Голос и музыка

Синтез речи, клонирование голоса и генерация музыки: ElevenLabs, Suno, MiniMax и другие.

GHРедакция gen-hub30 октября· 3 мин

Edge0 открыла TTS-модель на 0,6 млрд параметров с клонированием голоса на 23 языках

Edge0 выложила Audio8-TTS-Realistic под Apache 2.0: модель клонирует голос по одной записи, знает русский и обходит Qwen3-TTS-1.7B на бенчмарке CV3 по средней ошибке.

GHРедакция gen-hub29 октября· 3 мин

AssemblyAI выпустила первую TTS-модель: $15 за миллион символов, 6 языков

AssemblyAI запустила AssemblyAI-TTS-1, синтез речи для голосовых агентов. Цена $15 за 1 млн символов без годового контракта и без отдельной платы за параллельные сессии, но SSML и управления скоростью пока нет.

GHРедакция gen-hub15 октября· 4 мин

Grok Voice 3.0 занял первое место в индексе Artificial Analysis, опередив OpenAI и Google

SpaceXAI выпустила Grok Voice 3.0 - речевую модель, которая набрала 86.9 в Speech-to-Speech Index от Artificial Analysis, обойдя GPT-Live-1 и Gemini 3.8 Live. Модель уже обрабатывает 20 000 звонков в сутки в Starlink.

GHРедакция gen-hub2 октября· 3 мин

Microsoft выпустила голосовые модели: транскрипция за 100 мс и клонирование голоса

Microsoft AI представила MAI-Transcribe-2-Streaming и две TTS-модели серии MAI-Voice-2.1 в режиме public preview. Первые результаты транскрипции - уже через 100 миллисекунд, поддержка 60 языков.

GHРедакция gen-hub21 сентября

Tencent Gander: ИИ-ассистент, который работает и болтает одновременно

Tencent представила Gander - голосового агента с раздельной архитектурой "мозжечок/мозг", который ведет диалог в реальном времени, пока фоновый агент пишет код или ищет файлы.

GHРедакция gen-hub15 сентября

Apple переписала Siri на базе Gemini - но не для iPhone и iPad в Европе

После многолетних задержек Apple выпустила полностью переработанного Siri на движке Google Gemini. Европейские пользователи iPhone и iPad не получат его при выходе iOS 27 и iPadOS 27 из-за разногласий с регуляторами ЕС - хотя на macOS 27 и visionOS 27 доступ будет.

GHРедакция gen-hub10 сентября

OpenAI открыла GPT-Live-1: голосовой API, который слушает и говорит одновременно

OpenAI выпустила GPT-Live-1 для разработчиков: полный дуплекс, задержка перехода хода разговора 0.8 секунды и цена $0.05 в минуту за голосовой слой. Модель уже работает в Yelp.

Adobe Firefly стал полноценной студией: музыка, голос и звук в одном месте

Adobe вывела три ИИ-инструмента для работы со звуком в общий доступ и добавила Gemini Omni Flash - теперь Firefly закрывает весь творческий цикл без переключения между сервисами.

Stability AI выпустила Stable Audio 3.0: треки до 6 минут на лицензионных данных

Stability AI представила семейство аудиомоделей Stable Audio 3.0 - от компактной on-device версии до флагмана на 2,7B параметров, способного генерировать полноценные треки длиной более шести минут.