हाल ही में, मॉडलर्स समुदाय (Modelers) ने आधिकारिक तौर पर स्टेप स्टार द्वारा विकसित Step-Video और Step-Audio दो ओपन सोर्स मल्टी-मॉडल मॉडल लॉन्च किए हैं। ये दो मॉडल क्रमशः वीडियो जेनरेशन और वॉयस इंटरैक्शन के लिए हैं, जिनका उद्देश्य डेवलपर्स और व्यावसायिक उपयोगकर्ताओं को अधिक शक्तिशाली AI उपकरण प्रदान करना है। Step-Video मॉडल का पूरा नाम Step-Video-T2V है, जो 300 बिलियन पैरामीटर्स वाला दुनिया का सबसे बड़ा ओपन सोर्स वीडियो जेनरेशन मॉडल है। यह मॉडल सीधे 20

हाल ही में, Google ने अपना सबसे किफ़ायती मॉडल Gemini 2.0 Flash-Lite लॉन्च किया है, जो अब उत्पादन के लिए तैयार है। Gemini 2.0 Flash-Lite, Google Gemini सीरीज़ का हिस्सा है, जिसे लागत प्रभावशीलता के लिए डिज़ाइन किया गया है। यह मॉडल Google AI Studio और Vertex AI पर सार्वजनिक पूर्वावलोकन में उपलब्ध है, जिसका उद्देश्य किफ़ायती AI समाधानों की आवश्यकता वाले डेवलपर्स की सेवा करना है। इसका डिज़ाइन...

Deezer प्लेटफ़ॉर्म द्वारा हाल ही में जारी किए गए विवरण के अनुसार, वर्तमान में हर दिन 10,000 से अधिक पूरी तरह से कृत्रिम बुद्धिमत्ता द्वारा निर्मित संगीत रचनाएँ उनके प्लेटफ़ॉर्म पर अपलोड की जा रही हैं। इसके जवाब में, Deezer एक AI संगीत पहचान और चिह्नित करने वाले उपकरण का विकास कर रहा है, जिसका उद्देश्य इन AI द्वारा रचित सामग्री की बेहतर पहचान करना है। पेरिस स्थित संगीत स्ट्रीमिंग सेवा कंपनी Deezer ने हाल ही में अपने AI संगीत पहचान उपकरण की नवीनतम प्रगति का आधिकारिक बयान जारी किया है। यह उपकरण वर्तमान में मुख्यधारा के AI रचनात्मक टूल के माध्यम से निर्मित सामग्री की पहचान कर सकता है।

कृत्रिम बुद्धिमत्ता के विकास को और तेज़ करने के लिए, गूगल ने अपनी AI सेवाओं, प्लेटफ़ॉर्मों और उपकरणों के निर्माण की टीमों को और संकुचित करने की घोषणा की है, और AI स्टूडियो टीम और जेमिनी श्रृंखला मॉडल के लिए API विकसित करने वाली टीम को गूगल के DeepMind विभाग में शामिल कर दिया है। 9 जनवरी 2025 को, गूगल AI स्टूडियो विकासकर्ता प्लेटफ़ॉर्म के उत्पाद प्रमुख लोगन किल्मपैट्रिक ने सोशल प्लेटफ़ॉर्म X पर एक पोस्ट साझा की, जिसमें इस बदलाव की जानकारी दी गई। किल्मपैट्रिक ने कहा कि गूगल AI S

Nexa AI ने हाल ही में अपने नए OmniAudio-2.6B ऑडियो भाषा मॉडल का अनावरण किया है, जो एज उपकरणों के कुशल तैनाती की आवश्यकताओं को पूरा करने के लिए предназначित है। पारंपरिक स्वचालित आवाज पहचान (ASR) और भाषा मॉडल को अलग करने वाली संरचना के विपरीत, OmniAudio-2.6B ने Gemma-2-2b, Whisper Turbo और कस्टम प्रोजेक्टर को एक एकीकृत ढांचे में जोड़ा है, जो पारंपरिक सिस्टम में विभिन्न घटकों के लिंकिंग से उत्पन्न होने वाली निष्क्रियता और विलंबता को समाप्त करता है, विशेष रूप से उन जगहों पर जहांcomputing संसाधन सीमित हैं।

हाल ही में, इलिनोइस विश्वविद्यालय उर्बाना-शैंपेन, Sony AI और Sony समूह की शोध टीम ने MMAudio नामक एक नई तकनीक पेश की है, जिसका उद्देश्य मल्टी-मॉडल संयुक्त प्रशिक्षण के माध्यम से उच्च गुणवत्ता वाले वीडियो से ऑडियो सिंथेसिस को प्राप्त करना है। MMAudio का核心创新 इस क्षमता में निहित है कि यह वीडियो और टेक्स्ट इनपुट का उपयोग करके समन्वित ऑडियो उत्पन्न कर सकता है, जिससे ऑडियो जनरेशन के अनुप्रयोग परिदृश्य का विस्तार होता है, वीडियो या टेक्स्ट इनपुट का समर्थन किया जाता है, वीडियो सामग्री के अनुसार ऑडियो प्रभाव उत्पन्न करने के लिए। MMAudio का डिज़ाइन इसे

अलीबाबा के दमो विश्वविद्यालय की टोंगय प्रयोगशाला ने हाल ही में ClearerVoice-Studio नामक एक वॉयस प्रोसेसिंग तकनीक को ओपन-सोर्स करने की घोषणा की है, जिसका उद्देश्य वॉयस गुणवत्ता और समझ में सुधार करना है। वॉयस तकनीक के व्यापक उपयोग के साथ, वॉयस गुणवत्ता की चिंता बढ़ती जा रही है, खासकर पर्यावरणीय शोर, गूंज और उपकरणों के माइक्रोफोन जैसी स्थितियों में, वॉयस प्रोसेसिंग तकनीक की मांग तेजी से बढ़ रही है।

Cursor एक Visual Studio Code पर आधारित सुधारित प्रोग्रामिंग उपकरण है, जिसने हाल ही में एक महत्वपूर्ण अपडेट जारी किया है, जो कुछ कोडिंग स्वचालन की क्षमता लाता है। इस अपडेट की विशेषता नई AI एजेंट है, जो स्वायत्त रूप से संदर्भ का ले_navigation करने और टर्मिनल ऑपरेशन्स को निष्पादित करने में सक्षम है, इससे प्रोग्रामिंग दक्षता में काफी वृद्धि होती है। इस अपडेट में, AI एजेंट गलतियों के संदेशों का उत्तर दे सकता है और समस्याओं को हल करने के लिए स्वायत्त निर्णय ले सकता है। उपयोगकर्ता Wes Winder ने सोशल मीडिया प्लेटफॉर्म X पर इस कार्यक्षमता को प्रदर्शित किया है।

टेक्नोलॉजी सेवा प्रदाता AnyMind Group ने आज AI App Studio नामक एक नई इकाई की स्थापना की घोषणा की, जो जनरेटिव आर्टिफिशियल इंटेलिजेंस (GenAI) और बड़े भाषा मॉडल (LLM) पर आधारित अनुप्रयोगों के विकास पर ध्यान केंद्रित करेगी, ताकि कंपनियों के डिजिटल परिवर्तन प्रक्रिया को तेज़ किया जा सके। यह नई इकाई AI तकनीक को कंपनी के स्वामित्व वाले प्लेटफार्मों के साथ गहराई से एकीकृत करने पर ध्यान केंद्रित करेगी, जिससे कंपनियों को GenAI और LLM की क्षमता का पूरा लाभ उठाने में मदद मिलेगी। इस समय, कंपनी टोक्यो, बैंकॉक, हो ची मिन्ह सिटी और बैंकाक में अपने कार्यालयों के माध्यम से कार्य कर रही है।

माइक्रोसॉफ्ट ने हाल ही में एंटरप्राइज AI इंटेलिजेंस क्षेत्र में उल्लेखनीय प्रगति की है, और इसने वैश्विक सबसे बड़े एंटरप्राइज AI इंटेलिजेंस पारिस्थितिकी तंत्र की स्थापना की है। Co pilot Studio के लॉन्च के बाद, 100,000 से अधिक संगठनों ने AI इंटेलिजेंस का निर्माण और संपादन में भाग लिया है। यह मील का पत्थर माइक्रोसॉफ़्ट की एंटरप्राइज टेक्नोलॉजी के क्षेत्र में अग्रणी स्थिति को दर्शाता है। माइक्रोसॉफ्ट के कार्यकारी चार्ल्स रमन्ना ने कहा कि यह वृद्धि की गति अपेक्षाओं से अधिक है और कंपनी द्वारा पहले जारी किए गए किसी भी अत्याधुनिक प्रौद्योगिकी की स्वीकृति से तेज है। उन्होंने हाल ही में Ignite में कहा।

TikTok ने हाल ही में घोषणा की कि उसका एआई संचालित वीडियो निर्माण उपकरण Symphony Creative Studio सभी TikTok व्यापार उपयोगकर्ताओं के लिए पूरी तरह से उपलब्ध है, यह उपकरण विज्ञापनदाताओं और सामग्री निर्माताओं को अनपेक्षित निर्माण अनुभव प्रदान करेगा। यह समाहित वीडियो निर्माण, परिवर्तन और विस्तार कार्यक्षमताओं वाला एक स्मार्ट उपकरण है, जो विज्ञापनदाताओं और निर्माताओं को रचनात्मकता से लेकर उत्पादन तक की बाधाओं को पार करने में मदद करने के लिए डिज़ाइन किया गया है, जिससे वीडियो उत्पादन प्रक्रिया अधिक सरल और प्रभावी हो जाती है। उपयोगकर्ताओं को पूर्ण सेट सुविधाओं के लिए अतिरिक्त费用 नहीं उठाना होगा।Symph

माइक्रोसॉफ्ट ने हाल ही में लंदन में एक कार्यक्रम में अपनी नवीनतम उत्पाद – स्वायत्त आर्टिफिशियल इंटेलिजेंस एजेंट, या 'वर्चुअल कर्मचारी' लॉन्च किया। ये एआई कर्मचारी स्वायत्त रूप से ग्राहक पूछताछ को संभाल सकते हैं और बिक्री के अवसरों की पहचान कर सकते हैं, जिसका अर्थ है कि कंपनियां अधिक कुशलता से संचालन कर सकती हैं। यह ध्यान देने योग्य है कि माइक्रोसॉफ्ट ने न केवल दस तैयार एआई रोबोट प्रदान किए हैं, बल्कि ग्राहकों को अपनी जरूरतों के अनुसार एआई एजेंटों को अनुकूलित करने की अनुमति भी दी है, जो विभिन्न उद्योगों के लिए नई संभावनाएँ लेकर आया है। चित्र स्रोत: छवि एआई द्वारा उत्पन्न की गई, चित्र अधिकृत सेवा प्रदाता Midjourne

OpenAI ने फिर से कृत्रिम बुद्धिमत्ता प्रौद्योगिकी के प्रवाह का नेतृत्व किया है, जिसमें नए gpt-4o-audio-preview मॉडल को पेश किया गया है। यह मॉडल न केवल आवाज़ उत्पादन और विश्लेषण के क्षेत्र में आश्चर्यजनक क्षमताएँ प्रदर्शित करता है, बल्कि मानव-मशीन इंटरएक्शन के लिए नए संभावनाओं का मार्ग प्रशस्त करता है। चलो इस नवोन्मेषी मॉडल की विशेषताओं और इसके संभावित अनुप्रयोगों पर गहराई से नज़र डालते हैं। gpt-4o-audio-preview की मुख्य विशेषताएँ तीन प्रमुख पहलुओं में विभाजित हैं: सबसे पहले, यह पाठ के आधार पर स्वाभाविक और तरल आवाज़ प्रतिक्रिया उत्पन्न कर सकता है, जो आवाज़ सहायकों और वर्चुअल ग्राहक सेवा जैसे अनुप्रयोगों के लिए उपयोगी है।

सूचना के विस्फोट के युग में, ज्ञान को प्रभावी रूप से प्राप्त करना कई शिक्षार्थियों और पेशेवरों के सामने एक चुनौती बन गया है। हाल ही में, एक ओपन-सोर्स टूल जो PDF2Audio कहलाता है, प्रकट हुआ है, जो कुशलता से कृत्रिम बुद्धिमत्ता तकनीक और पारंपरिक पठन शैलियों को जोड़ता है, उपयोगकर्ताओं को जानकारी प्राप्त करने का एक नया तरीका प्रदान करता है। PDF2Audio का मुख्य फ़ंक्शन PDF दस्तावेज़ों को ऑडियो सामग्री में परिवर्तित करना है। यह टूल OpenAI के GPT मॉडल का उपयोग करके पाठ उत्पन्न और आवाज़合成 करता है, विभिन्न प्रकार के PDF फ़ाइलों को पॉडकास्ट, व्याख्यान या चुनिंदा में बदलने में सक्षम है।

हाल ही में, जॉन्स हॉपकिंस विश्वविद्यालय और Tencent AI प्रयोगशाला ने एक नई टेक्स्ट-टू-ऑडियो जेनरेशन मॉडल, EzAudio लॉन्च किया है। यह तकनीक अभूतपूर्व दक्षता और उच्च गुणवत्ता वाले टेक्स्ट को आवाज में बदलने का वादा करती है, जो कृत्रिम बुद्धिमत्ता और ऑडियो तकनीक में एक महत्वपूर्ण छलांग का प्रतीक है। EzAudio की कार्यप्रणाली ऑडियो वेवफॉर्म के संभावित स्थान का उपयोग करती है, पारंपरिक स्पेक्ट्रोग्राम के बजाय, यह नवाचार इसे उच्च समय समाधान पर काम करने की अनुमति देता है, और अतिरिक्त न्यूरल वॉव परिवर्तक की आवश्यकता नहीं होती है। EzAudio का आर्किटेक्चर EzAu के रूप में जाना जाता है.

प्रौद्योगिकी और रचनात्मकता के संगम पर, Snapchat की मातृ कंपनी Snap ने एक बार फिर अपनी नवोन्मेषी क्षमता का प्रदर्शन किया है। हाल ही में कैलिफ़ोर्निया के सेंट मोनिका में आयोजित Snap साझेदार सम्मेलन में, कंपनी ने कई रोमांचक AI टूल अपग्रेड की घोषणा की, जिसका उद्देश्य रचनाकारों को अधिक शक्तिशाली और सहज सामग्री निर्माण अनुभव प्रदान करना है। सबसे ध्यान आकर्षित करने वाला नया फ़ीचर Easy Lens है। यह नवाचार उपकरण रचनाकारों को सरल अंग्रेज़ी विवरण के माध्यम से Snap के अनन्य संवर्धित वास्तविकता (AR) वस्त्र, 3D प्रभाव, पात्र और

प्रस्तावना पिछले वर्ष, गूगल ने NotebookLM पेश किया, जो एक प्रयोगात्मक AI नोटबुक है जो बड़े भाषा मॉडल (LLM) और उपयोगकर्ता नोट्स को जोड़ता है, सारांश प्रदान करने, सवालों का जवाब देने जैसे तरीकों के माध्यम से उपयोगकर्ताओं को किसी विषय को बेहतर समझने में मदद करता है। अब, यह आपके नोट्स की सामग्री पर आपके साथ चर्चा भी कर सकता है। हाल ही में गूगल ने NotebookLM में 'ऑडियो ओवरव्यू' फीचर लॉन्च किया, जो उपयोगकर्ताओं को आकर्षक AI-संचालित संवाद के माध्यम से

माइक्रोसॉफ्ट रिसर्च ने AutoGen Studio पेश किया, एक निम्न-कोड उपकरण, जिसका उद्देश्य AI एजेंट के प्रोटोटाइप डिज़ाइन और प्रबंधन कार्यप्रवाह को सरल बनाना है। यह उपकरण ओपन-सोर्स AutoGen फ्रेमवर्क पर आधारित है, जो वेब इंटरफ़ेस और Python API प्रदान करता है, जिससे डेवलपर्स JSON स्पेसिफिकेशन के माध्यम से बड़े भाषा मॉडल को सपोर्ट करने वाले एजेंट की परिभाषा कर सकते हैं। यह तेज़ प्रोटोटाइप डिज़ाइन, एजेंट कौशल का संवर्धन और जटिल कार्यप्रवाह को संयोजित करने का समर्थन करता है। AutoGen Studio में सहज ड्रैग-एंड-ड्रॉप इंटरफ़ेस, इंटरएक्टिव मूल्यांकन और डिबगिंग क्षमताएँ शामिल हैं।

गूगल एआई स्टूडियो ने नया मूल संकेत शब्द庫 जारी किया है, जिसमें लंबी पाठ्य सामग्री का संदर्भ, बहु-मोडल इनपुट (चित्र, वीडियो, ऑडियो) और संरचित आउटपुट जैसी विशेषताएँ शामिल हैं। इसका उद्देश्य शिक्षा, प्रोग्रामिंग, यात्रा आदि क्षेत्रों में उपयोगकर्ताओं को समृद्ध और विविध अनुभव प्रदान करना है। इस कोश में नुस्खा जनरेटर, गणित ट्यूटर, गणित होमवर्क जनरेटर, खजाने की खोज गेम डिज़ाइन, इकाई परीक्षण जनरेटर, यात्रा सुझाव आदि उपयोगी विशेषताएँ शामिल हैं, जो एक सहज प्रदर्शन और व्यापक जानकारी के माध्यम से उपयोगकर्ताओं की खोज भावना और नवाचार अनुभव को बढ़ाती हैं। उपयोगकर्ता को केवल गूगल एआई स्टूडियो में लॉगिन करना है।

अलीबाबा ने हाल ही में नई ओपन-सोर्स वॉयस मॉडल Qwen2-Audio पेश की है, जो वॉयस पहचान, अनुवाद और ऑडियो विश्लेषण में उत्कृष्ट प्रदर्शन करती है और महत्वपूर्ण प्रदर्शन सुधार करती है। Qwen2-Audio बेस वर्जन और निर्देशित फाइन-ट्यूनिंग वर्जन प्रदान करती है, जो कई भाषाओं जैसे कि चीनी,粤语, फ्रेंच, अंग्रेजी और जापानी का समर्थन करती है, भावनात्मक विश्लेषण और अनुवाद अनुप्रयोगों के लिए सुविधा प्रदान करती है। Qwen-Audio की तुलना में, Qwen2-Audio ने संरचना और प्रदर्शन में व्यापक रूप से अनुकूलन किया है, प्री-ट्रेनिंग चरण में अधिक प्राकृतिक भाषा संकेतों का उपयोग किया गया है।