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
Tradycyjne metody poprawy jakości mowy ustępują miejsca innowacyjnym podejściom bazującym na wstępnie wytrenowanych modelach. Badacze z MiLM Plus i Xiaomi Inc. zaprezentowali lekką i adaptowalną metodę, która może zrewolucjonizować ten obszar.
Read More
Formuła E, we współpracy z Google Cloud, wprowadza nowatorskie rozwiązania bazujące na sztucznej inteligencji, aby stworzyć wielojęzyczne raporty audio z wyścigów. Celem jest zwiększenie dostępności emocjonującego świata motorsportu dla osób niewidomych i niedowidzących, otwierając nowy rozdział w inkluzywności sportowej.
Read More
NVIDIA wprowadza Audio Flamingo 3 (AF3), otwarty model, który redefiniuje sposób, w jaki maszyny przetwarzają i rozumieją dźwięk. AF3 stanowi znaczący krok w kierunku ogólnej inteligencji słuchowej, umożliwiając sztucznej inteligencji interpretowanie audio w sposób zbliżony do ludzkiego, obejmujący mowę, dźwięki otoczenia i muzykę.
Read More
Mistral AI wprowadza Voxtral, nową rodzinę modeli otwartych, które integrują automatyczne rozpoznawanie mowy z przetwarzaniem języka naturalnego, oferując elastyczne rozwiązania dla transkrypcji, podsumowań i sterowania głosowego.
Read More
Tradycyjne metody wzmacniania mowy ustępują miejsca innowacyjnym podejściom opartym na modelach generatywnych, które rewolucjonizują jakość dźwięku i adaptacyjność systemów. Badacze z MiLM Plus i Xiaomi Inc. prezentują lekką i efektywną architekturę, która może zmienić postrzeganie czystości i wierności nagrań.
Read More
Francuski startup Mistral zaprezentował Voxtral – swoją pierwszą rodzinę otwartych modeli AI dedykowanych przetwarzaniu mowy. Inicjatywa ta ma na celu dostarczenie firmom przystępnej cenowo alternatywy dla komercyjnych rozwiązań, zacierając granicę między jakością a otwartością w dziedzinie sztucznej inteligencji.
Read More
Kyutai, laboratorium badawcze AI, zaprezentowało przełomowy model syntezy mowy (TTS) o około 2 miliardach parametrów, charakteryzujący się ekstremalnie niskimi opóźnieniami i dostępnością na otwartej licencji. Tworzy to nowe perspektywy dla aplikacji AI działających w czasie rzeczywistym.
Read More