Гласов изкуствен интелект (Voice AI)
Гласовият изкуствен интелект (Voice AI) обхваща технологии за синтез на реч (Text-to-Speech - TTS), гласово клониране, разпознаване на реч и вокална емоционална експресия чрез дълбоки невронни мрежи.
С развитието на дифузионните модели и авторегресивните архитектури съвременните гласови платформи са способни да генерират естествено звучаща реч в реално време с минимално закъснение, намирайки широко приложение в киноиндустрията, превода, видеоигрите и гласовите асистенти.
Споменавания в статии
- Suno представи Speech: единен дифузионен модел за естествена реч и динамичен музикален съпровод
- Anthropic поиска гласовите разговори на потребителите за обучение на следващо поколение модели
- Microsoft AI обяви ново поколение модел за свръхпрецизна транскрипция и синтез на реч с минимално закъснение
- ElevenLabs удвои пазарната си оценка до 22 милиарда долара в нов инвестиционен рунд