Zespół stojący za sukcesem NotebookLM prezentuje Huxe, aplikację, która przekształca informacje w angażujące podcasty, otwierając nowy rozdział w konsumpcji treści.
Read More
Xiaomi wprowadza na rynek MiMo-Audio, model językowy mowy o parametrach 7B, przeszkolony na ponad 100 milionach godzin nagrań audio. Model ten, wykorzystujący unikalne tokeny dyskretne o wysokiej wierności, stanowi znaczący krok naprzód w dziedzinie sztucznej inteligencji mowy.
Read More
Nowy model od Stability, Stable Audio 2.5, w kilka sekund generuje utwory, edytuje dźwięk i umożliwia tworzenie muzyki na potrzeby biznesu.
Read More
Zespół z UT Austin i ServiceNow Research prezentuje AU-Harness – otwarte narzędzie do wszechstronnej oceny modeli językowych opartych na dźwięku (LALM), wypełniając lukę w standardach testowania sztucznej inteligencji głosowej.
Read More
Kalifornijski startup TwinMind prezentuje Ear-3, model rozpoznawania mowy AI, który ma szansę zrewolucjonizować rynek dyktowania dzięki rekordowej dokładności, precyzyjnemu rozróżnianiu mówców, obsłudze ponad 140 języków i konkurencyjnej cenie.
Read More
Izraelski startup Deepdub wprowadza na rynek Lightning 2.5, nową wersję swojego modelu głosowego AI, który obiecuje 2.8-krotny wzrost przepustowości i 5-krotną poprawę efektywności wykorzystania zasobów obliczeniowych. To krok milowy w kierunku powszechnego zastosowania AI w interakcjach głosowych.
Read More
Allen Institute for AI (AI2) udostępnił OLMoASR, zestaw otwartych modeli automatycznego rozpoznawania mowy (ASR), które konkurują z systemami zamkniętymi, takimi jak Whisper od OpenAI. Obok udostępnienia wag modelu, AI2 opublikował identyfikatory danych treningowych, kroki filtrowania, przepisy treningowe i skrypty benchmarkowe – co jest wyjątkowo transparentnym posunięciem w dziedzinie ASR.
Read More
Przekonaj się, jak SpeechBrain upraszcza tworzenie potoków przetwarzania mowy, od usuwania szumów po transkrypcję, w zaledwie kilku liniach kodu. Artykuł prezentuje praktyczne zastosowanie tej biblioteki open-source w realnych scenariuszach.
Read More
Zespół Alibaba Qwen wprowadza na rynek Qwen3-ASR Flash, nowy model rozpoznawania mowy, bazujący na architekturze Qwen3-Omni, który oferuje wszechstronną transkrypcję w wielu językach, nawet w trudnych warunkach akustycznych.
Read More
Badanie Uniwersytetu Pensylwanii ujawnia, że modele AI, mimo postępów, wciąż nie potrafią wiernie odtworzyć intonacji i akcentów typowych dla ludzkiej mowy, co wpływa na naturalność i zrozumiałość generowanych komunikatów.
Read More