Tới nội dung
#Giọng nói
  1. Google Developers Blog72

    Google AI Edge Gallery bổ sung nhận dạng giọng nói và chuyển văn bản thành giọng nói trên thiết bị

    Google đã giới thiệu Nhận dạng giọng nói tự động (ASR) và Chuyển văn bản thành giọng nói (TTS) trên thiết bị trong Google AI Edge Gallery, cho phép các ứng dụng chạy ASR đa ngôn ngữ và TTS biểu cảm hoàn toàn ngoại tuyến song song với các SLM trên thiết bị như Gemini Nano và Gemma 4. Trên Android, các mô hình giọng nói mới của ML Kit phiên âm hơn 100 ngôn ngữ với tốc độ gấp 10 lần thời gian thực, đạt Tỷ lệ lỗi từ (Word Error Rate) từ 8,0% đến 9,0% trên FLEURS, trong khi TTS khuếch tán few-step bắt đầu nói trong khoảng 100 ms và tạo âm thanh 24 kHz với tốc độ lên đến gấp 50 lần thời gian thực. Hỗ trợ đa nền tảng đến qua MediaPipe Tasks và LiteRT với các gói trọng số mở bao gồm Parakeet-TDT 0.6B, PocketTTS 100M, Kokoro-82M và Phonon 31M, được trình diễn trong showcase XR Language Teacher và AI Chat hỗ trợ giọng nói.

    Vì sao đáng chú ý: Google bổ sung ASR và TTS hoàn toàn ngoại tuyến vào AI Edge Gallery, với ML Kit báo cáo phiên âm hơn 100 ngôn ngữ ở tốc độ gấp 10 lần thời gian thực và TTS khuếch tán bắt đầu nói trong khoảng 100 ms.

  1. Zyphra Research78

    Zyphra phát hành ZONOS3-Mini, mô hình TTS nhân bản giọng nói zero-shot theo giấy phép Apache 2.0 chạy trên thiết bị

    Zyphra đã phát hành ZONOS3-Mini, một mô hình chuyển văn bản thành giọng nói MoE thưa với 100M tham số hoạt động và 800M tổng tham số theo giấy phép Apache 2.0, được huấn luyện trên 112 NVIDIA H100 trong 2,5 ngày. Mô hình đạt thời gian đến âm thanh đầu tiên dưới 570 ms trên trình duyệt với Pixel 9 và dưới 150 ms trên M3 MacBook Air, với các runtime cho WebGPU, SGLang, vLLM và GGML. Mô hình bổ sung khả năng kiểm soát danh tính, giọng điệu, chất lượng, tâm trạng và cách thể hiện, bao gồm điều khiển ở cấp độ từ, và Zyphra báo cáo rằng mô hình đứng đầu trong số các mô hình mở trên benchmark ZTTS2-Eval mới của họ.

    Vì sao đáng chú ý: Mô hình TTS MoE nhỏ gọn của Zyphra kết hợp nhân bản giọng nói zero-shot với điều khiển cách thể hiện ở cấp độ từ trong khi chạy thời gian thực trên điện thoại và máy tính xách tay.

  1. Meta Newsroom · AI62

    Meta triển khai giọng nói thời gian thực và avatar biểu cảm trong ứng dụng Muse

    Meta đang triển khai các cuộc trò chuyện bằng giọng nói thời gian thực và avatar biểu cảm trong ứng dụng Muse trên di động, web và Mac, bắt đầu từ Mỹ. Người dùng nhấn vào biểu tượng điện thoại để nói, có thể ngắt lời phản hồi và chọn từ hàng trăm giọng nói cùng các chế độ chỉ giọng nói, avatar hoặc toàn màn hình. Giọng nói sẽ sớm có mặt trên AI Glasses và Muse Charm.

    Vì sao đáng chú ý: Ứng dụng Muse của Meta hiện hỗ trợ các cuộc trò chuyện bằng giọng nói thời gian thực với avatar biểu cảm, cho thấy giọng nói và xử lý ngắt lời đang dịch chuyển vào các trợ lý AI tiêu dùng.

  1. Mistral AI82

    Mistral ra mắt mô hình giọng nói Voxtral 3 và SDK tác nhân giọng nói

    Mistral đã phát hành Voxtral 3, một họ mô hình chuyển giọng nói thành văn bản và văn bản thành giọng nói cùng một SDK tác nhân giọng nói được xây dựng trên LiveKit, cho phép truyền phát nghe, suy luận, gọi công cụ và nói trong một quy trình duy nhất. Voxtral Small Transcribe 3 hỗ trợ hơn 50 ngôn ngữ với tính năng phân tách người nói và điều chỉnh theo ngữ cảnh, Voxtral Mini TTS 3 hỗ trợ hơn 35 ngôn ngữ và hơn 50 phương ngữ, và bộ công cụ này có sẵn thông qua API do Mistral lưu trữ tại EU hoặc triển khai tự túc. Giá khởi điểm từ 0,0035 USD/phút cho phiên âm hàng loạt và 13 USD cho mỗi 1 triệu ký tự cho TTS.

    Vì sao đáng chú ý: Voxtral 3 của Mistral kết hợp các mô hình giọng nói đa ngôn ngữ với SDK tác nhân giọng nói dựa trên LiveKit, mang đến cho các đội ngũ một lựa chọn có thể triển khai có chủ quyền cho các tác nhân giọng nói thời gian thực.

  1. inclusionAI Repositories67

    inclusionAI phát hành các mô hình âm thanh Ming-3.0-audio-flash và Ming-3.0-audio-tiny

    inclusionAI đã phát hành Ming-3.0-audio-flash, một mô hình âm thanh Mixture-of-Experts 126 tỷ tham số với 6,5 tỷ tham số được kích hoạt, cùng với Ming-3.0-audio-tiny nhỏ gọn với 9,3 tỷ tham số và 2,7 tỷ tham số được kích hoạt. Mô hình flash bao phủ nhận dạng giọng nói tiếng Trung và tiếng Anh trên các phương ngữ và môi trường nhiều người nói ồn ào, hiểu âm thanh dài, nhận thức âm thanh không phải giọng nói và âm nhạc, suy luận âm thanh, và hội thoại nói đầu-cuối với đầu ra giọng nói tổng hợp tùy chọn. Nó đi kèm với các đường suy luận vLLM-Omni, SGLang và Transformers theo Giấy phép MIT, với các cấu hình Flash mặc định sử dụng song song tensor trên bốn GPU H800 80 GB ở ngữ cảnh 128K.

    Vì sao đáng chú ý: Bản phát hành mô tả chi tiết một mô hình âm thanh MoE 126 tỷ tham số với 6,5 tỷ tham số được kích hoạt, cùng với một biến thể tiny 9,3 tỷ, cung cấp một tham chiếu cụ thể cho việc định cỡ và triển khai mô hình ngôn ngữ-âm thanh mở.

  2. Apple Newsroom60

    Apple ra mắt iPhone Duo, chiếc iPhone gập đầu tiên với màn hình trong 7,58 inch

    Apple đã công bố iPhone Duo, chiếc iPhone gập đầu tiên của hãng, sở hữu màn hình iPhone lớn nhất từ trước đến nay: màn hình trong 7,58 inch lớn hơn 50 phần trăm so với màn hình của iPhone 18 Pro Max, cùng màn hình ngoài 5,4 inch bao phủ 90 phần trăm diện tích màn hình của iPhone 18 Pro. Máy chạy trên chip A20 Pro với kiến trúc pin kép, và iOS 27 được thiết kế lại cho dạng thức gập, bao gồm Split View để hiển thị Siri và Mail cạnh nhau. Siri AI, được cung cấp bởi Apple Intelligence, đang được triển khai dưới dạng beta cùng iOS 27, trước tiên bằng tiếng Anh và sẽ chưa khả dụng tại EU; Apple lưu ý Siri AI và các tính năng Apple Intelligence mới khác sẽ không khả dụng tại Trung Quốc.

    Vì sao đáng chú ý: Chiếc iPhone gập đầu tiên của Apple kết hợp màn hình trong 7,58 inch với màn hình ngoài 5,4 inch và chip A20 Pro, cho thấy iOS 27 và Siri AI đang được điều chỉnh cho dạng thức gập như thế nào.

Bạn đã xem hết