Sarvam bringt Bulbul V4 Flash für Sprachausgabe in indischen Sprachen

Sarvam bringt Bulbul V4 Flash mit unter 250 Millisekunden bis zum ersten Audio

Der indische KI-Anbieter Sarvam hat am 13. Oktober 2026 Bulbul V4 Flash vorgestellt, ein Modell für Sprachsynthese in Echtzeit in indischen Sprachen. Laut Sarvam ist es aus einem größeren V4-Forschungsmodell destilliert. Das soll Inferenzkosten und Latenz senken, vor allem dann, wenn Voice-Agenten viele Anrufe gleichzeitig bedienen. Vorgesehen sind Voice-Agenten, IVR und Telefonie, etwa für Kundensupport, Banking-Anrufe, Zahlungserinnerungen und Vertrieb.

Das erste Audio soll nach Sarvams Angabe in unter 250 Millisekunden eintreffen. Bei hoher Last sei Flash außerdem bis zu 40 Prozent schneller als V3. Die Zahl stammt aus der Ankündigung des Unternehmens, wie sie AlphaSignal wiedergibt. Das vorliegende Material sagt nicht, wie gemessen wurde. Eine Primärquelle mit den Launch-Zahlen, etwa ein Blogbeitrag oder eine Modellkarte, liegt nicht vor. Unabhängig bestätigt ist keine der Geschwindigkeitsangaben.

Zugang gibt es über die Sarvam-API, den Playground und Content Studio.

Persona-Stimmen, neue Textnormalisierung, ein Drittel weniger Preis

Gegenüber V3 ändert sich der Stimmkatalog. Kurznamen wie shubh entfallen, Flash verwendet Sprecher-IDs im Format voice_language_style. Neu ist die Textnormalisierung. Sie soll PAN, Aadhaar, PNR, Währungsbeträge und Akronyme so lesen, wie ein Mensch sie spricht, und Hinglish verarbeiten. Sarvam wirbt damit, Sprachen nicht nur zu sprechen, sondern „so, wie Indien sie spricht“. Das ist eine Herstellerangabe. Unabhängige Hörtests oder Nutzerstudien im Vergleich mit V3 oder anderen Modellen liegen bisher nicht vor.

Der Preis liegt bei Rs. 20 pro 10.000 Zeichen. Nach Berichten ist das ein Drittel weniger als bei V3. Bis zum 12. November 2026 gilt ein Angebot von 50 Prozent, also Rs. 10. Wer danach einsteigt, sollte den dann gültigen Satz in der Konsole prüfen.

Flash läuft über HTTP-Streaming, als einzelne REST-Antwort oder über WebSocket. Wartet ein Hörer auf das erste Wort, empfiehlt die Dokumentation Streaming oder WebSocket. Der REST-Endpunkt liefert erst, wenn der gesamte Clip fertig ist. Das wird als Stille wahrgenommen. REST ist für die Offline-Erzeugung gedacht sowie für 32, 44,1 oder 48 kHz.

Umstieg von V3: gleicher API-Vertrag, Frist am 10. November für Voice Agents

Für Bestandskunden bleibt der Aufwand gering. Flash nutzt denselben Request-/Response-Vertrag wie bulbul:v3. Der Wechsel erfolgt über die Modellauswahl mit model="bulbul:v4-flash". Lässt man model weg, bleibt V3 der API-Standard. V3 bietet außerdem 30+ klassische Sprechernamen und bis zu 2500 Zeichen pro Anfrage.

Eine Frist gilt nur für die verwaltete Plattform Voice Agents (ab Rs. 3 pro Minute, 11 Sprachen). Dort erreicht V3 am 10. November 2026 das Lebensende, Agenten sollen bis dahin auf V4 umgestellt werden. Auf der Text-to-Speech-API bleibt V3 verfügbar. Wer seine Stimme behalten will, muss den neuen V4-Namen nachschlagen, denn die Stimmnamen ändern sich.

Widersprüchliche Angaben: Malayalam und Odia fehlen, Stimmenzahl unklar

Bei den Sprachen passen die Quellen nicht zusammen. Berichte nennen 11 Sprachen. Die Dokumentation listet für Flash dagegen Hindi, Englisch, Englisch-Hindi (enhi), Bengalisch, Gujarati, Kannada, Marathi, Punjabi, Tamil und Telugu. Malayalam und Odia sind noch nicht verfügbar. V3 deckt 11 Sprachen ab. Nutzer von Malayalam und Odia bleiben vorerst bei V3. Woher die Differenz kommt, lässt sich ohne Launch-Primärquelle nicht klären.

Auch bei den Stimmen weichen die Angaben ab. Die Ankündigung nennt 83 Stimmen und 224 Stimm-Stil-Kombinationen, die Dokumentation spricht von „200+ Persona-Stimmen“. Wie gezählt wurde, ist nicht geklärt.