Hume AI prezentuje Octave 2: Nowa generacja syntezy mowy AI

Hume AI, firma specjalizująca się w technologiach AI, zaprezentowała Octave 2, swoją najnowszą generację modelu głosowego AI przeznaczonego do konwersji tekstu na mowę. Model jest już dostępny w wersji publicznej na platformie firmy i poprzez API.

Według Hume AI, Octave 2 charakteryzuje się wyjątkowo krótkim czasem reakcji, poniżej 200 milisekund. Obsługuje 11 języków, w tym arabski, angielski, francuski, niemiecki, hindi, włoski, japoński, koreański, portugalski, rosyjski i hiszpański. Firma celuje w deweloperów, przedsiębiorstwa i twórców poszukujących zaawansowanych rozwiązań w dziedzinie syntezy mowy.

W porównaniu do swojego poprzednika, Octave 2 jest o 40% szybszy i bardziej efektywny kosztowo – jego cena jest o połowę niższa niż Octave 1. Został zoptymalizowany pod kątem zaawansowanego sprzętu do wnioskowania dzięki współpracy z firmą Sambanova.

Edycja głosu i fonemów

Octave 2 wprowadza funkcje konwersji głosu i bezpośredniej edycji fonemów, umożliwiając użytkownikom zmianę barwy głosu lub precyzyjne dostrajanie wymowy, timingu i akcentu. Te funkcje otwierają nowe możliwości w dubbingu, rozrywce i tworzeniu niuansowanych wersji lektorskich, z zaawansowanym wsparciem dla rzadkich słów, powtórzeń, liczb i symboli. Choć podstawowe funkcje są już dostępne, konwersja głosu i edycja fonemów mają zostać udostępnione wkrótce.

EVI 4 mini

Równocześnie zaprezentowano EVI 4 mini, który wykorzystuje Octave 2 do zadań związanych z konwersją mowy na mowę, jednak wymaga on połączenia z zewnętrznym LLM (Large Language Model) dla pełnej generacji językowej.

Hume AI koncentruje się na integracji niuansowanej ekspresji wokalnej z modelami AI, przesuwając granice realistycznej syntezy głosu. Wczesne reakcje branży wskazują na znaczący postęp techniczny Octave 2 w zakresie szybkości i obsługi wielu języków, co umacnia pozycję Hume AI jako poważnego gracza na rynku voice AI.