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).
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.
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.
AssemblyAI wprowadziło AssemblyAI-TTS-1, model zamiany tekstu na mowę (TTS) stworzony dla agentów głosowych. Oferuje opóźnienia poniżej 100 ms, bibliotekę 4000+ głosów oraz natychmiastowe klonowanie głosu w cenie 15 USD za 1 mln znaków.
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.
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.
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.
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.
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.
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).
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.