Resemble AI udostępniło Chatterbox Multilingual, otwarty model Text-To-Speech (TTS), który umożliwia klonowanie głosu w 23 językach. Model wyróżnia się kontrolą ekspresji emocjonalnej i wbudowanym systemem znakowania wodnego.
Read More
Sztuczna inteligencja głosowa (Voice AI) wkracza w nową erę, osiągając poziom naturalności i adaptacji, który jeszcze dekadę temu wydawał się nierealny. Dzięki przełomowym osiągnięciom w rozpoznawaniu mowy, rozumieniu języka naturalnego i integracji multimodalnej, Voice AI staje się kluczowym interfejsem interakcji człowiek-maszyna.
Read More
Google testuje nowe funkcje audio w NotebookLM, w tym formaty „Brief”, „Critique” i „Debate”, oferując użytkownikom różnorodne sposoby interakcji z treścią. Wprowadzone zostaną także nowe głosy męskie i żeńskie.
Read More
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