Meta* запускает в США аватары ИИ-агентов в приложении Muse
По замерам Meta, пользователь приложения Muse начинает получать ответ аватара с голосом и видео примерно через 870 мс после окончания своей реплики.
тема · 51 новость за 60 дней
#голос
Распознавание и синтез речи, голосовые ассистенты.
Вчера 5 ноября, четверг
OpenAI открыла всем разработчикам исходящие звонки голосовых агентов на GPT-Live
Голосовой агент на модели GPT-Live может сам набрать номер через оператора интернет-телефонии, выбирать пункты голосового меню, посылая сигналы кнопок, и переводить звонок на другой номер.
3 ноября вторник
OpenAI добавила голосовой режим в раздел ChatGPT о личных финансах
Пользователи ChatGPT, подключившие счета в разделе Finances, могут голосом спрашивать о расходах и сбережениях.
Salesforce купит Cresta, чьи голосовые ИИ-агенты сами ведут звонки клиентов
Salesforce покупает Cresta, чьи ИИ-агенты отвечают на звонки клиентов Marriott и Comcast; по данным The Information, сделка стоит 2,7 млрд долларов.
Google готовит голосового агента в приложении для программирования Antigravity, пишет TestingCatalog
TestingCatalog показал скрытый голосовой интерфейс в приложении Google для кода Antigravity; издание предполагает, что новый помощник Chief of Staff сможет сам управлять другими агентами.
1 ноября воскресенье
Google готовит голосовой режим Gemini Live к работе без интернета, пишет Android Authority
Android Authority нашла в коде приложения Google строки, которые обещают разговор с ассистентом в голосовом режиме Gemini Live без интернета. На какой модели он будет работать без сети, неизвестно.
29 октября четверг
Hugging Face выпустила для Mac и iPhone библиотеки распознавания речи и выбора ответа из вариантов
Новые библиотеки Hugging Face на Swift расшифровывают речь моделями NVIDIA и Alibaba прямо на Mac и iPhone, а на вопросы вроде «срочное ли сообщение» выбирают ответ из готовых вариантов и показывают вероятность каждого.
28 октября среда
NVIDIA выпустила открытую модель для расшифровки речи на 40 языках
Открытая модель NVIDIA Nemotron 3.5 Transcribe расшифровывает часовые записи, различает до восьми говорящих, переводит речь и отвечает на вопросы о записи.
Модель Mistral для расшифровки речи стала второй в рейтинге Voice Arena
В рейтинге Voice Arena, где модели размечают, кто и когда говорит в разговоре, младшая модель Mistral Voxtral Mini Transcribe 3 заняла второе место из девяти и обошла более крупную модель той же серии.
25 октября воскресенье
Агент Grok Bot научился звонить людям и в компании за пользователя
Grok Bot от SpaceXAI сам звонит по просьбе пользователя, передаёт его запрос, записывает ответ и присылает краткий пересказ разговора.
21 октября среда
Открытый движок SGLang-Omni поддержал три типа голосовых ассистентов
Команда SGLang запустила в одной среде три схемы голосового ИИ, которого можно перебивать, и сравнила их на видеокарте H200. Ни одна схема не оказалась лучше во всём.
20 октября вторник
Mistral выпустила речевые модели Voxtral 3 и набор для голосовых агентов
Модели Mistral распознают речь на 50 с лишним языках и озвучивают текст с эмоциями, а новый набор инструментов собирает из них голосового агента.
16 октября пятница
OpenAI дала разработчикам создавать голоса по описанию для модели GPT-Live
Разработчики приложений на голосовой модели GPT-Live-1 могут бесплатно создать голос по текстовому описанию и получили девять новых готовых голосов на пяти языках.
IBM уместила чат, выбор ответа и расшифровку речи в одну модель
Открытые модели IBM Granite Switch 4.1 ведут чат, выбирают ответ из вариантов и расшифровывают речь, а все навыки собраны в одну модель и почти не добавляют ей памяти видеокарты.
TIME включил систему распознавания речи Meta* в лучшие изобретения года
Открытые модели Meta Omnilingual ASR расшифровывают речь на 1 600 с лишним языках, в том числе на 500, которые до них не поддерживала ни одна система.
15 октября четверг
OpenAI выпустила голосовую модель GPT-Live-1.1 с новыми голосами
Новая версия голосовой модели OpenAI говорит новыми голосами на семи языках, включая английский, хинди и японский, и постепенно приходит ко всем пользователям ChatGPT.
14 октября среда
SpaceXAI выпустила голосовую модель Grok Voice 3.0, цена не изменилась
Новая голосовая модель SpaceXAI возглавила рейтинг голосовых моделей Artificial Analysis и уже говорит с водителями Tesla. Цена для разработчиков осталась прежней.
Apple предложила искать в речи смену языка посреди фразы без расшифровки
Метод исследователей Apple замечает смену языка по сигналам внутри готовой речевой модели и помогает собрать для обучения записи, где люди смешивают языки.
13 октября вторник
Apple показала умную колонку HomePod mini 2, Siri AI в ней появится позже
Apple представила приставку Apple TV 4K с Siri AI за 299 долларов
Apple представила экран для умного дома HomeView с Siri AI
HomePod mini 2 стоит 149 долларов и поступит в магазины 30 октября. Ассистент Siri AI придёт в колонку позже, с обновлением, и сначала только на английском.
12 октября понедельник
Mistral выпустила модель, которая расшифровывает арабские диалекты на лету
Открытая Voxtral Mini 4B Realtime Arabic сделана вместе с правительством Марокко. Она пишет текст, пока человек говорит, и справляется с диалектами и смесью языков.
11 октября воскресенье
Alexa и колонки Echo возглавит руководитель Fire TV, пишет Reuters
Дэниел Рауш, представлявший ИИ-ассистента Alexa+, в ноябре передаст пост Эйдану Маркуссу. Amazon подтвердила перестановку агентству Reuters через день после презентации планшетов с Alexa+.
7 октября среда
Google готовит Gemini к звонкам друзьям и родным, пишет Android Authority
Судя по экранам в коде Android-приложения, функция Call for Me, с которой Gemini звонит в магазины и рестораны, будет звонить и близким: например, предупредит маму пользователя, что он опаздывает на 15 минут.
5 октября понедельник
Модель Google на Gemma 4 исправляет, кто что сказал в расшифровке
Открытая модель Google на Gemma 4 исправляет в расшифровках разговоров, кому приписаны слова. По замерам авторов, она ошибается реже прошлой версии на основе Llama 3 8B.
2 октября пятница
Inception выпустила Mercury Voice — модель для голосовых агентов
По словам стартапа Inception, новая модель Mercury Voice отвечает в разговоре с задержкой, более чем вдвое меньшей, чем у моделей вроде GPT-6 Luna.
1 октября четверг
Глава Microsoft AI назвал новую модель расшифровки речи самой точной. Она дороже модели ElevenLabs
Модель Microsoft для расшифровки речи на лету возглавила рейтинг точности. Глава Microsoft AI Мустафа Сулейман в посте о ней написал «на 60% дешевле, чем ElevenLabs», но в анонсе Microsoft эта цифра относится к другой модели — синтезатору речи.
Apple 13 октября покажет хаб для умного дома с экраном и Siri AI, пишет Bloomberg
По данным Bloomberg, Apple выпустит домашний хаб с экраном около 6 дюймов и обновит умную колонку HomePod mini и приставку Apple TV. Все три устройства рассчитаны на ассистента Siri AI.
NVIDIA почти вдвое снизила ошибки распознавания двух саудовских диалектов
Примерно за 4,5 часа обучения на двух видеокартах открытая модель NVIDIA стала почти вдвое реже ошибаться в двух саудовских диалектах, не разучившись распознавать английскую речь.
29 сентября вторник
Inception выпустила Mercury Voice — модель для голосовых агентов
Модель Inception для голосовых агентов в половине случаев начинает отвечать быстрее чем через 320 мс и стоит меньше цента за минуту разговора, по данным компании.
25 сентября пятница
Alibaba показала компьютер Qwen Book с ИИ-агентом, очки и наушники
Alibaba представила компьютер, который по голосовой команде сам находит и правит файлы, а также умные очки, наушники и рабочий диктофон на моделях Qwen.
24 сентября четверг
Google добавила голосовой модели Gemini 3.8 Live видеоаватар для бизнеса
Аватар Live Avatar почти в реальном времени двигает губами и меняет мимику под речь модели на 97 языках, его получили клиенты Gemini Enterprise.
Apple сжала в 2,8 раза кодировщик речи для диктовки на устройствах
Исследователи Apple уменьшили модуль, который переводит голос в понятный языковой модели вид, а качество распознавания почти не пострадало.
Meta* показала модель, которая даёт ИИ-агенту Muse лицо в видеозвонке
На конференции Connect Meta показала VR-очки за $1 299 и брелок для разговоров с агентом
Модель Muse Realtime Avatar превращает фото, рисунок или предмет в собеседника, который отвечает голосом и мимикой меньше чем через секунду.
23 сентября среда
Саймон Уиллисон сделал страницу для озвучки диалогов моделями Gemini 3.8
Уиллисон испытал новые модели озвучки Google: 78 секунд диалога двух персонажей сгенерировались примерно за 20 секунд и обошлись в 2,74 цента.
Голосовой ChatGPT научился работать с почтой, календарём и Slack
В голосовом режиме ChatGPT появились плагины, модели GPT-6 Astra, Sol и Luna и доступ к ChatGPT Work, где можно готовить документы и таблицы.
SpaceXAI добавила в Grok Bot формы, черновики писем и смену аккаунтов
Агент SpaceXAI научился показывать в чате формы и черновики писем для почты и Slack, переключаться между учётными записями и брать пароли из 1Password.
Модели озвучки Gemini 3.8 создают голоса по описанию и копируют по записи
Модель Google Gemini 3.8 Flash TTS создаёт голос по описанию на 100 с лишним языках, а копирует чужой голос только с записанного согласия владельца.
NVIDIA выпустила открытую модель, которая определяет, кто и когда говорил
Открытая модель NVIDIA на 100 млн параметров различает до восьми голосов в записи и в живом разговоре и возглавила рейтинг Voice Arena.
* Meta Platforms Inc., которой принадлежат Facebook и Instagram, признана в России экстремистской организацией, её деятельность запрещена.