Brainiall Voice (nivel Pro)

Dos tiers, una sola superficie de API

Brainiall Voice se entrega como un único endpoint con dos niveles de calidad seleccionables por solicitud mediante el tier parámetro. El valor predeterminado es edge (12 voces en inglés, 24 kHz, ~150 ms latencia). tier="pro" para clonación, control emocional, 99 idiomas y salida de estudio a 48 kHz — se cobra solo en las solicitudes que lo activan.

Capacidades del tier Pro

Casos de uso

Cómo nos comparamos

Benchmarks independientes de calidad de voz en muestras de inglés, portugués, japonés y mandarín, evaluados en naturalidad (MOS) y consistencia de marca. Precio medido en USD por 1 000 caracteres.

Inicio rápido: clona una voz en dos solicitudes

# 1. Create a voice clone from a 5-second reference
curl -X POST https://api.brainiall.com/v1/voice/clones \
  -H "Authorization: Bearer $BRAINIALL_KEY" \
  -F "name=brand_founder" \
  -F "audio=@reference_5s.wav"
# → { "voice_id": "vc_a3f9...", "name": "brand_founder", "ready": true }

# 2. Synthesize with the cloned voice + emotional control
curl -X POST https://api.brainiall.com/v1/tts/synthesize \
  -H "Authorization: Bearer $BRAINIALL_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Welcome to our 2026 product launch.",
    "voice": "vc_a3f9...",
    "tier": "pro",
    "language": "en",
    "style": "excited",
    "format": "wav_48khz"
  }' \
  --output launch.wav

Sección de honestidad — lo que el tier Pro NO hace

• Canción o actuación musical. El nivel Pro está orientado al habla natural. Control de tono mediante SSML productsVoicePro.prosody es compatible, pero no el canto melódico.
• Tiempo real, TTFT sub-100 ms. El tier Pro transmite chunks a ~500 ms TTFT. Para casos de uso con agentes que requieren <200 ms al primer frame de audio, use el tier Edge (~150 ms TTFT).
• Clonación de voz de figuras públicas o voces con derechos de autor. Los clones de voz requieren consentimiento por escrito del hablante fuente (verificado mediante un formulario de declaración durante la creación del clon). Las voces de figuras públicas, personas fallecidas sin consentimiento de sus herederos y personajes de obras con derechos de autor se bloquean en la capa de moderación.
• Inferencia emocional 100% factual. El style El parámetro es una directiva, no una garantía — los estados extremos (terror, éxtasis) tienden a interpretaciones naturalistas atenuadas para evitar resultados inquietantes.
• End-to-end sub-1 s en la flota de CPU actual. Los valores de time-to-first-byte de streaming anteriores (~150 ms Edge, ~500 ms Pro) describen cuándo el primer chunk de audio sale del servidor, no cuándo se renderiza la frase completa. En la flota de CPU, una frase corta en caliente termina de sintetizarse en aproximadamente 3.8 s y los textos más largos escalan con la longitud. Para contenido reutilizado con frecuencia (prompts de IVR, alertas de app, respuestas predefinidas de agentes de voz), cachea el audio renderizado de tu lado: el segundo acceso es una descarga de archivo, no una síntesis.

Precios