Технологии
Синтез речи, диалоги в реальном времени, генерация музыки и понимание аудио.
9 важных материаловЗа 30 дней: 5Всего собрано: 17
Hugging Face представил Phonon, модель текст-в-речь, работающую на устройствах без необходимости в сети. Модель доступна в двух версиях и поддерживает пять языков。
Почему это важно: Описание условий доступа помогает оценить влияние функции на рабочие процессы.
Cartesia представила модели Sonic и Ink для текст-в-речь и речь-в-текст с задержкой менее 100 мс。
Почему это важно: Описание применения моделей Cartesia в реальном времени помогает понять их преимущества для разработки голосовых AI-приложений.
Hugging Face анонсировала два пакета: AnySpeechRecognizer для распознавания речи с поддержкой нескольких движков и AnyDecisionModel для принятия решений с вероятностными результатами. Оба пакета доступны для загрузки и использования на устройствах Apple.
Почему это важно: Описание новых моделей помогает разработчикам интегрировать функции распознавания речи и принятия решений в приложения на платформах Apple.
Amazon Polly обновил свой генеративный движок, добавив 14 новых голосов и поддержку хинди и финского языков. Обновление доступно без изменений в существующих приложениях и улучшает качество синтезируемой речи.
Почему это важно: Обновление Amazon Polly улучшает качество синтезируемой речи и добавляет новые языковые возможности.
Mistral AI выпустила Voxtral 3, который включает SDK для голосовых агентов и модели для обработки речи на более чем 50 языках, обеспечивая высокую точность и естественность взаимодействия.
Почему это важно: Описание возможностей и условий доступа помогает понять, как Voxtral 3 может улучшить взаимодействие с клиентами.
Hugging Face представила Falcon ASR, модель распознавания речи на арабском с 1.6 миллиарда параметров。
Почему это важно: Описание характеристик модели помогает оценить её производительность в различных языковых контекстах.
Hugging Face представил Open TTS Leaderboard — платформу для масштабной оценки открытых многоязычных моделей синтеза речи и клонирования голоса. В отличие от традиционных рейтинговых арен。
Почему это важно: Представлены объективные метрики и инструменты для сравнения моделей, что ускоряет оценку их производительности.
Команда Gemini Audio представила две новые модели синтеза речи Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS。
Почему это важно: Описаны новые возможности генерации речи и условия доступа, что помогает оценить влияние на рабочие процессы.
Google DeepMind представила модели Gemini 3.8 Live и 3.8 Live Extended Thinking。
Почему это важно: Описание новых моделей помогает понять их возможности и применение в голосовых интерфейсах.