返回首页

Koyal

x+web 0.94
访问原文

介绍

Koyal 是 Plivo 在 2026 年 11 月 18 日发布的自研文本转语音模型,面向需要低延迟的语音 AI agent。官方博客 Introducing Koyal 把它写成:Plivo 的第一款自有 TTS,从一开始就为语音 agent 设计,目标是同时照顾音质、速度和价格,而不是只取其中一两项。

博文列出 14 种语言:阿萨姆语、孟加拉语、英语、古吉拉特语、印地语、卡纳达语、马拉雅拉姆语、马拉地语、尼泊尔语、奥里亚语、旁遮普语、西班牙语、泰米尔语和泰卢固语。官方给出的首包音频时间低于 200 毫秒,并称 Koyal 托管在印度和美国,音频在所选区域处理,以便降低延迟并满足数据驻留要求。产品页为 Koyal text to speech API。

本条记录的是这次新发布的模型名 Koyal。不要把它和 Plivo 原有的通信 API,或 ElevenLabs、Cartesia、Fish Audio 等其他 TTS 产品混为一个词条。

广告

解释

Plivo 给出的背景是:公司每年承载超过 50 亿通语音通话,其中越来越多由语音 agent 接听。团队反复遇到同一组取舍:听起来好的 TTS 往往延迟高、更贵,或在切换语言时不稳定。Koyal 被定位为自研、面向通话场景的模型,强调快速开口、本地化读法,以及按分钟计费的较低标价。

定价方面,官方博客写明美国为每分钟 0.0065 美元,印度为每分钟 0.65 卢比;对比表把“一分钟语音”按 1,000 个字符计算,并称按 2026 年 11 月 18 日各家公开按量价格,Koyal 比表中多家模型低 65% 以上。延迟数字来自 Coval 基准的 30 天均值或各厂商自己公布的数据,官方也提醒测量方法并不完全一致,Koyal 的 200 毫秒是 Plivo 自己给出的数字。

官方还强调读法:例如把 ₹1,25,000 读成“one lakh twenty-five thousand rupees”,以及把卡号、日期读清楚,而不是逐位念出。文档 Text-to-Speech Overview 介绍了批量(一次 POST 取回完整音频)和实时(WebSocket 流式,一条连接最多 8 路回复)两种用法,并支持 8 kHz μ-law / A-law 等电话格式。文档语言表和博客宣布的 14 语列表可能并不完全同步,接入时以当时文档为准。

用法

Koyal 对每个 Plivo 账户开放。可先读 Introducing Koyal 和产品页 Koyal text to speech,再按 Text-to-Speech Overview 选择批量或实时接口。若语音 agent 已经跑在 LiveKit、Pipecat 或自有栈上,官方称把 agent 指向 Koyal 即可,不必改其余编排。

接入时注意选择美国或印度区域、对应语言的声音,以及电话场景下的 8 kHz μ-law / A-law 输出。需要稳定读法时,文档提供自定义发音和词表(IPA、ARPAbet、拼写提示)。实时用法适合边生成边播报;预录提示音和通知更适合批量接口。

评估延迟和价格时,应核对自己文本长度、语言和区域下的实际首包时间和账单,而不是只看博文对比表。也不要把 Koyal 理解成一个新的通用大模型,它是 Plivo 的 TTS 产品。