# குரல் & ஆடியோ (STT/TTS)


# குரல் & ஆடியோ (STT/TTS)

**Audio** தாவல் உங்கள் முகவர் எவ்வாறு கேட்கிறது மற்றும் பேசுகிறது என்பதைக் கட்டுப்படுத்துகிறது. பேச்சு-முதல்-உரை (STT) மற்றும் உரை-முதல்-பேச்சு (TTS) இரண்டுமே **பல-வழங்குநர்** கொண்டவை — நீங்கள் ஒரு வழங்குநரைத் தேர்வு செய்கிறீர்கள், பிறகு ஒரு மாதிரி மற்றும் வழங்குநர்-குறிப்பிட்ட கட்டுப்பாடுகள். இவற்றைச் சரியாக அமைப்பதுதான் ஒரு முகவரை இயல்பாக ஒலிக்கச் செய்து அழைப்பாளர்களைத் துல்லியமாகப் புரிந்துகொள்ளச் செய்கிறது. இதை **/agent/setup** இல் உள்ள முகவர் உருவாக்கியில் அமைக்கவும்.

:::note[STT-க்கு மட்டும் Pipeline பயன்முறை]

பேச்சு-முதல்-உரை அமைப்புகள் **Pipeline** குரல் பயன்முறையில் பொருந்துகின்றன. நிகழ்நேர பயன்முறைகளில் (Azure Realtime, Gemini Realtime) படியெடுத்தல் வழங்குநரால் உள்ளகமாகக் கையாளப்படுகிறது, எனவே STT பிரிவு புறக்கணிக்கப்படுகிறது. குரல் pipeline பயன்முறையை [LLM](./llm) தாவலில் அமைக்கவும்.

:::

## பேச்சு-முதல்-உரை

![Voice தாவல்](/img/screenshots/portal/agent-audio.png)
*Voice தாவல்: மொழி, ஆதரிக்கப்படும் வட்டார மொழிகள், மொழி கண்டறிதல் மற்றும் STT / TTS வழங்குநர் அமைப்புகள்.*

பேச்சு-முதல்-உரை அழைப்பாளரின் ஆடியோவை முகவர் செயல்படக்கூடிய உரையாக மாற்றுகிறது. உங்கள் அழைப்பாளர்களுக்கும் உங்கள் களத்திற்கும் பொருந்தும் ஒரு **provider** மற்றும் **model** ஐத் தேர்வு செய்யவும். STT வழங்குநர்கள்:

- **Deepgram** (இயல்புநிலை) — Nova-3 / Nova-2 மற்றும் பல.
- **Azure** — Default மற்றும் Conversation மாதிரிகள்.
- **Groq** — Whisper Large v3 / Turbo.
- **Sarvam** — Saarika (இந்திய மொழிகள்).

### பொதுவான கட்டுப்பாடுகள்

**Language**, **punctuation**, **word timestamps** மற்றும் **interim results** வழங்குநர்கள் அனைத்திலும் பொருந்தும். சரியான மொழியை அமைப்பதே படியெடுப்புத் துல்லியத்தில் மிகப்பெரிய ஒற்றை காரணியாகும்.

### வழங்குநர்-குறிப்பிட்ட கட்டுப்பாடுகள்

சில கட்டுப்பாடுகள் அவற்றை ஆதரிக்கும் வழங்குநருக்கு மட்டுமே தோன்றும்:

- **Deepgram** — keyword boost, smart format, filler removal, **diarization** (படியெடுப்பை பேசுபவர் வாரியாகப் பிரிப்பது), profanity filter, alternatives மற்றும் latency mode.
- **Azure** — profanity mode (masked / removed / raw).
- **Sarvam** — code mixing.

அங்கீகாரத்தை மேம்படுத்த நீங்கள் **custom vocabulary** (தயாரிப்புப் பெயர்கள், பிராண்ட் சொற்கள், வழக்குச் சொற்கள்) ஐயும் சேர்க்கலாம், மேலும் endpointing மற்றும் VAD turnoff நேரங்களைச் சீரமைக்கலாம்.

:::note[PII மறைப்பு Guardrails இல் உள்ளது]

படியெடுப்பு **PII redaction** (எந்த உணர்திறன் வகைகளை மறைப்பது) இங்கே அல்ல, **Guardrails** தாவலில் உள்ளமைக்கப்படுகிறது. [பாதுகாப்பு வரம்புகள் & இணக்கம்](./guardrails) பார்க்கவும்.

:::

## உரை-முதல்-பேச்சு

உரை-முதல்-பேச்சு என்பது உங்கள் முகவர் பேசும் குரல். ஒரு **provider**, **model** மற்றும் **voice** ஐத் தேர்வு செய்யவும். TTS வழங்குநர்கள்:

- **ElevenLabs** (இயல்புநிலை) — Turbo v2.5 / v2, Multilingual v2.
- **Azure** — Neural மற்றும் Standard.
- **Google** — Gemini TTS.
- **Cartesia** — Sonic.
- **Groq** — Orpheus.
- **Sarvam** — Bulbul (இந்திய மொழிகள்).

### குரல்

உங்கள் பிராண்டுக்கும் உங்கள் அழைப்பாளர்களுக்கும் பொருந்தும் **voice** ஐத் தேர்வு செய்யவும். [Voice Lab](../voice-lab) இல் உருவாக்கப்பட்ட ஒரு தனிப்பயன் குரலையும் நீங்கள் பயன்படுத்தலாம் — ஒரு குறுகிய மாதிரியிலிருந்து ஒரு குரலை குளோன் செய்து அதை முகவருக்கு ஒதுக்குங்கள். அதைக் கேட்க முன்னோட்டப் பொத்தானைப் பயன்படுத்தவும்.

### பொதுவான கட்டுப்பாடுகள்

**Speed**, **pitch**, **style**, **volume**, **emotion**, **emphasis**, **output format** மற்றும் தனிப்பயன் **pronunciations** வழங்குநர்கள் அனைத்திலும் பொருந்தும். ஒரு தொலைபேசி அழைப்பில் சற்று மெதுவான பேச்சைப் பின்தொடர்வது எளிது, குறிப்பாக எண்கள், தேதிகள் மற்றும் உறுதிப்படுத்தல்களுக்கு.

### ElevenLabs-குறிப்பிட்ட கட்டுப்பாடுகள்

**Stability**, **similarity boost**, **style exaggeration** மற்றும் **speaker boost** ஆகியவை ElevenLabs குரல் கட்டுப்பாடுகள்:

- **Stability** ஒரு சொற்றொடரிலிருந்து அடுத்ததற்கு குரல் எவ்வளவு நிலையாக ஒலிக்கிறது என்பதைக் கட்டுப்படுத்துகிறது — அதிகம் மிகவும் சீரானது, குறைவு மேலும் இயல்பான மாறுபாட்டை அனுமதிக்கிறது.
- **Similarity boost** வெளியீட்டை மூலக் குரலுக்கு நெருக்கமாக வைத்திருக்கிறது.
- **Speaker boost** மூலப் பேசுபவருடனான ஒற்றுமையை மேம்படுத்துகிறது.

:::tip

காகிதத்தில் அல்ல, சத்தமாக மாற்றங்களைச் சோதியுங்கள். ஒவ்வொரு சரிசெய்தலுக்குப் பிறகும் **/agent/interface** இல் உள்ள **voice test** ஐப் பயன்படுத்தவும் — நீங்கள் கேட்கும்போது வேகம் மற்றும் உச்சரிப்புச் சிக்கல்கள் வினாடிகளில் தெளிவாகத் தெரிகின்றன.

:::

## அடுத்த படிகள்

- [Voice Lab இல் ஒரு குரலை குளோன் செய்து ஒதுக்குங்கள்](../voice-lab)
- [குரல் pipeline பயன்முறை மற்றும் LLM ஐத் தேர்வு செய்யவும்](./llm)
- [உரையாடல் நடத்தையை வடிவமைக்கவும்](./engine-behavior)
- [பதிவு செய்தல், படியெடுத்தல் மற்றும் தக்கவைப்பை அமைக்கவும்](../workplace-team)