Audio

Google po cichu wprowadziło do App Store narzędzie AI Edge Eloquent, które zmienia reguły gry w zarządzaniu notatkami głosowymi. Aplikacja, działając lokalnie, oferuje niewiarygodną prywatność i szybkość, jednocześnie eliminując zbędne powtórzenia i „yyy” z Twoich wypowiedzi.

Google bez rozgłosu udostępniło narzędzie Google AI Edge Eloquent. Aplikacja wykorzystuje modele Gemma do precyzyjnej transkrypcji na urządzeniu, eliminując pauzy i błędy językowe w czasie rzeczywistym.

Microsoft udostępnia trzy autorskie modele MAI w ramach platformy Foundry. Wśród nowości znalazł się lider benchmarków transkrypcji oraz narzędzia do błyskawicznej syntezy mowy i fotorealistycznego generowania obrazów, oferując zewnętrznym programistom dostęp do zaawansowanych możliwości AI.

Microsoft zaprezentował model MAI-Transcribe-1, który deklasuje konkurencję w benchmarku FLEURS, łącząc wysoką wydajność z drastyczną redukcją kosztów i czasu przetwarzania mowy na tekst.

Kanadyjski startup Cohere zaprezentował model Transcribe, który przełamuje dotychczasowy układ sił w technologii rozpoznawania mowy. Nowe narzędzie wyprzedziło flagowe rozwiązania od OpenAI i ElevenLabs, łącząc rekordową precyzję z bezprecedensową szybkością przetwarzania, a przy tym jest dostępne jako open-source.

Model Voxtral, najnowsze osiągnięcie francuskiego startupu Mistral AI, wprowadza innowacyjne rozwiązanie w syntezie mowy. Potrafi generować naturalne wypowiedzi w dziewięciu językach oraz błyskawicznie adaptować barwę głosu na podstawie zaledwie trzyskundowej próbki audio.

Google zaprezentowało Gemini 2.1 Flash Live – model głosowy, który może zredefiniować komunikację z cyfrowymi asystentami. Nowa architektura od Google nie tylko przyspiesza reakcje, ale przede wszystkim wprowadza niespotykany dotąd poziom naturalności.

Kanadyjski jednorożec AI, Cohere, wchodzi w rynek rozpoznawania mowy z nowym, otwartoźródłowym modelem Transcribe. Jego lekka architektura i wysoka wydajność mają zrewolucjonizować rynek notatek głosowych i analizy audio w przedsiębiorstwach.

Model Voxtral TTS od Mistral AI to wielojęzyczny generator mowy o otwartej architekturze, który działa lokalnie na urządzeniach, zapewniając niskie opóźnienia i wysoką jakość dźwięku. Ma szansę zrewolucjonizować rynek syntezy mowy, stając się konkurencją dla gigantów tej branży.

Pomimo dynamicznego rozwoju multimodalnych modeli sztucznej inteligencji, metody ich ewaluacji pozostawały w tyle. AU-Harness to otwarte narzędzie, które ma uporządkować i przyspieszyć proces testowania systemów rozumiejących dźwięk, oferując precyzyjną ocenę w ponad 20 kategoriach zadań.