Google представила Gemini 3.8 Live с функцией Live Avatar. ИИ может одновременно слышать и видеть собеседника, отвечать голосом и показывать на экране виртуального персонажа с мимикой и синхронизацией губ. Аватар поддерживает 97 языков и может переключаться между ними во время разговора. Gemini также умеет обрабатывать видео с камеры и изображение с экрана, а пока пользователь … Читать далее
Google выпустила Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Первая модель создаёт голоса с нуля по текстовому описанию, управляет интонацией, темпом, акцентом и репликами. Вторая предназначена для массовой озвучки, дубляжа и голосовых агентов. Flash TTS поддерживает более 100 языков и диалектов, библиотеку из 2000 готовых голосов и копирование голоса по 30-секундной записи. Модели … Читать далее
OpenAI выпустила новые голосовые модели для API OpenAI представила три аудиомодели в Realtime API: GPT-Realtime-2, GPT-Realtime-Translate и GPT-Realtime-Whisper. Они рассчитаны на голосовые приложения, которые могут понимать речь, рассуждать, переводить, расшифровывать и выполнять действия в реальном времени. GPT-Realtime-2 стала первой голосовой моделью OpenAI с рассуждением уровня GPT-5. Она лучше ведет длинный диалог, вызывает инструменты, реагирует на … Читать далее
Компания Inworld AI представила новую систему синтеза речи. Она называется TTS-1.5. Скорость работы выросла в четыре раза.
NVIDIA выпустила новую модель для распознавания речи Nemotron Speech ASR, оптимизированную для работы с минимальной задержкой в голосовых ассистентах и системах живых субтитров.