टेक्स्ट टू स्पीच WebSockets API क्या है?

WebSocket streaming endpoint, जिसे कभी-कभी input streaming भी कहा जाता है, WebSockets का इस्तेमाल करके real-time टेक्स्ट टू स्पीच conversion देता है। इससे आप text message भेज सकते हैं और real-time में audio data वापस पा सकते हैं।

इसे input के रूप में मिले सिर्फ़ आंशिक text chunks से audio chunks जनरेट करना शुरू करने के लिए डिज़ाइन किया गया है। यह पूरा context मिलने से पहले output जनरेट करना शुरू करके latency कम करने में मदद कर सकता है। इसे Large Language Models (LLMs) जैसे दूसरे tools के साथ इस्तेमाल किया जाना चाहिए। जनरेट किया गया audio लगातार speech की तरह ही सुनाई देगा।

काफ़ी flexible होने के बावजूद, WebSockets API हर स्थिति के लिए एक ही समाधान नहीं है।

यह उन स्थितियों के लिए उपयुक्त है जहां:

• input text stream हो रहा है या chunks में जनरेट हो रहा है।
• सबसे कम संभव latency चाहिए।
• word-to-audio alignment की जानकारी चाहिए।

 इन स्थितियों में यह सबसे अच्छा विकल्प नहीं हो सकता:

• पूरा input text एक साथ दिया जाता है। चूंकि generations आंशिक होते हैं, इसलिए कुछ buffering शामिल होती है, जिससे standard HTTP request की तुलना में latency थोड़ी ज़्यादा हो सकती है। ऐसे मामलों में सिर्फ़ output streaming endpoint इस्तेमाल करना ज़्यादा बेहतर विकल्प हो सकता है।
• आप जल्दी experiment या prototype बनाना चाहते हैं। WebSockets के साथ काम करना standard HTTP API इस्तेमाल करने की तुलना में ज़्यादा कठिन और जटिल हो सकता है, जिससे तेज़ development और testing धीमी हो सकती है।
• जहां सबसे अधिक संभव consistency बेहद ज़रूरी हो, वहां आपको AI की context understanding पर ध्यान देना होगा। चूंकि request की शुरुआत में AI को पूरा context नहीं दिया जाता, इसलिए उसे text की सिर्फ़ आंशिक समझ होगी, जो कुछ स्थितियों में समस्याएं पैदा कर सकती है। हालांकि, WebSocket streaming इस्तेमाल करते समय उपलब्ध कुछ settings के साथ आप experiment कर सकते हैं, जैसे “chunk_length_schedule”। यह parameter तय करेगा कि AI के text जनरेट करना शुरू करने से पहले chunks कितने बड़े होने चाहिए।

इन मामलों में, इसके बजाय टेक्स्ट टू स्पीच API का इस्तेमाल करें।

और जानने के लिए WebSockets API Reference. देखें।