Gradium richtet sich an Teams, die konversationelle Sprachagenten, Telefonie-Bots und Echtzeit-Übersetzungserlebnisse bauen, bei denen Latenz darüber entscheidet, ob sich ein Produkt natürlich anfühlt. Die Modellpalette deckt den gesamten Kreislauf ab: Text-to-Speech für die Synthese, Speech-to-Text für die Transkription, Live-Übersetzung von Sprache zu Sprache, Instant-Cloning aus einer kurzen Audioprobe, Pro-Cloning für produktionsreife eigene Stimmen und Voice-Design, das allein aus einer Textbeschreibung eine neue Stimme erzeugt.
Die Plattform ist API-first, mit SDKs für Python und Rust, WebSocket-Streaming, semantischer Voice-Activity-Detection, eigenen Wörterbüchern, Unterstützung für Code-Switching und Integrationen wie LiveKit und Pipecat, sodass sie sich in bestehende Agent-Stacks einfügt. Zusätzlich veröffentlicht Gradium mit Phonon ein offenes On-Device-TTS-Modell, das offline laufen kann und damit für datenschutzsensible oder eingebettete Setups interessant ist.
Die Preisgestaltung basiert auf Credits, mit fünf Self-Service-Tarifen und einer Enterprise-Option. Credits entsprechen dem Verbrauch: Text-to-Speech kostet 1 Credit pro Zeichen, Speech-to-Text 3 Credits pro Sekunde, Speech-to-Text-Übersetzung 4 Credits pro Sekunde und Sprache-zu-Sprache-Übersetzung 30 Credits pro Sekunde. Höhere Tarife schalten kommerzielle Nutzung, mehr eigene Stimmen, Pro-Clones und höhere Parallelität frei; Enterprise ergänzt dedizierte Inferenz, On-Premises-Deployment und Optionen wie Baseten- oder SageMaker-Endpunkte.
