ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#เสียง
  1. Google Developers Blog72

    Google AI Edge Gallery เพิ่มการรู้จำเสียงพูดและการสังเคราะห์เสียงบนอุปกรณ์

    Google ได้เปิดตัว Automatic Speech Recognition และ Text-to-Speech บนอุปกรณ์ใน Google AI Edge Gallery ทำให้แอปสามารถรัน ASR หลายภาษาและ TTS ที่แสดงอารมณ์ได้แบบออฟไลน์เต็มรูปแบบ ควบคู่กับ SLM บนอุปกรณ์อย่าง Gemini Nano และ Gemma 4 บน Android โมเดลเสียงพูดใหม่ของ ML Kit ถอดเสียงได้กว่า 100 ภาษาด้วยความเร็ว 10 เท่าของเวลาจริง โดยมี Word Error Rate 8.0% ถึง 9.0% บน FLEURS ขณะที่ TTS แบบ diffusion ไม่กี่ขั้นเริ่มพูดได้ในประมาณ 100 ms และสร้างเสียง 24 kHz ด้วยความเร็วสูงสุด 50 เท่าของเวลาจริง การรองรับข้ามแพลตฟอร์มมาผ่าน MediaPipe Tasks และ LiteRT พร้อมชุดน้ำหนักเปิด ได้แก่ Parakeet-TDT 0.6B, PocketTTS 100M, Kokoro-82M และ Phonon 31M ซึ่งสาธิตใน XR Language Teacher showcase และ AI Chat ที่รองรับเสียง

    ทำไมเรื่องนี้สำคัญ: Google เพิ่ม ASR และ TTS แบบออฟไลน์เต็มรูปแบบใน AI Edge Gallery โดย ML Kit รายงานการถอดเสียงกว่า 100 ภาษาที่ความเร็ว 10 เท่าของเวลาจริง และ TTS แบบ diffusion ที่เริ่มพูดได้ในประมาณ 100 ms

  1. Zyphra Research78

    Zyphra เปิดตัว ZONOS3-Mini โมเดล TTS โคลนเสียงแบบ zero-shot ภายใต้ Apache 2.0 ที่รันบนอุปกรณ์

    Zyphra เปิดตัว ZONOS3-Mini โมเดล text-to-speech แบบ sparse MoE ที่มีพารามิเตอร์ใช้งานจริง 100M และพารามิเตอร์รวม 800M ภายใต้สัญญาอนุญาต Apache 2.0 ฝึกบน NVIDIA H100 จำนวน 112 ตัวใน 2.5 วัน ทำเวลา time-to-first-audio ได้ต่ำกว่า 570 ms ในเบราว์เซอร์บน Pixel 9 และต่ำกว่า 150 ms บน M3 MacBook Air พร้อมรันไทม์สำหรับ WebGPU, SGLang, vLLM และ GGML โมเดลนี้เพิ่มการควบคุมอัตลักษณ์ สำเนียง คุณภาพ อารมณ์ และการแสดงออก รวมถึงการปรับระดับคำ และ Zyphra รายงานว่าอยู่อันดับหนึ่งในกลุ่มโมเดลเปิดบน benchmark ใหม่ ZTTS2-Eval

    ทำไมเรื่องนี้สำคัญ: โมเดล TTS แบบ MoE ขนาดกะทัดรัดของ Zyphra ผสานการโคลนเสียงแบบ zero-shot เข้ากับการควบคุมการแสดงออกระดับคำ พร้อมรันแบบเรียลไทม์บนโทรศัพท์และแล็ปท็อป

  1. Meta Newsroom · AI62

    Meta เปิดตัวฟีเจอร์เสียงแบบเรียลไทม์และอวตารที่แสดงอารมณ์ในแอป Muse

    Meta กำลังเปิดตัวการสนทนาด้วยเสียงแบบเรียลไทม์และอวตารที่แสดงอารมณ์ในแอป Muse บนมือถือ เว็บ และ Mac โดยเริ่มในสหรัฐฯ ผู้ใช้แตะไอคอนโทรศัพท์เพื่อพูดคุย สามารถขัดจังหวะการตอบกลับได้ และเลือกจากเสียงหลายร้อยแบบ พร้อมโหมดเสียงอย่างเดียว อวตาร หรือเต็มหน้าจอ ฟีเจอร์เสียงจะพร้อมใช้งานใน AI Glasses และ Muse Charm ในเร็วๆ นี้

    ทำไมเรื่องนี้สำคัญ: แอป Muse ของ Meta รองรับการสนทนาด้วยเสียงแบบเรียลไทม์พร้อมอวตารที่แสดงอารมณ์แล้ว สะท้อนให้เห็นว่าเสียงและการจัดการการขัดจังหวะกำลังเข้าสู่ผู้ช่วย AI สำหรับผู้บริโภค

  1. Mistral AI82

    Mistral เปิดตัวโมเดลเสียง Voxtral 3 และ Voice Agent SDK

    Mistral เปิดตัว Voxtral 3 กลุ่มโมเดลถอดเสียงเป็นข้อความและข้อความเป็นเสียง พร้อม Voice Agent SDK ที่สร้างบน LiveKit ซึ่งสตรีมการฟัง การคิด การเรียกใช้เครื่องมือ และการพูดในไปป์ไลน์เดียว Voxtral Small Transcribe 3 รองรับกว่า 50 ภาษา พร้อมการแยกผู้พูดและ context biasing ส่วน Voxtral Mini TTS 3 รองรับกว่า 35 ภาษาและกว่า 50 ภาษาถิ่น โดยสแต็กนี้ใช้งานได้ผ่าน API ของ Mistral ที่โฮสต์ใน EU หรือการติดตั้งเอง ราคาเริ่มต้นที่ $0.0035/นาที สำหรับการถอดเสียงแบบแบตช์ และ $13 ต่อ 1M ตัวอักษรสำหรับ TTS

    ทำไมเรื่องนี้สำคัญ: Voxtral 3 ของ Mistral จับคู่โมเดลเสียงหลายภาษากับ Voice Agent SDK ที่สร้างบน LiveKit มอบทางเลือกที่ติดตั้งใช้งานได้อย่างอธิปไตยให้ทีมต่างๆ สำหรับ voice agent แบบเรียลไทม์

  1. inclusionAI Repositories67

    inclusionAI เผยแพร่โมเดลเสียง Ming-3.0-audio-flash และ Ming-3.0-audio-tiny

    inclusionAI เผยแพร่ Ming-3.0-audio-flash โมเดลเสียงแบบ Mixture-of-Experts ขนาด 126B พารามิเตอร์ ที่เปิดใช้งาน 6.5B พารามิเตอร์ พร้อมกับ Ming-3.0-audio-tiny ขนาดกะทัดรัด 9.3B พารามิเตอร์ ที่เปิดใช้งาน 2.7B โมเดล flash ครอบคลุมการรู้จำเสียงพูดภาษาจีนและอังกฤษในหลากหลายสำเนียงและสถานการณ์ที่มีผู้พูดหลายคนและมีเสียงรบกวน การเข้าใจเสียงยาว การรับรู้เสียงที่ไม่ใช่เสียงพูดและดนตรี การให้เหตุผลด้านเสียง และการสนทนาด้วยเสียงแบบ end-to-end พร้อมตัวเลือกในการสังเคราะห์เสียงพูดเป็นเอาต์พุต มาพร้อมเส้นทางการอนุมานผ่าน vLLM-Omni, SGLang และ Transformers ภายใต้สัญญาอนุญาต MIT โดยโปรไฟล์ Flash เริ่มต้นใช้ tensor parallelism บน GPU H800 ขนาด 80 GB จำนวนสี่ตัวที่บริบท 128K

    ทำไมเรื่องนี้สำคัญ: การเผยแพร่นี้ให้รายละเอียดโมเดลเสียง MoE ขนาด 126B พารามิเตอร์ ที่เปิดใช้งาน 6.5B พารามิเตอร์ พร้อมตัวแปร tiny ขนาด 9.3B ซึ่งเป็นข้อมูลอ้างอิงที่เป็นรูปธรรมสำหรับการกำหนดขนาดและการติดตั้งใช้งานโมเดลภาษา-เสียงแบบเปิด

  2. Apple Newsroom60

    Apple เปิดตัว iPhone Duo สมาร์ทโฟนจอพับรุ่นแรกของบริษัท พร้อมจอด้านในขนาด 7.58 นิ้ว

    Apple ประกาศเปิดตัว iPhone Duo สมาร์ทโฟนจอพับรุ่นแรกของบริษัท ซึ่งมาพร้อมจอแสดงผล iPhone ที่ใหญ่ที่สุดเท่าที่เคยมีมา นั่นคือจอด้านในขนาด 7.58 นิ้ว ซึ่งใหญ่กว่าจอของ iPhone 18 Pro Max ถึง 50 เปอร์เซ็นต์ อีกทั้งยังมีจอด้านนอกขนาด 5.4 นิ้ว ซึ่งครอบคลุมพื้นที่หน้าจอของ iPhone 18 Pro ถึง 90 เปอร์เซ็นต์ ตัวเครื่องขับเคลื่อนด้วยชิป A20 Pro พร้อมสถาปัตยกรรมแบตเตอรี่คู่ และ iOS 27 ได้รับการออกแบบใหม่สำหรับรูปแบบจอพับ รวมถึง Split View สำหรับแสดง Siri และ Mail เคียงข้างกัน Siri AI ซึ่งขับเคลื่อนโดย Apple Intelligence กำลังทยอยเปิดให้ใช้งานในเวอร์ชันเบต้าพร้อม iOS 27 โดยเริ่มจากภาษาอังกฤษก่อน และจะยังไม่พร้อมใช้งานในสหภาพยุโรปในช่วงแรก Apple ระบุว่า Siri AI และฟีเจอร์ใหม่อื่นๆ ของ Apple Intelligence จะไม่พร้อมใช้งานในจีน

    ทำไมเรื่องนี้สำคัญ: iPhone จอพับรุ่นแรกของ Apple จับคู่จอด้านในขนาด 7.58 นิ้วกับจอด้านนอกขนาด 5.4 นิ้วและชิป A20 Pro เผยให้เห็นว่า iOS 27 และ Siri AI ถูกปรับให้เข้ากับรูปแบบจอพับอย่างไร

อ่านครบทั้งหมดแล้ว