АудиоNVIDIA Nemotron 3.5 Transcribe с отворени тегла пише 40 езика и пали около 4 от 30 милиарда параметъра, а към него излиза Granary v2На 28 октомври NVIDIA представи Nemotron 3.5 Transcribe: модел с отворени тегла, който транскрибира 40 езика, превежда 31 от тях и разпознава говорители в 13. До него излиза Granary v2, чийто публичен манифест обхваща 463 062 часа в 48 езика.АудиоOllama вече чете на глас: Phonon на Gradium върви локално на Mac, английският е под Apache 2.0, а другите четири езика са само за нетърговска работаНа 24 октомври Ollama добави модели за синтез на реч. Първият е Phonon на Gradium: върви на Mac с Apple Silicon, а Windows и Linux Ollama обещава скоро. Английският модел е под Apache 2.0; френският, немският, испанският и португалският - под CC BY-NC 4.0, само за нетърговска употреба. Български няма.АудиоMistral пусна Voxtral 3: разпознаване на реч на 50 езика и синтез на 35+, а цял гласов агент започва от 0,04 долара на минутаMistral обяви Voxtral 3 на 20 октомври: разпознаване на реч на 50 езика (български е сред тестваните), синтез на 35+ езика и SDK за гласови агенти. Транскрипцията е от 0,0035 долара на минута, цял агент - от 0,04. Сравненията с Whisper и другите са на самата Mistral.АудиоGrok Voice 3.0 е първи в индекса на Artificial Analysis за реч към реч, а цената остава 0,08 долара на минутаSpaceXAI пусна Grok Voice 3.0 на 14 октомври. В индекса на Artificial Analysis моделът има 86,9 точки срещу 83,2 за GPT-Live-1, по таблица, която публикува самата SpaceXAI. Цената е колкото на Grok Voice 2.0.АудиоElevenLabs пусна разпознаване на синтетичен глас по телефона и влиза в групата, която проектира Personal Agent ProtocolСистемата слуша първите секунди на разговора и казва дали говори човек или AI, а какво следва, решават правилата на фирмата. Засега е само за част от enterprise клиентите, а колко точно хваща, ElevenLabs не казва.АудиоSpotify обещава аудиокниги в България до края на 2026, но не казва как и на каква ценаSpotify обяви, че до края на годината разширява аудиокнигите от 22 на над 180 пазара. България е в списъка, но съобщението не казва кога точно и по кой план.АудиоSuno пусна Speech: говор и фонова музика в един трак, в бета за всичкиПишеш текст, описваш гласа и музикалния стил и получаваш прочетен текст със собствен саундтрак. Suno го нарича първия аудио модел, който прави глас и музика заедно като едно цяло. Бетата е отворена за цялата общност от 1 октомври.АудиоElevenLabs пусна Eleven v4 - глас, който чете тона на изречението, не само думитеНа 28 септември ElevenLabs представи Eleven v4, изцяло нова архитектура за текст в реч, и бързия Eleven v4 Turbo за гласови агенти. По данни на компанията моделът е първи в класацията на Artificial Analysis, а в слепи сравнения около 75 на сто от слушателите го предпочитат.
21 материала