En una cafetería
Sin Clarity
Las conversaciones ocupan la detección de turnos: tu agente espera o interrumpe.
Con Clarity
Tu agente responde cuando quien llama deja de hablar.
ClarityTu agente de voz oye a quien llama. No a la sala.
Clarity elimina el ruido de fondo en tiempo real y, con una muestra corta de voz, todas las voces menos la de quien llama.
Pulsa reproducir y luego activa Clarity.
Cada muestra: una persona que llama, una segunda voz más baja y el ruido del lugar.
Tu agente habla con una sola persona.
En el vestíbulo de una estación
Sin Clarity
Las voces de la multitud acaban en la transcripción.
Con Clarity
La transcripción recoge lo que dijo quien llama.
En una oficina abierta
Sin Clarity
El «sí» de un compañero cuenta como respuesta de quien llama.
Con Clarity
Con una muestra de voz de 2 a 8 segundos, tu agente solo oye a quien llama.
Por delante de cada modelo de streaming comparado.
En los dos benchmarks públicos, Clarity 1 da a tu agente el audio más limpio de todos los modelos de streaming de la prueba.
Puesto a prueba.
Frente a los mejores.
Calidad del hablante objetivo
Libri2Mix · DNSMOS, más alto es mejor
| Métrica | Clarity 1240 ms | StarTSE[1]560 ms |
|---|---|---|
| Calidad de la voz SIG | 3.56 (mejor) | 3.54 |
| Calidad del fondo BAK | 4.03 (mejor) | 3.75 |
| Calidad global OVRL | 3.27 (mejor) | 3.12 |
Eliminación de ruido
DNS 2020 Challenge · DNSMOS, más alto es mejor
| Métrica | Clarity 1240 ms | Sin procesarAudio original | AI Acoustics15 ms | DeepFilterNet310 ms | GTCRN16 ms |
|---|---|---|---|---|---|
| Calidad de la voz SIG | 3.62 (mejor) | 3.39 | 3.46 | 3.51 | 3.34 |
| Calidad del fondo BAK | 4.11 (mejor) | 2.62 | 3.60 | 4.11 (mejor) | 3.98 |
| Calidad global OVRL | 3.37 (mejor) | 2.48 | 2.98 | 3.25 | 3.05 |
DeepFilterNet3 empata en calidad del fondo sin reverberación; los modelos offline, que necesitan la grabación completa, puntúan hasta 0,08 más en la extracción del hablante.
Funciona a los dos lados de la línea.
Agentes de voz
Tu agente solo oye a quien llama, incluso en el vestíbulo de una estación.
Centros de llamadas
Tus clientes oyen a tu agente, sin el ruido, el eco ni los compañeros de alrededor.
Una línea en LiveKit o Pipecat.
Clarity va en la entrada de audio de tu agente y funciona en streaming, así que todo lo que viene después trabaja con la voz limpia de quien llama.
- Quien llama
- ClarityFuera ruido y otras voces
- Detección de turnos
- Transcripción
- Modelo de lenguaje
- Síntesis de voz
from livekit.agents import room_io
from kugelaudio import load_audio
from kugelaudio.livekit import enhancement
await session.start(
room=ctx.room,
agent=agent,
room_options=room_io.RoomOptions(
audio_input=room_io.AudioInputOptions(
noise_cancellation=enhancement(), # reads KUGELAUDIO_API_KEY
# keep one voice: enhancement(speaker=load_audio("caller.wav"))
),
),
)Todas las especificaciones de Clarity 1.
Clarity 1
El primer modelo Clarity, para grabaciones y audio en directo.
- ID del modelo
clarity-1- Tareas
- Eliminación de ruido. Con muestra de voz: solo esa voz (los SDK de Python y JavaScript eligen la tarea)
- Posición
- Antes de la detección de actividad de voz y la transcripción
- Latencia añadida
- 50 ms con fragmentos de 240 ms
- Entrada
- WAV, 16, 24 o 32 bits enteros o 32 bits flotantes, mono o estéreo, de 8 a 48 kHz
- Salida
- PCM mono de 16 bits, 24 kHz, misma duración que la entrada
- Muestra del hablante
- De 2 a 8 segundos
- Grabaciones
- Hasta 300 segundos por solicitud
POST /v1/audio/enhance - Audio en directo
- Stream por WebSocket, mejorado a medida que llega
WS /v1/audio/enhance/stream
Paga por minuto, facturado por segundo.
Pago por uso
0,0015 €por minuto de audio, IVA no incluido
Se factura de tus créditos por segundo de audio de entrada, redondeado hacia arriba, con un mínimo de un segundo. Las solicitudes con error no se facturan.
ComenzarEnterprise
Autoalojamiento y despliegue on-premise, con los planes Enterprise.
Las respuestas cortas.
¿Qué es Clarity?
La línea de modelos de mejora de voz de KugelAudio. Clarity 1 (clarity-1) elimina el ruido de fondo y, con una muestra de voz, conserva solo esa voz, en grabaciones y audio en directo.
¿Cuánta latencia añade Clarity?
Unos 50 ms si tu pipeline ya lee el audio en fragmentos de 240 ms. Con tramas más pequeñas, un sonido puede salir hasta 290 ms después de entrar.
¿Cómo sabe qué voz conservar?
Por una muestra de 2 a 8 segundos de esa persona, mejor sola y con poco ruido. Sin muestra, Clarity elimina el ruido y conserva la voz.
¿Qué audio puedo enviar?
WAV de 8 a 48 kHz, hasta 300 segundos por grabación, o PCM de 16 bits en directo por WebSocket. La salida es PCM mono de 16 bits a 24 kHz.
¿Puedo ejecutar Clarity en mi propia infraestructura?
Sí. El autoalojamiento y el despliegue on-premise están disponibles con los planes Enterprise.