xAI объявила о партнёрстве с платформой Vapi: Grok Voice теперь используется как стандартный движок для 12 базовых голосов Vapi. Обновление затронет более 2,5 млн голосовых агентов, созданных на платформе.
В независимом слепом тестировании Vapi Grok занял первое место среди всех провайдеров. В параллельном опросе на X более 4 500 пользователей не смогли отличить синтезированный голос Grok от человеческого оригинала — результат 50/50.
Разработчики на Vapi могут выбрать Grok Voice в выпадающем меню TTS уже сейчас. Также в дашборде Vapi стали доступны Grok Speech-to-Text и Text-to-Speech. Для команд, работающих вне Vapi, доступен прямой API Grok Voice с поддержкой кастомных голосов и клонирования — для нарративов, подкастов, рекламы и озвучки.
#TECH #Grok #Vapi #AIvoice #TTS
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1
🎤 NVIDIA Magpie TTS: открытая мультиязычная модель для голосовых агентов с низкой задержкой
NVIDIA выпустила открытую TTS-модель Magpie Multilingual на 364 млн параметров. Она поддерживает 12 языков, включая новые — арабский (Modern Standard Arabic), корейский и бразильский португальский. Веса открыты, модель доступна для развертывания через NVIDIA NIM, что позволяет запускать синтез речи на собственной инфраструктуре без обращения к внешнему API.
Ключевая особенность — контроль над задержкой. В голосовом пайплайне TTS идёт последним этапом, и именно Time to First Audio (TTFA) пользователь замечает сильнее всего. На GPU B200 Magpie показывает TTFA около 32 мс на один поток и до 319× реального времени при 64 потоках. Для сравнения: на H100 — 47 мс, на A100 — 79 мс. Поскольку модель работает в вашем окружении, измеренная задержка отражает именно серверную часть, без сетевого round-trip к управляемому сервису.
В релизе также улучшено качество существующих языков за счёт обновлённых обучающих данных. Добавлена расширенная поддержка code-switching для хинди и японского — через IPA-графемо-фонемное преобразование и пользовательские словари произношения. Это упрощает корректное произношение имён, технических терминов и смешанных многоязычных фраз. Вместо отдельных моделей для разных регионов разработчики получают единую открытую основу для customer support, медицинских ассистентов, переводчиков и enterprise-копилотов.
#Tech #AI #NVIDIA #TTS #VoiceAgents #opensource #ML
NVIDIA выпустила открытую TTS-модель Magpie Multilingual на 364 млн параметров. Она поддерживает 12 языков, включая новые — арабский (Modern Standard Arabic), корейский и бразильский португальский. Веса открыты, модель доступна для развертывания через NVIDIA NIM, что позволяет запускать синтез речи на собственной инфраструктуре без обращения к внешнему API.
Ключевая особенность — контроль над задержкой. В голосовом пайплайне TTS идёт последним этапом, и именно Time to First Audio (TTFA) пользователь замечает сильнее всего. На GPU B200 Magpie показывает TTFA около 32 мс на один поток и до 319× реального времени при 64 потоках. Для сравнения: на H100 — 47 мс, на A100 — 79 мс. Поскольку модель работает в вашем окружении, измеренная задержка отражает именно серверную часть, без сетевого round-trip к управляемому сервису.
В релизе также улучшено качество существующих языков за счёт обновлённых обучающих данных. Добавлена расширенная поддержка code-switching для хинди и японского — через IPA-графемо-фонемное преобразование и пользовательские словари произношения. Это упрощает корректное произношение имён, технических терминов и смешанных многоязычных фраз. Вместо отдельных моделей для разных регионов разработчики получают единую открытую основу для customer support, медицинских ассистентов, переводчиков и enterprise-копилотов.
#Tech #AI #NVIDIA #TTS #VoiceAgents #opensource #ML
⚡1🔥1🤔1
ElevenLabs представила новую модель синтеза речи Eleven v4. Она точнее следует режиссёрским указаниям - тегам вроде «шёпот», «смех», «долгая пауза» или «звук хлопающей двери» - и сохраняет единое звучание голоса на протяжении длинных проектов, включая аудиокниги и дубляж.
Новая архитектура анализирует тон, темп и контекст сценария. Модель обрабатывает до 10 000 знаков за запрос (около десяти минут аудио), поддерживает более 90 языков вместо 70 у v3 и позволяет задавать произношение имён и терминов фонетически: точность на бенчмарке выросла с 85,6% до 91,7%. Профессиональные клоны голосов снова работают, а для Instant Voice Clone достаточно десяти секунд записи.
Отдельно выходит вариант Eleven v4 Turbo для голосовых агентов и игровых персонажей: он начинает говорить примерно через 150 мс против 262 мс у Cartesia Sonic 3.6 и 814 мс у OpenAI GPT-4o mini TTS. Обе модели уже доступны в ElevenAgents, ElevenCreative и через API. Стандартная цена - $80 за миллион знаков (Turbo - $40), но до 12 октября действует скидка до $22 и $11.
🎨 qvabo.studio/tg · картинки и видео
#AI #ElevenLabs #TTS #VoiceSynth #VocalAgents
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1🎉1
Microsoft AI выпустила MAI-Transcribe-2-Streaming - модель для потоковой транскрипции в реальном времени. По данным Artificial Analysis, она занимает первое место по точности. Модель распознаёт 60 языков и выдаёт первые частичные результаты чуть более чем за 100 мс - этого достаточно, чтобы голосовой агент отвечал, пока собеседник ещё не закончил фразу. До конца года час аудио стоит $0,54 по вводной цене.
Вместе с ней вышли две модели синтеза речи. MAI-Voice-2.1 озвучивает 23 языка одним и тем же голосом, сохраняя естественный акцент в каждом. Версия MAI-Voice-2.1-Flash достигает задержки 150 мс и стоит $15 за миллион символов вместо $22. Обе голосовые модели умеют клонировать голос по нескольким секундам эталонной записи, а встроенные механизмы защиты должны предотвращать злоупотребления.
Доступ открыт через Microsoft Foundry и MAI Playground, а также через OpenRouter. В одном из тестов около половины из 4000 участников приняли синтезированные голоса за настоящие - это иллюстрирует и качество, и риски технологии для разработчиков голосовых интерфейсов.
🎨 qvabo.studio/tg · картинки и видео
#AI #Agents #Microsoft #Speech #TTS #ASR
Please open Telegram to view this post
VIEW IN TELEGRAM
🎉1👌1