Kokoro 82M predstavlja inovativni, kompaktni model za pretvaranje teksta u govor koji omogućava visokokvalitetnu sintezu glasa direktno na lokalnom hardveru. Zahvaljujući svojoj efikasnoj arhitekturi, ovaj sistem eliminiše potrebu za internet konekcijom i skupim klaud servisima, pružajući korisnicima povećanu privatnost i minimalno kašnjenje u radu. Model podržava osam različitih jezika i nudi širok spektar prilagodljivih glasova, što ga čini idealnim za virtuelne asistente i naraciju. Iako nudi značajne prednosti u pogledu troškova i brzine, on ima i određena ograničenja poput odsustva kloniranja glasa i slabije izražajnosti emocija. Dostupan pod otvorenom licencom, ovaj alat je pristupačan programerima koji žele da kreiraju skalabilne i pouzdane glasovne aplikacije. Fo...

Google je bez velike pompe objavio novu aplikaciju za Androdi i iOS pod nazivom Google AI Edge Eloquent. Reč je o besplatnom alatu za diktiranje zasnovanom na veštačkoj inteligenciji koji se fokusira na privatnost i rad bez internet veze.

Google je ažurirao svoj AI četbot, Gemini, dodavši mu sposobnost da preslušava i analizira otpremljene audio fajlove. Ova multimodalna mogućnost omogućava korisnicima interakciju sa audio sadržajem bez potrebe za prethodno pripremljenim pisanim transkriptom.

Silicijumska dolina, predvođena kompanijom OpenAI, pokreće novu revoluciju u interakciji sa tehnologijom, kladeći se na audio-prvi pristup i najavljujući "rat ekranima". Prema izveštajima, OpenAI je ujedinio svoje inženjerske i istraživačke timove kako bi značajno unapredio svoje audio modele, pripremajući teren za lansiranje audio-fokusiranog ličnog uređaja u narednih godinu dana.

Meta je predstavila SAM Audio, prvi model te vrste koji omogućava izolovanje specifičnih zvukova iz složenih audio mikseva jednostavnim klikom na objekat ili kucanjem tekstualnog opisa.