Stream cria agentes de IA multimodais com a ElevenLabs

A Stream lançou o Vision Agents — um framework de código aberto que permite aos desenvolvedores criar experiências de IA multimodais e de baixa latência, combinando vídeo, áudio e conversação em tempo real. O framework integra o ElevenLabs Text to Speech para oferecer vozes expressivas e responsivas que possibilitam uma interação fluida entre usuários e sistemas de IA.

Viabilizando agentes multimodais em tempo real

O Vision Agents dá à IA a capacidade de ver, ouvir e responder em tempo real. Desenvolvido com base nos SDKs de vídeo e áudio da Stream, o framework oferece uma base de baixa latência para desenvolvedores criarem protótipos e implementarem experiências com agentes multimodais.

Ao avaliar provedores de Text to Speech, a Stream escolheu a ElevenLabs pela qualidade líder de mercado e pela facilidade de integração — a ElevenLabs agora é a principal opção de voz para os usuários da Stream.

“A ElevenLabs facilitou a rápida inclusão de recursos avançados de conversão de texto em voz no nosso SDK, permitindo que Agents responda em tempo real com vozes expressivas às perguntas dos usuários ou como feedback sobre o que está vendo.” — Neevash Ramdial, Diretor de Marketing, Stream

Integração rápida, confiável e amigável para desenvolvedores

A Stream integrou a ElevenLabs em toda a sua base de código em apenas alguns dias, permitindo que desenvolvedores adicionem vozes realistas aos seus agentes de visão com configuração mínima. A integração agora oferece:

• Configuração 10 vezes mais rápida — A pré-integração com a ElevenLabs reduz o tempo de configuração de voz de 400 linhas de código para apenas 40.
• Desempenho de baixa latência — A rápida geração de voz da ElevenLabs, combinada à rede global de edge da Stream, garante uma capacidade de resposta que parece natural e humana.
• Experiência escalável para desenvolvedores — Os SDKs da Stream simplificam o processo de criar, testar e implementar agentes multimodais.

Construindo o futuro da IA multimodal

O Vision Agents da Stream demonstra como os modelos da ElevenLabs estão ampliando as possibilidades da IA multimodal. Ao combinar entendimento visual com Text to Speech, os desenvolvedores podem criar agentes que não apenas veem, mas também falam e ouvem com uma fluência quase humana.

Quer criar com Text to Speech? Entre em contato aqui.