國際企業客服供應商 Scaled Cognition Inc. 今日（10月20日）推出名稱為「Voice」嘅文字轉語音（Text-to-Speech，TTS，即將文字轉換為語音）模型，專攻客服場景。公司聲稱呢個模型能夠更準確朗讀帳號號碼、地址等關鍵資訊，同時成本遠低於競爭對手嘅雲服務。
兩條路：用 API 定自己跑
Voice 提供兩種部署方式：一係直接經 API（應用編程介面）使用 Scaled Cognition 嘅託管服務，收費每百萬字 $9；另一係企業自行部署（self-hosted），基礎模型授權費每百萬字 $1（不計基建）。公司產品管理副總 Akshay Kannan 喺電郵中表示：「自部署嘅成本優勢，比一般人想像中更快出現。」
以單張 GPU（圖形處理器）計，Voice 可同時處理約 32 通對話。使用兩張 GPU 嘅冗餘（redundant，即雙重備份）架構喺標準雲端硬件上運行，每月成本約 $6,000，可支援約 5 億字元流量。Kannan 估計，連基建成本計算，5 億字元嘅用量下，合算成本約 $13 每百萬字；當用量達到 15 億字元，合算成本可降至 $7 每百萬字以下。佢將呢個數字同其他託管語音服務嘅 $35–$100 每百萬字比較，但拒絕透露對手名稱。
不過公司亦坦言，喺低用量下，自部署成本可能反而高於自家託管 API 嘅 $9 價格。Kannan 解釋：「我哋多數客户本身已經運行自己嘅基礎設施，Voice 可以直接接入。不想管理嘅團隊，由我哋幫佢哋託管。」
70 毫秒延遲，同區域部署差唔多冇差
公司聲稱語音生成延遲為 70 毫秒（由收到文字到開始輸出語音），並非指整個 AI 系統理解通話及撰寫回覆嘅總時間。即使 16 通即時對話共用單一 GPU 切分，典型回應時間仍維持約 80 毫秒。Kannan 指出，客户可控因素入面最大嘅一個係距離——喺同一雲端區域部署，只增加一至兩毫秒延遲，呢個正係公司鼓勵企業將 Voice 部署喺自家 AI Agent 及電話系統旁邊嘅原因。
「智能朗讀」：先理解，先講
公司稱 Voice 嘅一個獨特功能係「先理解意思，再生成語音」——即 Smart Pronunciation（智能朗讀）功能，可以判斷縮寫係指稱頭銜、街名定其他資訊，以及數字應點樣朗讀。舉例，「Pay 1/2 by 1/2」會被朗讀作「pay half by January second」，而唔係左到右機械式逐字讀出。Kannan 指，呢類困難喺英語以外語言會更加明顯。
Voice 支援 25 種以上語言，並提供聲音複製（voice cloning，即製作特定人士聲音嘅數字副本）功能，可與現有 AI 代理、聯絡中心平台及舊有電話系統協作。Scaled Cognition 表示，Voice 令企業可以同時得到自然嘅語音同準確嘅朗讀，而唔使付溢價。
阿調搞兩下
呢單重點唔係模型本身勁唔勁，而係錢同誰揸住個掣。TTS 呢行一直係「雲上貴、本地慢」，Scaled Cognition 想同時打破兩個標籤。但「每百萬字 $1」呢個數，前提係你公司已有 GPU 集群、有工程團隊睇住——「自部署」三個字對中小企業嚟話，未必係福音。另外，聲音複製功能喺客服場景，邊界劃喺邊，仲係未有人講清楚嘅問題。
阿調｜深度調教
