Pereiti prie turinio
2026 m. lapkričio 19 d., ketvirtadienis
Tenesys AI News
Prenumerata

Voice AI

Speech-to-Text, Text-to-Speech, realaus laiko modeliai ir Voice AI agentai.

“Agents” — 11 straipsnių ✕

Voice AI· Svarbu· 🧪 Verta testuoti

AssemblyAI pristatė specializuotą STT modelį balso agentams

AssemblyAI išleido AssemblyAI-STT-3.7-Realtime-Agent – kalbos atpažinimo modelį, optimizuotą specialiai balso agentų veiklai. Jis skirtas spręsti tokias problemas kaip foninis triukšmas pokalbio metu ir svarbių duomenų, pavyzdžiui, skaičių, tikslus fiksavimas sakinio pabaigoje.

AssemblyAI
Voice AI· Svarbu· 🧪 Verta testuoti

AssemblyAI pristato specializuotus STT ir TTS modelius balso agentams

AssemblyAI išleido STT-3.7 modelių šeimą, skirtą įrašytam garsui, pokalbiams realiuoju laiku ir balso agentams. Be to, bendrovė pristatė savo pirmąjį teksto į kalbą (TTS) variklį, optimizuotą greitai ir natūraliai sąveikai pokalbių metu.

AssemblyAI
Voice AI· Svarbu· 🧪 Verta testuoti

„Medical Mode“ atnaujinimas sumažina klaidų transkribuojant vaistų pavadinimus

„AssemblyAI“ pristatė savo „Medical Mode“ funkcijos atnaujinimą, skirtą pagerinti itin svarbių klinikinių terminų, tokių kaip vaistų pavadinimai ir diagnozės, transkripciją. Šis patobulinimas 30 % sumažina praleistų vaistų pavadinimų skaičių anglų kalba ir iki 62 % – ispanų kalba, išlaikant bendrą žodžių klaidų rodiklį.

AssemblyAI
Voice AI· Svarbu· 🧪 Verta testuoti

„Google“ pristatė neprisijungus veikiančius balso atpažinimo ir TTS API

„Google“ išplėtė „AI Edge Gallery“ funkcijas, pridėdama balso atpažinimo (ASR) ir sintezės (TTS) galimybes įrenginiuose. Programuotojai dabar gali integruoti šiuos greitus, neprisijungus veikiančius modelius per „Android“ „ML Kit“ arba „MediaPipe Tasks“, kurie palaiko daugiau nei 100 kalbų ir užtikrina didelį energijos efektyvumą.

Google Developers
Voice AI· Svarbu· 🧪 Verta testuoti

„Audible“ tobulina garsinių knygų sintezę naudodama valdomą TTS

„Audible“ sukūrė valdomą teksto į kalbą (TTS) sistemą, kuri naudoja didelius kalbos modelius (LLM) veikėjų profiliavimui ir dialogų priskyrimui su iki 97% tikslumu. Naudojant natūralios kalbos aprašymus kaip „scenos nurodymus“, sistema užtikrina išskirtinius ir nuoseklius veikėjų balsus viso ilgo formato turinio metu.

Amazon Science
Voice AI· Svarbu· 🧪 Verta testuoti

Amazon Polly generatyvinis TTS variklis sulaukė didelio tikslumo ir balsų atnaujinimo

AWS atnaujino „Amazon Polly“ generatyvinį variklį – kalba tapo natūralesnė, išraiškingesnė ir tikslesnė skaitant skaičius, adresus bei patvirtinimo kodus. Atnaujinime pridėta 14 naujų balsų 9 lokalėse, iš viso dabar yra 57 generatyviniai balsai 11 kalbų ir 25 lokalėse, įskaitant pirmą kartą visuotinai pasiekiamus hindi ir suomių kalbos balsus. Tai „drop-in“ atnaujinimas: balsų pavadinimai, API ir kainodara nesikeičia, todėl esamos programos veikia be pakeitimų.

AWS Machine Learning
Voice AI· Svarbu· 🧪 Verta testuoti

IBM atnaujino „Granite Speech“ liniją: naujas ASR modelis, greitesnė transkripcija ir tikslesnis kalbėtojų atskyrimas

IBM pristatė tris „Granite Speech“ šeimos atnaujinimus: visiškai naują 2B kalbos-kalbos modelį (granite-speech-5.0-2b), patobulintą 470M „Turbo CTC“ modelį, skirtą greičiui, ir patobulintą 4.1-2B-Plus modelį, pritaikytą pokalbiams su keliais kalbėtojais. Kartu jie skirti tikslesnei transkripcijai/vertimui, greitam atpažinimui įrenginyje ir tiksliam kalbėtojų bei laiko žymių nurodymui. Visi trys lieka pagal Apache 2.0 licenciją.

Hugging Face
Voice AI· Svarbu· 🧪 Verta testuoti

Mistral pristatė Voxtral 3: kalbos atpažinimo, sintezės modeliai ir realaus laiko agentų SDK

Mistral AI išleido Voxtral 3 – kalbos atpažinimo ir kalbos sintezės modelių šeimą kartu su SDK, leidžiančiu vienoje realaus laiko grandinėje klausyti, mąstyti, iškviesti įrankius ir kalbėti. Atpažinimo modeliai (Small, Mini ir Realtime Transcribe 3) palaiko 50+ kalbų su kalbėtojų atskyrimu (diarizacija), raktažodžių paryškinimu techniniam žodynui ir mažesne nei 500ms delsa, kuri, anot Mistral, lenkia Whisper, Scribe v2 ir Gemini 3.5 Transcribe jų atliktuose testuose. Kalbos sintezės modelis Mini TTS 3 palaiko 35+ kalbas ir 50+ dialektų su emocijomis, tempu ir akcentavimu, prisitaikančiais prie konteksto, kainuojantis 13 USD už milijoną simbolių, o atskira funkcija Pro Voice gali atkurti žmogaus balsą ir emocinį diapazoną vos iš 30 minučių įrašo. Visi komponentai veikia per Mistral ES talpinamą API arba gali būti diegiami kliento serveriuose.

Mistral AI