Pickles vs Deep Voice 3

Pickles é uma API de texto para fala criada para desenvolvedores que precisam de fala sintetizada realista sem pagar preços elevados por modelos de voz premium. Você envia texto por meio de uma chamada HTTPS simples e recebe um arquivo WAV hospedado pronto para reproduzir ou armazenar. É ideal para equipes que integram voz em aplicativos, bots, pipelines de audiolivros ou qualquer produto onde o custo por caractere seja a principal restrição.

Pickles destaca-se pela economia unitária. A página inicial afirma um custo aproximadamente 5 vezes menor que o OpenAI TTS, 32 vezes menor que o ElevenLabs e 2 vezes menor que o UnrealSpeech em uso comparável. Os clipes de amostra no site são gerados em 0,1 a 0,2 segundos, o que indica um design focado em baixa latência para aplicativos quase em tempo real. Você troca as grandes bibliotecas de voz e o polimento de estúdio das marcas de TTS para consumidores por uma API simplificada e planos mensais baseados em volume.

Desenvolvedores independentes e startups em estágio inicial podem começar no plano Hobby por $9 por mês para 1 milhão de caracteres (cerca de 200 horas de fala). Equipes que operam em escala contam com o plano Growth por $79 para 10 milhões de caracteres ou Enterprise por $599 para 100 milhões. O pagamento é feito via Stripe com cancelamento em um clique, e a comunidade no Discord responde dúvidas sobre integração.

Deep Voice 3 é uma implementação de código aberto em PyTorch do modelo de síntese de fala Deep Voice 3, da Baidu Research. Ele reproduz o aprendizado de sequência convolucional para TTS neural escalável e fornece checkpoints pré-treinados com demonstrações de áudio para configurações de fala única e multi-fala.

O projeto inclui modelos treinados na LJSpeech para síntese de fala única e na VCTK para geração multi-fala com 108 falantes. A página de demonstração hospeda clipes de áudio de amostra, gráficos de atenção e links para pesos pré-treinados no GitHub.

Destina-se a pesquisadores e desenvolvedores que desejam uma implementação de referência do Deep Voice 3, ao invés de uma API de fala hospedada. Scripts de treinamento, código de inferência e contribuições da comunidade estão disponíveis no repositório público do GitHub.