Google wprowadził Speech-to-Retrieval (S2R) — podejście, które mapuje zapytanie mówione bezpośrednio na wektor i wyszukuje treści pomijając etap transkrypcji. To przesunięcie architektoniczne redukuje błąd kaskadowy ASR→retrieval, ale otwiera nowe wyzwania operacyjne i prywatności.
Read More
Grupa badawcza z Hugging Face, Nvidia i Mistral AI uruchomiła Open ASR Leaderboard – otwartą platformę do oceny systemów rozpoznawania mowy. Pierwsze wyniki z testów ponad 60 modeli pokazują wyraźny kompromis między dokładnością a szybkością transkrypcji oraz niespodziewane różnice w wydajności między rozwiązaniami open-source a komercyjnymi.
Read More
ElevenLabs uruchomiło Productions — usługę łączącą generowanie mowy przez AI z ręczną edycją i korektą ekspertów językowych, adresowaną do twórców, firm medialnych i producentów szukających tańszej alternatywy dla tradycyjnych studiów dźwiękowych.
Read More
Hume AI wprowadza na rynek Octave 2, ulepszony model AI do syntezy mowy, obiecujący szybkość, wielojęzyczność i nowe możliwości edycji głosu. Czy to przełom w branży voice AI?
Read More
Nowe narzędzie open-source łączy transkrypcję, precyzyjne znaczniki czasowe i analizę dźwięku w jednym, wydajnym systemie.
Read More
Hume AI przygotowuje się do wprowadzenia na rynek Octave 2 Multilingual, model syntezy mowy, który oferuje niskie opóźnienia i obsługę ponad 10 języków. Czy to przełom w dziedzinie tłumaczeń w czasie rzeczywistym i interakcji głosowych?
Read More
Startup Liquid AI wprowadza na rynek LFM2-Audio-1.5B, kompaktowy model fundamentowy audio-językowy, który rozumie i generuje mowę oraz tekst za pomocą pojedynczego, kompleksowego stosu. Obiecuje on niskie opóźnienia i działanie w czasie rzeczywistym, nawet na urządzeniach o ograniczonych zasobach.
Read More
Norweski startup Hance opracował niezwykle małe i wydajne oprogramowanie do przetwarzania dźwięku oparte na sztucznej inteligencji. Ich rozwiązanie, ważące zaledwie 242 kB, znalazło już zastosowanie w Formule 1 i współpracuje z Intelem.
Read More
Badania wskazują, że sztuczna inteligencja osiągnęła punkt, w którym generowane przez nią głosy są niemal nieodróżnialne od ludzkich, co rodzi pytania o etykę i bezpieczeństwo.
Read More
Spotify ogłosiło zmiany w polityce dotyczące sztucznej inteligencji, obejmujące oznaczanie muzyki generowanej przez AI, filtrowanie spamu i zakaz nieautoryzowanych klonów głosowych. Platforma zamierza wprowadzić standard DDEX i nowe filtry antyspamowe.
Read More