Leído el 19 de noviembre de 2026
Productos de Gradium
Text-to-Speech (Gradium TTS)
Text-to-speech en streaming en tiempo real con voces expresivas en cinco idiomas a través de una única API de streaming.
· Text-to-Speech en menos de 50 ms que resuelve las partes difíciles
· 49 ms hasta el primer audio (P50), benchmark TTS de Speko
· 50 ms de TTFA P50, 0 ms de silencio inicial, 5 ms de dispersión P25–P75 (TTFA percibido, benchmark de Coval)
· 81,0 % de tasa de acierto en casos difíciles: 500 frases, 5 idiomas
Fuente : gradium.ai/text-to-speech
Speech-to-Text (Gradium STT)
Transcripción en streaming creada para conversaciones en directo, con detección semántica de turnos, refuerzo de palabras clave y latencia ajustable a través de un único WebSocket.
· Señal de detección semántica de turnos cada 80 ms
· Retraso ajustable de 0,56 s a 3,84 s
· Refuerzo de palabras clave / pronunciación personalizada: hasta 500 palabras, sin reentrenamiento; la probabilidad de cada palabra puede aumentar ~20x
· Una vez que aparece una palabra, se mantiene (sin reescritura de las palabras anteriores)
Fuente : gradium.ai/speech-to-text
Voice Cloning (Instant and Pro)
Clona una voz a partir de una muestra de 10 segundos (Instant) o ajusta un Pro Voice Clone con entre 30 minutos y unas pocas horas de audio.
· Clona cualquier voz a partir de 10 s de audio; sin paso de entrenamiento
· El clon Instant devuelve una voz utilizable en unos 3 segundos
· Mayor Elo frente a ElevenLabs Flash 2.5 en inglés, francés, español y alemán, en 3220 comparaciones humanas a ciegas
· 1000 clones instantáneos al mes en todos los planes de pago; ilimitados en Enterprise
Fuente : gradium.ai/voice-cloning
Voice Design
Genera una voz completamente nueva a partir de un breve texto descriptivo (edad, género, acento, textura, estado de ánimo), escucha varios candidatos y conserva uno como ID de voz permanente.
· 4,06 / 5 de adherencia al acento, el mejor de cuatro sistemas de diseño de voz probados
· 83,4 % de adherencia al prompt en el benchmark InstructTTSEval en inglés
· Más de 100 acentos
· Voice Design es gratuito e incluido en todos los planes
Fuente : gradium.ai/voice-design
Live Translation (Gradium Translate: stt-translate and s2s-translate)
Traducción de voz en tiempo real entre cinco idiomas en cualquier dirección, como texto (stt-translate) o como voz en una voz elegida o clonada (s2s-translate).
· 20 pares de idiomas: cualquiera de los cinco idiomas a cualquier otro
· 3,0 s de latencia media de extremo a extremo en todos los pares de idiomas
· Salida en cualquiera de las más de 1000 voces del catálogo o en un clon de tu propia voz
· Idioma de origen detectado automáticamente
Fuente : gradium.ai/live-translation
Phonon (on-device TTS)
Text-to-speech de Gradium de pesos abiertos y en el dispositivo, que funciona sin conexión en CPU, teléfonos, placas pequeñas y en el navegador.
· Tres modelos: Phonon 31m (64 MB, inglés, Apache 2.0), Phonon 40m (74,6 MB, 5 idiomas, un modelo por idioma, CC BY-NC), Phonon 40m multilingual (74,6 MB, 5 idiomas en un solo modelo, CC BY-NC)
· 1,7 % de WER (Phonon 31m, inglés) en 500 frases difíciles: números de teléfono, direcciones de correo electrónico, códigos postales
· Empieza a hablar en 7 ms en una CPU de MacBook Air M5; Phonon 31m empieza en 38 ms y funciona 3,7 veces más rápido que en tiempo real en una Raspberry Pi 5
· Hasta 22 veces más rápido que en tiempo real en un iPhone 16 Pro
Fuente : gradium.ai/phonon
Gradbot
Framework de agentes de voz de código abierto de Gradium (núcleo de orquestación en Rust) que coordina STT, cualquier LLM compatible con OpenAI y TTS en tiempo real.
· Crea agentes de voz en tiempo real con unas 50 líneas de código
· Gestiona VAD, turnos de palabra, muletillas, interrupciones; integración con MCP; modo servidor remoto
· Creado para prototipado rápido, demos y experimentación; para uso en producción, utiliza directamente las API de Gradium o integraciones maduras como Pipecat
· Instalación: pip install gradbot
Fuente : gradium.ai/gradbot
Speech-to-Speech (S2S)
Un único WebSocket dúplex que transcribe, traduce y vuelve a sintetizar audio; el único modelo S2S compatible es la traducción en directo (s2s-translate).
· Devuelve tanto el audio de salida sintetizado como la transcripción traducida a medida que se producen
Fuente : docs.gradium.ai/guides/speech-to-speech-overview.md
Voice Enhance and Voice Localization
Enhance limpia una voz existente sin cambiar el idioma ni al hablante; Localization adapta una voz existente a otro idioma o acento.
· Beta de Voice Enhance el 24 de septiembre de 2026; fin de la beta el 8 de octubre de 2026
· API de Voice Localization el 8 de octubre de 2026; localizador de voz en Studio el 16 de octubre de 2026
Gradium Studio
Voice playground y gestión de cuentas en studio.gradium.ai.
· Puestos ilimitados en Studio en todos los planes
Fuente : gradium.ai/llms.txt
Modelos TTS
| Modelo | API | |
|---|---|---|
| Gradium TTS (current default) | default | Modelo TTS predeterminado; 'gradium-tts-beta' también apunta a él hasta la próxima beta. Pasó a ser el predeterminado el 30 de septiembre de 2026 con un habla más expresiva y menor latencia; cfg_coef obsoleto. · alrededor de 50 ms para el primer fragmento de audio (blog, 1 de octubre de 2026); menos de 50 ms en el lanzamiento de la beta frente a 225 ms del modelo de producción de entonces (notas de la versión, 22 de septiembre de 2026); 47 ms P50 en Coval (ventana de 7 días, consultado el 24 de septiembre de 2026) |
| gradium-tts-beta (alias) | gradium-tts-beta | Alias que sigue los modelos TTS beta; actualmente apunta al modelo predeterminado. |
| Gradium TTS (August 31, 2026 release) | default (at the time); LiveKit Inference id gradium/default | Lee números de teléfono, direcciones de correo electrónico, IBAN y códigos de referencia sin preprocesamiento; beta pública desde el 30 de julio de 2026. · TTFA P50 de 216 ms en Coval, 170 ms más rápido que el modelo anterior; 30 ms de dispersión p75 - p25 |
| gradium-tts-202602 (previous generation) | gradium-tts-202602 | Modelo anterior conservado temporalmente tras la actualización del 10 de junio de 2026; se retirará gradualmente. |
| Phonon 31m | phonon-31m-en (Hugging Face) | En el dispositivo, 31m parámetros, 64 MB, Apache 2.0. · 38 ms para empezar en una Raspberry Pi 5 |
| Phonon 40m | e.g. phonon-40m-fr (Hugging Face) | En el dispositivo, 40m parámetros, 74,6 MB, un modelo por idioma, CC BY-NC 4.0. |
| Phonon 40m multilingual | En el dispositivo, 40m parámetros, 74,6 MB, cinco idiomas en un solo modelo, CC BY-NC 4.0. |
Integraciones
LiveKit Agents
Plugin de Gradium (livekit.plugins.gradium) para STT, TTS o ambos en una misma AgentSession; Gradium TTS en LiveKit Inference como gradium/default
Fuente : docs.gradium.ai/integrations/agent-frameworks/livekit.md · gradium.ai/llms.txt
Pipecat
GradiumTTSService transmite Gradium TTS por WebSocket en un pipeline de Pipecat
Fuente : docs.gradium.ai/integrations/agent-frameworks/pipecat.md
Vapi
No es un proveedor integrado; se conecta mediante webhook de voz personalizada y WebSocket de transcriptor personalizado
Fuente : docs.gradium.ai/integrations/agent-frameworks/vapi.md
OpenClaw
Proveedor de voz de Gradium incluido para agentes de canales de mensajería (notas de voz Opus, telefonía u-law de 8 kHz)
Fuente : docs.gradium.ai/integrations/agent-frameworks/openclaw.md
Gradbot
Framework de agentes de voz de código abierto propio de Gradium
Fuente : docs.gradium.ai/integrations/agent-frameworks/gradbot.md
Keenable
Búsqueda web en tiempo real para agentes de voz de Gradium (demo de Gradbot)
Fuente : docs.gradium.ai/integrations/web-search/keenable.md
Linkup
API de búsqueda web utilizada en una demo de agente de voz de Gradbot para reservas de hotel
Tavily
Búsqueda web en tiempo real para un agente de voz de Gradium (demo de alquiler en París)
AWS Marketplace / Amazon SageMaker
Suscripción SaaS gestionada a través de AWS Marketplace e imagen de modelo desplegable mediante SageMaker para inferencia dentro de la VPC
Fuente : gradium.ai/llms.txt · gradium.ai/text-to-speech
Baseten
Despliegue dedicado de Gradium TTS alojado en Baseten, mismo protocolo WebSocket
Eden AI
Gradium TTS, STT y traducción de voz disponibles a través de la API de Eden AI, fijados a la región de la UE
Fuente : gradium.ai/llms.txt
AudioStack
Voces de Gradium disponibles en la plataforma de producción de audio de AudioStack
Fuente : gradium.ai/llms.txt
Yampa
Los modelos de voz de Gradium se ejecutan de forma nativa dentro de Yampa (agentes de atención al cliente), SaaS en infraestructura de la UE o on-premise
Fuente : gradium.ai/llms.txt