Przejdź do treści
czwartek, 19 listopada 2026
Tenesys AI News
Subskrypcja

Voice AI

Speech-to-Text, Text-to-Speech, modele czasu rzeczywistego i agenci Voice AI.

“Agents” — 17 artykułów ✕

Voice AI· Ważne· 🧪 Warte przetestowania

Aktualizacja Medical Mode ogranicza błędy w transkrypcji nazw leków

Firma AssemblyAI udostępniła aktualizację funkcji Medical Mode, zaprojektowaną w celu poprawy transkrypcji kluczowych terminów klinicznych, takich jak leki czy diagnozy. Aktualizacja ta redukuje liczbę błędów w nazwach leków o 30% w języku angielskim i do 62% w języku hiszpańskim, przy zachowaniu dotychczasowego poziomu wskaźnika błędów słownych (WER).

AssemblyAI
Voice AI· Ważne· 🧪 Warte przetestowania

Google wprowadza API do rozpoznawania mowy i TTS działające offline na urządzeniach

Google rozszerzyło swoją bibliotekę AI Edge o nowe możliwości rozpoznawania (ASR) i syntezy mowy (TTS) działające bezpośrednio na urządzeniu, bez konieczności połączenia z internetem. Deweloperzy mogą teraz integrować te wydajne modele za pomocą ML Kit dla Androida lub wieloplatformowego MediaPipe, wspierając ponad 100 języków przy wysokiej efektywności energetycznej.

Google Developers
Voice AI· Ważne· 🧪 Warte przetestowania

Cartesia wprowadza modele głosowe oparte na SSM na AWS z opóźnieniem poniżej 100 ms

Firma Cartesia wprowadziła dwa modele do zastosowań głosowych: Sonic (zamiana tekstu na mowę) oraz Ink (zamiana mowy na tekst). Zbudowane w oparciu o architekturę State Space Model (SSM), modele te zostały zaprojektowane z myślą o ultra-niskich opóźnieniach i wydajności w czasie rzeczywistym, co jest kluczowe dla profesjonalnych agentów głosowych.

AWS Machine Learning
Voice AI· Ważne· 🧪 Warte przetestowania

Audible usprawnia syntezę audiobooków dzięki sterowalnemu TTS

Audible opracowało potok syntezy mowy (TTS), który wykorzystuje duże modele językowe (LLM) do profilowania postaci i przypisywania dialogów z dokładnością do 97%. Dzięki stosowaniu „wskazówek scenicznych” w formie opisów tekstowych, system zapewnia wyraźne i spójne głosy postaci w długich treściach audio.

Amazon Science
Voice AI· Ważne· 🧪 Warte przetestowania

Amazon Polly – duża aktualizacja silnika generatywnego TTS pod kątem dokładności i głosów

AWS zaktualizował silnik generatywny Amazon Polly, zapewniając bardziej naturalną, ekspresyjną mowę oraz lepszą dokładność odczytu liczb, adresów i kodów potwierdzeń. Aktualizacja dodaje 14 nowych głosów w 9 lokalizacjach, zwiększając łączną liczbę do 57 głosów generatywnych w 11 językach i 25 lokalizacjach, w tym po raz pierwszy ogólnie dostępne głosy w języku hindi i fińskim. To aktualizacja typu drop-in: nazwy głosów, API i ceny pozostają bez zmian, więc istniejące aplikacje działają bez modyfikacji.

AWS Machine Learning
Voice AI· Ważne· 🧪 Warte przetestowania

IBM odświeża rodzinę Granite Speech: nowy model ASR, szybsza transkrypcja i dokładniejsze przypisywanie mówców

IBM wprowadził trzy aktualizacje rodziny Granite Speech: zupełnie nowy model mowa-język na 2B parametrów (granite-speech-5.0-2b), ulepszony model Turbo CTC na 470M parametrów nastawiony na szybkość oraz poprawiony model 4.1-2B-Plus dostosowany do nagrań z wieloma mówcami. Razem odpowiadają za wysoką dokładność transkrypcji/tłumaczenia, szybkie rozpoznawanie na urządzeniu oraz dokładne etykietowanie mówców i znaczników czasu. Wszystkie trzy pozostają na licencji Apache 2.0.

Hugging Face
Voice AI· Ważne· 🧪 Warte przetestowania

Mistral wprowadza Voxtral 3: modele mowy i SDK agentów działający w czasie rzeczywistym

Mistral AI wydał Voxtral 3 – zestaw modeli rozpoznawania i syntezy mowy wraz z SDK, który w jednym potoku czasu rzeczywistego potrafi słuchać, wnioskować, wywoływać narzędzia i odpowiadać głosem. Modele rozpoznawania (Small, Mini i Realtime Transcribe 3) obsługują ponad 50 języków z rozróżnianiem mówców (diaryzacja), wzmacnianiem słów kluczowych dla słownictwa technicznego oraz opóźnieniem transkrypcji poniżej 500 ms, co według Mistral przewyższa Whisper, Scribe v2 i Gemini 3.5 Transcribe w ich testach. Model syntezy mowy Mini TTS 3 obsługuje ponad 35 języków i 50 dialektów z emocjami, tempem i akcentowaniem dostosowującymi się do kontekstu, w cenie 13 USD za milion znaków, a osobna funkcja Pro Voice potrafi odtworzyć głos i zakres emocjonalny osoby na podstawie zaledwie 30 minut nagrania. Wszystkie komponenty działają przez hostowane w UE API Mistral lub mogą być wdrożone na serwerach klienta.

Mistral AI
Voice AI· Ważne· 🧪 Warte przetestowania

OpenAI udostępnia tworzenie niestandardowych głosów wszystkim użytkownikom API GPT-Live

OpenAI udostępniło funkcję prompt-to-voice wszystkim klientom API GPT-Live, umożliwiając zaprojektowanie głosu poprzez opisanie go tekstem — przez API lub w Playgroundzie głosów — a następnie wykorzystanie go w sesjach live. Zaprojektowanie głosu jest bezpłatne, natomiast samo generowanie mowy nadal rozliczane jest według standardowych stawek sesji GPT-Live. Jednocześnie do platformy dodano dziewięć nowych wbudowanych głosów w językach niemieckim, francuskim, hindi, japońskim i koreańskim.

OpenAI API Changelog
Voice AI· Ważne· 🧪 Warte przetestowania

Model Flux STT od Deepgram ograniczył niechciane przerywanie rozmów przez awatary Anam o ok. 50%

Anam, firma tworząca fotorealistyczne interaktywne awatary, przeszła na model mowy-na-tekst (STT) Flux od Deepgram, aby rozwiązać problemy z naturalnym przechodzeniem tury wypowiedzi w nieoskryptowanych rozmowach w czasie rzeczywistym. W testach A/B wobec samodzielnie hostowanego rozwiązania open-source Flux zredukował niechciane przerwania awatara o ok. 50%, bez wzrostu opóźnienia, a skargi dotyczące płynności rozmów w sesjach anglojęzycznych spadły niemal do zera. Anam wdrożyło Flux samodzielnie na własnej infrastrukturze Kubernetes/H100, obejmując nim 100% użytkowników 'turnkey' po dwóch tygodniach wdrożenia własnego (w porównaniu z kilkoma dniami dla wersji hostowanej przez Deepgram).

Deepgram
Voice AI· 🧪 Warte przetestowania

Mały, dostrojony model uczy się nowych regulowanych scenariuszy rozmów bez ponownego treningu

Badacze opisują system FlowSpec, który zamienia prawną procedurę rozmowy wierzyciela na instrukcje odczytywalne maszynowo, ograniczenia narzędzi, sygnały treningowe i testy dla agenta głosowego. Model o 9 miliardach parametrów został dostrojony na nagraniach rozmów obejmujących niemal 300 losowo wygenerowanych procedur, a następnie przetestowany na czterech procedurach, których nigdy wcześniej nie widział, w tym jednej całkowicie odrębnej rodzinie scenariuszy, aby sprawdzić, czy zachowanie zgodności się przenosi.

arXiv cs.CL
Voice AI· Ważne· 🧪 Warte przetestowania

xAI aktualizuje Grok Voice do wersji 3.0 bez podwyżki ceny

xAI wprowadziło Grok Voice 3.0, najnowszy model speech-to-speech, bez zmiany ceny względem poprzedniej wersji Grok Voice 2.0. Deweloperzy korzystający z aliasu grok-voice-latest automatycznie otrzymują nowy model bez zmian w kodzie. Samo API pozostaje bez zmian.

xAI API Release Notes
Voice AI· Ważne· 🧪 Warte przetestowania

Mistral wydaje open-source'owy model rozpoznawania mowy arabskiej w czasie rzeczywistym Voxtral Mini 4B Realtime Arabic

Mistral AI wydał Voxtral Mini 4B Realtime Arabic — strumieniowy model rozpoznawania mowy (STT) dostrojony do dialektów arabskich, standardowego arabskiego oraz przełączania kodów językowych podczas rozmowy. Model z 4,4 mld parametrów przetwarza dźwięk 16 kHz w czasie rzeczywistym z konfigurowalnym opóźnieniem transkrypcji, osiągając przy opóźnieniu 480 ms średni wskaźnik błędów znakowych (CER) 8,82% w siedmiu testach dla języka arabskiego — blisko wyniku 7,91% CER offline'owego modelu Voxtral Transcribe Arabic. Model powstał we współpracy z marokańskim ministerstwem transformacji cyfrowej w ramach suwerennego partnerstwa AI i jest wydany na licencji Apache 2.0.

Mistral AI (Hugging Face)
Voice AI· Ważne· 🧪 Warte przetestowania

Deepgram rozszerza medyczne rozpoznawanie mowy na 10 języków

Deepgram rozszerzył swój wyspecjalizowany model mowy medycznej, Nova-3 Medical, z obsługi wyłącznie języka angielskiego do 10 języków, w tym hiszpańskiego, niemieckiego, hindi, japońskiego i rosyjskiego, z automatycznym przełączaniem języków zarówno w trybie wsadowym, jak i strumieniowym. W teście na 115 godzinach starannie dobranego nagrania medycznego wielojęzyczny model medyczny zmniejszył wskaźnik błędów słów o 25-30%, a wskaźnik błędów encji (leki, dawki, diagnozy) o 37-40% w porównaniu z ogólnym wielojęzycznym modelem Deepgram. Pokonał również konkurencyjne modele ElevenLabs i Microsoft pod względem średniego wskaźnika błędów słów we wszystkich 10 językach.

Deepgram
Voice AI· Ważne· 🧪 Warte przetestowania

AssemblyAI wprowadza Sync API: pełna transkrypcja w jednym wywołaniu HTTP, opóźnienie ~134ms

AssemblyAI zaprezentowało Sync API — nowy sposób transkrypcji krótkich nagrań audio: jedno żądanie HTTP POST zwraca gotową transkrypcję Universal-3.5 Pro w tej samej odpowiedzi, przy medianie opóźnienia ok. 134ms. Wypełnia to lukę między Async API (wysyłka i odpytywanie, dodające 5-6 sekund opóźnienia) a Realtime API (WebSocket, przeznaczone do ciągłych sesji), odpowiadając na potrzeby takie jak dyktowanie, transkrypcja tur rozmowy w agentach głosowych, IVR i push-to-talk. Obsługiwane są nagrania od 80ms do 2 minut, do 40MB, z poziomem błędów 1,59% dla krótkich nagrań. Cena wynosi 0,45 USD/godz., tyle samo co Universal-3.5 Pro Realtime.

AssemblyAI
Voice AI· Ważne· 🧪 Warte przetestowania

AssemblyAI dodaje Qwen3.5 4B do LLM Gateway dla szybkiego przepisywania transkrypcji głosowych

AssemblyAI uruchomił hostowane wdrożenie open-source'owego modelu Qwen3.5 4B w swoim LLM Gateway, zoptymalizowane specjalnie do przepisywania surowej wyjściowej transkrypcji mowy na tekst na czysty, sformatowany tekst. W zadaniach przepisywania głosowego, takich jak czyszczenie dyktowania i formatowanie transkrypcji, model osiągał średni czas odpowiedzi 612ms — 1,9x szybciej niż GPT-4.1 — przy 94% niższym koszcie na godzinę przetworzonego audio. Cena modelu to $0.10/$0.50 za milion tokenów (prompt/odpowiedź), wspierane są tylko parametry max_tokens, temperature i stream, bez wywoływania narzędzi.

AssemblyAI
Voice AI· Ważne· 🧪 Warte przetestowania

NVIDIA publikuje przepis na fine-tuning rozpoznawania mowy dla konkretnych dialektów z Nemotron

NVIDIA opublikowała szczegółowy workflow do fine-tuningu swojego wielojęzycznego, strumieniowego modelu Nemotron 3.5 ASR na saudyjskich dialektach arabskich (nadżdyjskim i hidżaskim). Przy minimalnej kuracji danych, mieszaniu replay z danymi FLEURS, bucketingu opartym na czasie trwania oraz częściowym odmrażaniu enkodera, zmniejszono wskaźnik błędu słów (WER) dla docelowych dialektów z 55,05% do 29,96%, jednocześnie nieznacznie poprawiając wyniki dla języka angielskiego i innych dialektów arabskich. We wpisie omówiono też modyfikacje dekodowania oraz rozszerzenia diaryzacji mówców dla transkrypcji wielomówcowej.

NVIDIA Developer