Audio

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.

Nowa platforma Rebel Audio, wspierana przez weteranów branży i 3,8 miliona dolarów finansowania, obiecuje uproszczenie procesu tworzenia podcastów, oferując zintegrowany ekosystem oparty na sztucznej inteligencji.

HypeScribe to nowe narzędzie, które ma zrewolucjonizować pracę z nagraniami audio, integrując najnowsze modele językowe. Oferuje nie tylko błyskawiczną transkrypcję, ale również zaawansowaną analizę treści i interaktywny czat z przetworzonym materiałem.

Model TADA od Hume AI ustanawia nowe standardy w generowaniu mowy, działając pięciokrotnie szybciej niż konkurencyjne rozwiązania i skutecznie eliminując błędy w transkrypcji.

W kodzie platformy AI Studio odkryto ślady nowej funkcji Voice Cloning, która sugeruje, że nadchodząca generacja modeli Google pozwoli na tworzenie cyfrowych replik głosu użytkownika przy minimalnym nakładzie pracy.

Badacze z FlashLabs zaprezentowali model Chroma 1.0 – pierwszy otwartoźródłowy system dialogowy typu end-to-end, który eliminuje tradycyjny podział na rozpoznawanie mowy i syntezę tekstu, oferując niemal natychmiastowe klonowanie głosu w czasie rzeczywistym.