Tag
Všetky publikované články, v ktorých sa téma hlasová AI objavuje ako dôležitý kontext. Aktuálne 10 textov v archíve.
Hugging Face a Hume AI predstavili Real World VoiceEQ, rozsiahly benchmark pre hlasové modely. Namiesto samotnej chybovosti prepisu sleduje, či systémy zachytia emóciu, neistotu, identitu hlasu, šum a prirodzenosť reakcie v reálnom rozhovore.
AWS opisuje zdravotnícky hlasový plánovač od ScienceSoftu, ktorý kombinuje Amazon Nova 2 Sonic, Bedrock Guardrails a HIPAA architektúru pre citlivé telefonické workflow.
OpenAI opisuje, ako Deutsche Telekom presúva generatívnu AI z interných nástrojov do zákazníckej podpory, siete a budúcich hlasových služieb.
Hugging Face ukázal reálny speech-to-speech tok, v ktorom rozpoznávanie reči, Gemma 4 na rýchlej inferencii Cerebras a syntéza hlasu tvoria vymeniteľný otvorený stack. Zaujímavé je najmä to, že hlasový asistent sa tu nerieši ako jeden uzavretý produkt, ale ako modulárna referenčná architektúra pre vývojárov.
Preprint navrhuje praktické hodnotenie long-form simultánneho speech-to-speech prekladu. Namiesto krátkych segmentov sleduje kvalitu a latenciu v dlhom prúde reči, čo lepšie zodpovedá reálnym stretnutiam a prednáškam.
Benchmark na Hugging Face ukazuje, že rozpoznávanie reči v dvojjazyčných kontaktných centrách zostáva pre hlasových agentov slabým miestom.
OpenAI opisuje celoplošné nasadenie hlasového asistenta pre Travelers. Prípad ukazuje, ako sa generatívna AI presúva z interných pilotov do kritických zákazníckych procesov.
ElevenLabs rozširuje vzdelávací program pre univerzitných pedagógov a predstavuje hlasového agenta Alberta Einsteina postaveného na archívoch Hebrew University, čím skúša, ako môže hlasová AI fungovať v triede a výskume.
OpenAI rozširuje Realtime API o trojicu hlasových modelov, ktoré majú posunúť hlasové rozhrania od jednoduchého dialógu k praktickému vykonávaniu úloh, priebežnému prekladu a živému prepisu reči.
ElevenLabs posúva svoj najpokročilejší model syntézy reči Eleven v3 z alpha režimu do všeobecnej dostupnosti. Firma pritom tvrdí, že nová verzia výrazne zlepšila prácu s číslami, symbolmi a odbornou notáciou, teda presne tam, kde sa text-to-speech v praxi často láme na neprirodzených alebo vecne chybných výstupoch.