Preprint testuje, kedy môžu audio modely hodnotiť plne duplexných hlasových agentov namiesto ľudí
Nová arXiv práca skúma spoľahlivosť Gemini modelov ako audio hodnotiteľov rozhovorov, kde človek a agent hovoria aj prerušujú sa v reálnom čase.
Tag
#audio AI
Všetky publikované články, v ktorých sa téma audio AI objavuje ako dôležitý kontext. Aktuálne 5 textov v archíve.
AWS ukazuje lacný prepis zvuku s Parakeet-TDT a Batchom
Amazon zverejnil architektúru, ktorá spája open-source model Parakeet-TDT, AWS Batch a spotové GPU inštancie pri veľkoobjemovom prepise audia. Signálom nie je len technický návod, ale aj rastúci tlak na lacnejšie multimodálne pipeline mimo uzavretých API služieb.
Mistral uvádza Voxtral TTS: open-weight hlas pre voice agentov
Mistral prináša Voxtral TTS, 4B open-weight model pre text-to-speech. Sľubuje nízku latenciu, silnú viacjazyčnosť a lepšiu prirodzenosť pre nasadenie voice agentov vo firme.
Google púšťa Gemini 3.1 Flash TTS: viac kontroly nad hlasom, tempom aj štýlom
Google sprístupnil Gemini 3.1 Flash TTS ako nový hlasový model s jemnejším riadením štýlu, tempa a prejavu vo viac než 70 jazykoch. Praktický význam nie je len v kvalite hlasu, ale v tom, že sa syntéza reči posúva bližšie k produkčným workflowom pre videá, asistenty a firemné voice rozhrania.
Mistral otvára realtime speech stack: Voxtral Realtime ukazuje, že open-weight audio AI začína byť prakticky...
Voxtral Realtime a Voxtral Transcribe 2 posúvajú Mistral hlbšie do speech infra vrstvy a naznačujú, že open-weight audio modely už môžu byť reálnou alternatívou pre voice agentov, titulkovanie aj privátne deploymenty.