Definición
La clonación de voz sintetiza el idioma de destino en el timbre vocal del propio llamante, para que la voz traducida suene como él y no como un modelo genérico.
La clonación de voz usa una muestra corta de referencia de la propia voz del llamante para sintetizar habla en otro idioma. Los modelos modernos (Cartesia, ElevenLabs) la entregan con la latencia suficiente para usarla en llamadas en vivo; el destinatario oye el carácter vocal del llamante pero hablando un idioma que el llamante no habla. ChromePing admite una ruta opcional con TTS clonado de Cartesia para quienes consienten en enviar una muestra corta; la ruta por defecto usa una voz genérica de Telnyx. La clonación añade unos 150 ms al pipeline pero puede llevar matices emocionales que una voz genérica pierde.
Términos relacionados
Text-to-speech (TTS)
La síntesis de voz es la última etapa de una llamada traducida, lee en voz alta el texto traducido con una voz del idioma de destino.
Speech-to-text (STT)
La transcripción de voz a texto convierte el audio hablado en texto casi en tiempo real, la primera fase de las llamadas traducidas.
Call translation latency
La latencia de traducción de llamada es el tiempo entre el final de la frase del hablante y el momento en que la otra parte oye la versión traducida, idealmente menos de 1,5 segundos.