印度 Sarvam 发布 Bulbul V4 Flash：更快、更便宜的多语种 TTS，适合实时与旁白
Sarvam AI 推出文本转语音模型 Bulbul V4 Flash，面向印度语种与印度英语场景：官方称生产环境首包音频低于 250 毫秒，价格约每 1 万字符 20 卢比，提供 83 个音色与 224 种声音/风格组合，API 与旧版兼容，一键切到新模型即可。
据 Sarvam AI 官方博客，公司发布最新文本转语音模型 Bulbul V4 Flash，强调在印度各语种上更自然、更有表现力，同时把延迟和成本压到适合实时对话与批量旁白的水平。
- 速度与价格：官方称生产环境 首包音频（time-to-first-audio）低于 250 毫秒；计价为 每 1 万字符 20 卢比，约为前代 Bulbul V3（30 卢比）便宜约三分之一；
- 音色库：上线时提供 83 个音色、覆盖 11 种语言、224 种声音与风格组合，场景包括客服、销售、教育、电商、旁白与对话体验等；
- 语言与口音：重点打磨印度各语种的本土感，以及印度英语、印英混用（如 Hinglish）口吻；名字、数字、缩写（如 PNR、PAN、Aadhaar）会按上下文做实时文本规范化，减少「念错业务信息」；
- 怎么接入：沿用 Bulbul 原有 API 形态，现有用户把模型名改成
bulbul:v4-flash即可；也可在 Playground 与 Content Studio 试用； - 后续：同系列还预告了表现力更强的 Bulbul V4 Pro（演示里涉及笑声、叹息、情绪切换等），目前 Flash 是面向生产可用的版本。
详情见 Sarvam 官方博客：Introducing Bulbul V4 Flash 与 文本转语音产品页。
对创作者意味着什么： 做面向南亚受众的口播、课程旁白、短剧配音或多语种本地化时，又多了一个延迟低、按量计费的选择，尤其适合要印地语、印度英语或混杂口语的内容。API 几乎不用改接入方式，方便先小批量对比音色和流畅度。但音色目录、语言覆盖（文档里个别语种在 v4 与 v3 上仍有差异）和商用条款要以官网实时说明为准；成片前仍建议听一遍专有名词与金额读法，避免业务信息念错。
信息来源：Sarvam AI 官方博客（本文为编辑整理改写）
