درون سازوکار Overlap Synthesis برای حذف وقفه در مکالمات صوتی
شرکت ElevenLabs با معرفی معماری استریم دوطرفه در نسخههای v4 و v4 Turbo، زمان شروع پاسخهای صوتی را به ۱۵۰ میلیثانیه کاهش داد. این فناوری با تولید صدا پیش از تکمیل کامل جمله،…
موضوع
Models that natively process text+image+audio+video
۱٬۶۶۴ مقاله منتشر شده
شرکت ElevenLabs با معرفی معماری استریم دوطرفه در نسخههای v4 و v4 Turbo، زمان شروع پاسخهای صوتی را به ۱۵۰ میلیثانیه کاهش داد. این فناوری با تولید صدا پیش از تکمیل کامل جمله،…
شرکت Fish Audio مدل Drama 3 را معرفی کرد که به جای تولید مجدد کل فایل صوتی، اجازه میدهد کلمات خاص یا لحن بخشهایی از اجرا را بهصورت نقطهای ویرایش کنید. این ابزار فرآیند تولید…
اپل از هاب خانه HomeView با نمایشگر ۷ اینچی و تراشه A18 رونمایی کرد. این دستگاه با بهرهگیری از Siri AI و بخشهای امن سختافزاری، تجربهای شخصیسازیشده و متمرکز بر حریم خصوصی را…
یک ادغام جدید از طریق پروتکل MCP امکان تبدیل اسناد PDF به کتاب صوتی را فراهم میکند. در این سیستم، هزینه تحلیل متن توسط اشتراک هوش مصنوعی کاربر و هزینه تولید صدا از طریق یک API…
توسعهدهندگان با بازطراحی مدل چندوجهی گوگل، ابزاری برای تبدیل سریع گفتار به متن ساختهاند که کاملاً روی دستگاه اجرا میشود. این سیستم با نگاشت مستقیم قطعات صوتی به فضای متنی، سرعت…
شرکت Mobvoi ساعت TicNote را بهعنوان یک ابزار تخصصی ضبط و تبدیل گفتار به متن معرفی کرد. این گجت با تمرکز بر پردازش هوش مصنوعی برای استخراج صورتجلسات و نقشههای ذهنی، جایگزینی…
مدل متنباز VoxCPM2 با حذف فرآیند توکنسازی، در بازتولید کلمات زبان تایلندی به شدت از ElevenLabs پیشی گرفت. با وجود شباهت صوتی خیرهکننده، این مدل همچنان در زبانهایی مانند عربی و…
آنتروپیک ابزار Claude Motion را معرفی کرد که بهجای تولید پیکسل، از کد برای متحرکسازی دادهها استفاده میکند. این رویکرد امکان ویرایش دقیق اعداد و متن را بدون نیاز به رندر مجدد…
تغییر استراتژی از تحویل یک ویدیوی صیقلخورده به «کیتهای متغیر» (Variant Kits)، درآمد سازندگان را از عملکرد یک دارایی واحد جدا میکند. این روش به جای رندرهای یکباره، چرخههای تست…
توسعهدهندگان برای ساخت میمهای رپ با کیفیت بالا، خط لولههای عمومی تبدیل متن به ویدیو را با جریانهای کاری تخصصی Wan 3.0 جایگزین کردهاند. این ابزارها با قفل کردن نورپردازی و…
سری Gemini 4 گوگل جهشی در قابلیتهای چندوجهی و کدنویسی ثبت کرد، اما همچنان برای کاربران چین غیرقابل دسترس است. در حالی که قیمتگذاری API این مدل بازار سطح بالا را هدف قرار داده،…
شرکت Liquid AI خانواده مدلهای d1 را معرفی کرد که بهجای تولید متن، احتمال وقوع هر گزینه را برمیگردانند. این رویکرد تأخیر و هزینه عملیاتهای حجیم مانند مسیریابی تیکتها و نظارت…