Новости генеративного ИИ
Релизы, обновления и тренды - все самое важное простым языком
28 из 592
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.
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.
Ollama v0.40.11-rc0: каталог голосов Phonon и что было в предыдущем релизе
Ollama выпустил release candidate v0.40.11 с обновлением каталога голосов Phonon. Синтез речи и модели d3 появились раньше - в v0.40.9 от 22 октября.
Block выпустил Dessa: первая ИИ-модель, обученная только на человеческой речи
Dessa от компании Block не переводит речь в текст - она слышит эмоции, сарказм и паузы напрямую из аудио. Это меняет подход к голосовому ИИ.
Ollama 0.40.9: локальный синтез речи и новые модели решений
Ollama научилась генерировать речь через модель Phonon на Apple Silicon - без облака, с потоковым воспроизведением и OpenAI-совместимым API.
Phonon: 31 млн параметров, 64 МБ и голос за 7 мс без интернета
Gradium выложила в открытый доступ TTS-модель Phonon под лицензией Apache 2.0. Она умещается в 64 МБ, обгоняет Kokoro по точности вдвое и работает прямо в браузере.
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.
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.
Nvidia выпустила бесплатную модель: восемь голосов в реальном времени
Nvidia открыла веса Nemotron 3 Diarization - 100-миллионная модель различает до восьми говорящих в прямом эфире с рекордно низкой ошибкой 14,7%.
Gemini сам позвонит в ресторан вместо вас: новая функция Pixel 11
Google запустила "Call for Me" для Pixel 11 - Gemini теперь звонит в компании сам, ждет на удержании и ведет разговор, пока вы наблюдаете за транскриптом.
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.
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.