为什么这么多由 AI 驱动的语音代理在被打断之前听起来都很聪明？

即使这些代理给出了合理的回答，你挂断电话后仍然会觉得，跟你说话的是一个一次只读一句话的机器。

我们至今还没有打造出真正像人的语音代理。

问题在于，传统的文本转语音（TTS）把代理生成的每一行都当作一个独立的任务来处理。

TTS 模型不会保留上一句话的语气、节奏或上下文。

这就是为什么语音 AI 仍然如此生硬的原因。

Deepgram 刚刚发布了 Flux TTS 来解决这个问题：

Flux TTS 是一个流式、面向对话的原生语音模型，目标只有一个：在代理轮次之间保留上下文，让你的对话保持响应及时、连贯一致，并且听起来自然。

据我目前了解，它有 3 大亮点：

1. Flux TTS 能记住对话内容，并在不同轮次之间延续语气、节奏和上下文。

2. 它支持实时流式输出，延迟最低可达 80ms。

3. 它能处理打断情况，并能在您插话后自然地恢复。

如果你正在构建语音代理，不妨看看 Flux TTS，帮助你的代理在整个对话过程中保持上下文，并以更自然的方式回应：

https://fandf.co/3TDgnXW

感谢 @DeepgramAI 团队与我在本篇内容上的合作。

Deepgram Flux TTS：具备对话感知能力的文本转语音

来源：https://deepgram.com/product/text-to-speech/flux?utm_source=fnf&utm_medium=x&utm_campaign=august&utm_term=svaldarrama&utm_content=flux-tts 现已推出

Flux TTS。继续对话。

专为实时对话而构建的文本转语音。Flux TTS 读取的是整个对话，而不仅仅是当前这一行，从第一句回应到最后一句，全程保持上下文。

点击任意语音。开始一段对话。

免费注册（https://console.deepgram.com/signup）查看文档（https://developers.deepgram.com/docs/flux-tts/overview）

深受语音 AI 领域一流团队信赖。

Flux 架构

Flux 架构Flux STTLLMFlux TTS今天，Flux STT 和 Flux TTS 以集成式技术栈的形式运行在单条连接上，由 Deepgram 协调聆听与说话之间的时机。

一次通话 · 0:51 · Haley悬停任意一行，点击即可试听

热情的问候第 1 行，共 6 行 · 00:00

探索 Flux 语音（https://talk.deepgram.com/）

一个月的免费对话

截至 2026 年 9 月 12 日，开发者可以免费使用 Flux TTS，全球最多支持 45 个并发流式连接（EU/AU 地区为 5 个）。2026 年 9 月 13 日起按标准价格计费。

听起来就是自然

Flux TTS 天然富有表现力。它会根据对话的上下文，输出恰当节奏、重音和情绪。无需提示工程、SSML 或风格标签。

1. #1Deepgram Flux TTS73.4%

2. #2Cartesia Sonic 3.572.0%

3. #3Google Gemini 2.5 Flash62.4%

4. #4Rime Arcana61.4%

5. #5ElevenLabs Eleven v361.2%

6. #6Inworld TTS-1.5 MAX57.9%

7. #7ElevenLabs Eleven Flash v2.552.6%

8. #8Inworld TTS-250.5%

9. #9xAI Grok TTS49.5%

10. #10OpenAI GPT Realtime49.4%

11. #11OpenAI GPT-4o mini TTS33.5%

12. #12AWS Polly Generative22.4%

13. #1Deepgram Flux TTS77.5%

14. #2Cartesia Sonic 3.577.0%

15. #3Google Gemini 2.5 Flash75.1%

16. #4ElevenLabs Eleven Flash v2.570.1%

17. #5ElevenLabs Eleven v368.9%

18. #6Inworld TTS-1.5 MAX63.9%

19. #7Rime Arcana63.5%

20. #8OpenAI GPT Realtime58.8%

21. #9Inworld TTS-250.9%

22. #10OpenAI GPT-4o mini TTS48.8%

23. #11xAI Grok TTS46.4%

24. #12AWS Polly Generative24.0%

检测到插入打断

来电者

等等——那是付款之前的事吗？

代理

是的，截至今天早上。需要我调出完整账单吗？

SpeechStarted{speech_id:“dg_sp_a1b2c3d4e5f6”}

audio

audio

audio

INTERRUPT

SpeechInterrupted{ speech_id:“dg_sp_a1b2c3d4e5f6”, text_spoken:“您的余额为 $2,847”, text_remaining:“as of this morning.”// ✕ 未播放 }

Configure{speed:1.05}

SpeechStarted{speech_id:“dg_sp_b2c3d4e5f6a1”}

audio

audio

SpeechMetadata{speech_id:“dg_sp_b2c3d4e5f6a1”}

在你的对话场景中工作

Flux TTS 可以无缝接入你现有的语音代理技术栈，并部署在数据必须驻留的任何位置——云端、VPC 或本地环境。

你的语音代理技术栈

VapiVapi

PipecatPipecat

LivekitLivekit

jambonzJambonz

CloudflareCloudflare

MicFlux TTSspeak.v2 · wss /v2/speak

cloud托管云

VPC你的 VPC

Prem本地部署

9.8%

困难提示词上的词错误率

• 药品名
• 追踪号码
• IVR 菜单
• 金额
• 技术字符串
• 字母数字

越低越好。Flux TTS（Haley）。

能力对比能力Flux TTSElevenLabsCartesiaInworldRime跨轮次上下文✓XX✓◒无需标记（上下文感知表达）✓XX◒X打断反馈（插入打断时的 text_spoken）✓XX??服务端刷新✓◒◒??对结构化内容的生产级准确度✓X???对话原生 WebSocket 协议✓✓✓◒✓自行托管 / 本地部署✓◒✓◒◒包含 HIPAA + SOC 2✓◒✓✓◒企业级并发✓◒◒?◒

为语音 AI 交付团队而生

了解各公司如何借助 Flux TTS 构建更快速、更自然的语音体验。

常见问题

对语音代理来说，最好的文本转语音是什么？

Flux TTS 与 ElevenLabs 相比如何？

Flux TTS 与 Cartesia 相比如何？

Flux TTS 是 Rime 或 Inworld 的替代方案吗？

Flux TTS 如何处理打断？

Flux TTS 如何在不同轮次之间保持一致性？

Flux TTS 的延迟是多少？

Flux TTS 支持 SSML 或风格标签吗？

如何从其他提供商迁移到 Flux TTS？

我可以自行托管或在本地部署 Flux TTS 吗？

Flux TTS 支持哪些语言？

Flux TTS 与 Aura-2 有何不同？Aura-2 会被弃用吗？

如何开始使用 Flux TTS？

Flux TTS 符合 HIPAA 要求吗？

继续对话

使用 Flux TTS 构建你的下一个语音代理，体验整个对话过程中的不同之处。只需将模型参数改为flux-\{voice\}-en即可切换。