ]

transcript **PII redaction** (ಯಾವ ಸಂವೇದನಶೀಲ ಪ್ರಕಾರಗಳನ್ನು ಮರೆಮಾಚಬೇಕು) ಅನ್ನು ಇಲ್ಲಿ ಅಲ್ಲ, **Guardrails** ಟ್ಯಾಬ್‌ನಲ್ಲಿ ಸಂರಚಿಸಲಾಗುತ್ತದೆ. [ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳು ಮತ್ತು ಅನುಸರಣೆ](./guardrails) ಅನ್ನು ನೋಡಿ.

:::

## Text-to-speech

Text-to-speech ನಿಮ್ಮ ಏಜೆಂಟ್ ಮಾತನಾಡುವ ಧ್ವನಿ. ಒಂದು **ಪೂರೈಕೆದಾರ**, **ಮಾದರಿ** ಮತ್ತು **ಧ್ವನಿ** ಯನ್ನು ಆಯ್ಕೆಮಾಡಿ. TTS ಪೂರೈಕೆದಾರರು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದಾರೆ:

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

### ಧ್ವನಿ

ನಿಮ್ಮ ಬ್ರ್ಯಾಂಡ್ ಮತ್ತು ನಿಮ್ಮ ಕರೆದಾರರಿಗೆ ಹೊಂದುವ **ಧ್ವನಿ** ಯನ್ನು ಆಯ್ಕೆಮಾಡಿ. ನೀವು [Voice Lab](../voice-lab) ನಲ್ಲಿ ರಚಿಸಿದ ಕಸ್ಟಮ್ ಧ್ವನಿಯನ್ನೂ ಬಳಸಬಹುದು — ಒಂದು ಸಣ್ಣ ಮಾದರಿಯಿಂದ ಒಂದು ಧ್ವನಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ ಮತ್ತು ಅದನ್ನು ಏಜೆಂಟ್‌ಗೆ ನಿಯೋಜಿಸಿ. ಅದನ್ನು ಕೇಳಲು preview ಬಟನ್ ಬಳಸಿ.

### ಸಾಮಾನ್ಯ ನಿಯಂತ್ರಣಗಳು

**ವೇಗ**, **pitch**, **ಶೈಲಿ**, **ಧ್ವನಿ ಪ್ರಮಾಣ**, **ಭಾವನೆ**, **ಒತ್ತು**, **output format** ಮತ್ತು ಕಸ್ಟಮ್ **ಉಚ್ಚಾರಣೆಗಳು** ಎಲ್ಲಾ ಪೂರೈಕೆದಾರರಲ್ಲಿ ಅನ್ವಯಿಸುತ್ತವೆ. ಸ್ವಲ್ಪ ನಿಧಾನವಾದ ಮಾತು ದೂರವಾಣಿ ಕರೆಯಲ್ಲಿ ಅನುಸರಿಸಲು ಸುಲಭ, ವಿಶೇಷವಾಗಿ ಸಂಖ್ಯೆಗಳು, ದಿನಾಂಕಗಳು ಮತ್ತು ದೃಢೀಕರಣಗಳಿಗೆ.

### ElevenLabs-ನಿರ್ದಿಷ್ಟ ನಿಯಂತ್ರಣಗಳು

**Stability**, **similarity boost**, **style exaggeration** ಮತ್ತು **speaker boost** ಇವು ElevenLabs ಧ್ವನಿ ನಿಯಂತ್ರಣಗಳು:

- **Stability** ಒಂದು ವಾಕ್ಯದಿಂದ ಮುಂದಿನದಕ್ಕೆ ಧ್ವನಿ ಎಷ್ಟು ಸ್ಥಿರವಾಗಿ ಧ್ವನಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ — ಹೆಚ್ಚಿನದು ಹೆಚ್ಚು ಸ್ಥಿರ, ಕಡಿಮೆಯದು ಹೆಚ್ಚು ಸಹಜ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ.
- **Similarity boost** output ಅನ್ನು ಮೂಲ ಧ್ವನಿಗೆ ಹತ್ತಿರವಾಗಿರಿಸುತ್ತದೆ.
- **Speaker boost** ಮೂಲ ಮಾತುಗಾರನ ಸಾದೃಶ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.

:::tip

ಬದಲಾವಣೆಗಳನ್ನು ಕಾಗದದ ಮೇಲೆ ಅಲ್ಲ, ಗಟ್ಟಿಯಾಗಿ ಪರೀಕ್ಷಿಸಿ. ಪ್ರತಿ ಹೊಂದಾಣಿಕೆಯ ನಂತರ **/agent/interface** ನಲ್ಲಿರುವ **voice test** ಅನ್ನು ಬಳಸಿ — ನೀವು ಅವುಗಳನ್ನು ಕೇಳಿದಾಗ ವೇಗ ಮತ್ತು ಉಚ್ಚಾರಣೆ ಸಮಸ್ಯೆಗಳು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗುತ್ತವೆ.

:::

## ಮುಂದಿನ ಹೆಜ್ಜೆಗಳು

- [Voice Lab ನಲ್ಲಿ ಒಂದು ಧ್ವನಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ ಮತ್ತು ನಿಯೋಜಿಸಿ](../voice-lab)
- [voice pipeline ಮೋಡ್ ಮತ್ತು LLM ಅನ್ನು ಆಯ್ಕೆಮಾಡಿ](./llm)
- [ಸಂಭಾಷಣೆ ವರ್ತನೆಯನ್ನು ರೂಪಿಸಿ](./engine-behavior)
- [ರೆಕಾರ್ಡಿಂಗ್, transcription ಮತ್ತು ಧಾರಣವನ್ನು ಹೊಂದಿಸಿ](../workplace-team)