Audio

OpenAI rozszerza swoje możliwości w zakresie technologii audio. Gigant branży AI dyskretnie przejął Weights.gg, platformę znaną z narzędzi do imitowania głosów, co sugeruje nowe kierunki w rozwoju głosowych funkcji ChatGPT.

Supertone wprowadza na rynek Supertonic V3 – innowacyjny model Text-To-Speech działający lokalnie, który umożliwia syntezę mowy w 31 językach, w tym po polsku, bez potrzeby łączenia z chmurą i z zachowaniem wysokiej jakości dźwięku na urządzeniach o niskim poborze mocy.

Projekt theHype Radio rzuca wyzwanie tradycyjnym mediom technologicznym, oferując całodobową transmisję napędzaną przez sztuczną inteligencję. Pięciu gospodarzy AI nie tylko relacjonuje wydarzenia, ale analizuje korelacje między GitHubem a rynkiem kapitałowym, dostarczając twórcom technologii kluczowe informacje.

Szwedzki gigant streamingu wprowadza narzędzia CLI, które pozwalają użytkownikom na importowanie spersonalizowanych nagrań audio tworzonych, przez agentów AI, bezpośrednio do aplikacji Spotify.

ElevenLabs, startup z polskimi korzeniami, umacnia swoją pozycję globalnego lidera w technologii syntezy głosu, finalizując rundę inwestycyjną o wartości 500 milionów dolarów. Do grona inwestorów dołączyli giganci tacy jak BlackRock, Wellington, a także gwiazdy Hollywood: Jamie Foxx i Eva Longoria.

Przełomowy model MOSS-Audio, stworzony przez zespół MOSI.AI i Szanghajski Instytut Innowacji, rewolucjonizuje analizę audio. Zamiast łączyć fragmentaryczne rozwiązania, MOSS-Audio traktuje dźwięk jako spójną całość, potrafiąc jednocześnie transkrybować mowę, rozpoznawać emocje i interpretować zdarzenia akustyczne, oferując złożone rozumowanie nad treścią audio wspierane metodologią Chain-of-Thought (CoT).

Algorytmy sztucznej inteligencji stworzyły syntetyczne głosy, które w warunkach wysokiego hałasu okazały się o 20 procent bardziej zrozumiałe niż ludzka mowa, co stawia pod znakiem zapytania rozumienie przez nas naturalnej komunikacji.

Google wprowadza Gemini 3.1 Flash, znacznie ulepszając generowanie głosu. Ten model oferuje deweloperom potężne narzędzie do tworzenia ekspresyjnych i wielojęzycznych narracji, które wyróżniają się konkurencyjną ceną na tle dotychczasowych liderów rynku.

NVIDIA zaprezentowała Audio Flamingo Next (AF-Next), otwarty model AI do analizy dźwięku, który z łatwością przetwarza 30-minutowe nagrania i wyprzedza zamknięte rozwiązania Google, takie jak Gemini 2.5 Pro, w kluczowych benchmarkach. To krok milowy w dziedzinie sztucznej inteligencji multimodalnej, podkreślający dominację modeli AI, które traktują czas jako integralny wymiar danych.