Тема
Распознавание и синтез речи, голосовые ассистенты.
15 новостей за 60 дней
Новая модель распознавания речи от SpaceXAI ошибается вдвое реже первой версии, лучше всех справляется с телефонными звонками и стоит столько же: 0,10 доллара за час записи и 0,20 доллара за час потокового аудио.
SpaceXAI добавила агенту голос, Илон Маск сообщил об этом в X. Подробностей о том, как это устроено и кому уже доступно, нет.
Аккаунт OpenAI для разработчиков сообщил, что в Codex появился голосовой агент на модели GPT-Live-1. Судя по процитированному посту, говорить с ним можно с телефона, и он подключается к компьютеру откуда угодно.
Пришли в Gmail, Docs и поиск и возглавили рейтинг
Уиллисон поручил GPT-6 Astra собрать браузерную «звонилку» к голосовым моделям Gemini 3.8 Live
Разработчикам стали доступны голосовые модели Gemini 3.8 Live и 3.8 Live Extended Thinking. Они ведут разговор и параллельно выполняют задачи. Минута входящего звука стоит примерно полцента, минута ответа — около 1,8 цента.
OpenAI открыла в API голосовую модель GPT-Live-1. Она слушает и говорит одновременно, а сложные задачи передаёт другим моделям, например GPT-6 Astra. Минута голосового слоя стоит 0,05 доллара.
Microsoft Research выложила на Hugging Face две версии VibeVoice-ASR-Streaming — 7B и 1.5B. Модель расшифровывает речь на лету, отмечает, кто говорит, и понимает 10 языков, включая русский. Лицензия MIT.
Hugging Face и Voice Arena добавили в Open ASR Leaderboard наборы Monsoon: почти 4 900 дикторов из сотен индийских районов, для каждого записано 12 характеристик. Хинди — первый язык из Индии в многоязычном разделе рейтинга.
Gemini 3.5 Transcribe убирает «эээ», учитывает оговорки и понимает более 85 языков. Разработчикам модель доступна в предварительной версии через Gemini API, а обычным пользователям — в Gemini для macOS и функции Rambler на Android.
Модели Granite 4.2 на 3, 8 и 30 млрд параметров умеют рассуждать перед ответом и вызывать инструменты. Вместе с ними вышла модель распознавания речи на 470 млн параметров, которая работает даже на ноутбуке.
Авторы Open ASR Leaderboard проверили 11 открытых моделей распознавания речи. Лучшие по оценкам модели повторяют ошибки эталонных расшифровок VoxPopuli и LibriSpeech и даже «слышат» числа, вырезанные из записи.
Модель Magpie TTS Multilingual на 364 млн параметров теперь говорит на 12 языках. На B200 первый звук она выдаёт через 32 мс, а запускать её можно на своих серверах.
Голосовая модель GPT-Live обходится без детектора очереди: она слушает и говорит одновременно, а сложные задачи отдаёт GPT-5.5. Соединение теперь устанавливается за один сетевой обмен вместо шести.
Японская компания Avatarin сделала для покупателей сети Yamada Denki голосового ИИ-консультанта на GPT-Realtime. Он работает круглосуточно на нескольких языках. За две недели им воспользовались 30 000 человек.