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
Sejin Park z KAIST opracowała SpeechSSM, przełomowy model językowy umożliwiający generowanie naturalnej mowy bez ograniczeń czasowych, otwierając drogę do całodobowych asystentów głosowych i długich treści audio.
Read More
Meta, dążąc do rozszerzenia swoich możliwości w zakresie sztucznej inteligencji skierowanych do konsumentów, prowadzi negocjacje w sprawie potencjalnego przejęcia Play AI, startupu specjalizującego się w klonowaniu głosu. Transakcja miałaby na celu włączenie technologii Play AI i pozyskanie części jej zespołu inżynierów, co znacząco wzmocniłoby ofertę audio w ekosystemie AI firmy Meta.
Read More
ElevenLabs rozszerza swoje portfolio o 11ai, głosowego asystenta AI, który ma ambicję wykraczać poza proste konwersacje, aktywnie uczestnicząc w cyfrowych przepływach pracy. System opiera się na protokole MCP i oferuje integrację z popularnymi narzędziami, rzucając wyzwanie dotychczasowym ograniczeniom asystentów głosowych.
Read More
Google wprowadza Magenta RealTime, otwarty model sztucznej inteligencji, który umożliwia generowanie muzyki na żywo w oparciu o tekst lub dźwięk. To krok w kierunku demokratyzacji tworzenia muzyki wspomaganej AI, choć z pewnymi ograniczeniami.
Read More
Resemble AI wprowadza Chatterbox, otwartoźródłowy model klonowania głosu, obiecujący kontrolę nad emocjami i błyskawiczną reakcję. Czy to faktycznie przełom, czy tylko umiejętnie zapakowany produkt?
Read More