StepFun AI udostępniło Step-Audio 2 Mini, model konwersacji głosowej oparty na 8 miliardach parametrów, który – według twórców – przewyższa możliwości komercyjnych systemów, takich jak GPT-4o-Audio.
Read More
Laboratorium AI Microsoftu zaprezentowało MAI-Voice-1 i MAI-1-Preview, dwa nowe modele sztucznej inteligencji, które mają usprawnić syntezę mowy i rozumienie języka naturalnego. To strategiczny krok w kierunku rozwoju własnych, niezależnych rozwiązań AI.
Read More
OpenAI wypuszcza Realtime API i gpt-realtime, swój najbardziej zaawansowany model mowy na mowę, wyprowadzając Realtime API z fazy beta z pakietem funkcji skierowanych do przedsiębiorstw.
Read More
Microsoft udostępnił VibeVoice-1.5B, otwarty model zamiany tekstu na mowę (TTS), który potrafi syntetyzować do 90 minut ciągłej mowy z udziałem czterech różnych mówców. To przełom w dziedzinie sztucznej inteligencji generującej dźwięk.
Read More
Nvidia przedstawia przełomowe rozwiązanie w dziedzinie rozpoznawania mowy – Streaming Sortformer, które błyskawicznie identyfikuje i oznacza uczestników spotkań, rozmów oraz aplikacji głosowych, nawet w hałaśliwym otoczeniu z wieloma mówcami.
Read More
Narzędzia do diaryzacji mówcy, kiedyś domena wąskich zastosowań, dziś stają się kluczowym elementem analizy nagrań w call center, sądownictwie, medycynie i mediach. Rozwój systemów opartych o głębokie sieci neuronowe umożliwia identyfikację mówców w czasie rzeczywistym, nawet w trudnych warunkach akustycznych.
Read More
Meta udostępnia globalnie funkcję tłumaczenia głosowego opartego na sztucznej inteligencji, początkowo dla języka angielskiego i hiszpańskiego, umożliwiając twórcom dotarcie do szerszej publiczności.
Read More
Nvidia prezentuje Granary, największy otwarty zbiór danych mowy dla języków europejskich, oraz dwa zaawansowane modele: Canary-1b-v2 i Parakeet-tdt-0.6b-v3. To przełom w dostępności zasobów wysokiej jakości w dziedzinie rozpoznawania i tłumaczenia mowy, szczególnie dla mniej popularnych języków Europy.
Read More
Lider technologii audio AI, ElevenLabs, zaskoczył branżę, wprowadzając narzędzie do generowania muzyki, które ma być „gotowe do użytku komercyjnego”. Ruch ten otwiera nowy rozdział dla firmy, ale jednocześnie nasila debatę o etyce i legalności wykorzystania dzieł chronionych prawem autorskim w treningu algorytmów.
Read More
Meta finalizuje przejęcie WaveForms, startupu specjalizującego się w generowaniu mowy opartej na AI. Ruch ten umacnia pozycję firmy w rozwijaniu zaawansowanych technologii, zwłaszcza w kontekście nowej jednostki Superintelligence Labs.
Read More