TTS فارسی (متن به گفتار) با کیفیت بالا

سلام این پروژه برای استفاده در تماس‌های تلفنی و دستیار هوش مصنوعی صوتی است، بنابراین بلا‌درنگ بودن (Real-Time Streaming) و کیفیت لحن طبیعی برای ما بسیار حیاتی است. الزامات حیاتی 🎯 Streaming واقعی: خروجی باید chunk به chunk تولید و ارسال شود (نه تبدیل یکجای کل متن). ⚡ Latency پایین: شروع پخش صدا حداکثر 500ms بعد از دریافت متن. 🎤 کیفیت صدا: صدای روان، طبیعی، بدون رباتیک بودن. 🎶 لحن انسانی: شروع و پایان طبیعی جمله، رعایت مکث‌ها و تأکیدها، یکنواخت نبودن لحن. جزئیات فنی مورد انتظار زبان: فارسی (حداقل یک صدای زن و یک صدای مرد) API: REST و WebSocket قابلیت کنترل سرعت، pitch و voice_id استقرار: Docker یا Kubernetes (روی GPU RTX 3090) هندل کردن کاراتر های ورودی و بدون مشکل خواندن اعداد پایداری موارد ترجیحی پشتیبانی از چند صدا یا چند لحن (رسمی، دوستانه و …) امکان استفاده از تگ‌های شبیه SSML برای کنترل مکث و تأکید مقیاس‌پذیری برای تماس‌های همزمان