हेड्रा ने अपने नए Character-3 मॉडल और हेड्रा स्टूडियो के साथ एआई डिजिटल ह्यूमन तकनीक में एक बड़ी छलांग लगाई है। यह मॉडल छवियों, पाठ और ऑडियो को एक साथ संसाधित करने की क्षमता रखता है, जिससे अधिक प्राकृतिक और इंटरैक्टिव डिजिटल अनुभव बनते हैं।

तेज़ी से बढ़ते पॉडकास्ट क्षेत्र में, पॉडकैसल प्लेटफ़ॉर्म ने हाल ही में अपने नए AI टेक्स्ट-टू-स्पीच मॉडल Asyncflow v1.0 की घोषणा की है। यह नया मॉडल न केवल उपयोगकर्ताओं को 450 से अधिक विभिन्न AI आवाज़ें प्रदान करता है, बल्कि डेवलपर्स के लिए API इंटरफ़ेस भी खोलता है ताकि वे इस टेक्स्ट-टू-स्पीच फ़ंक्शन को सीधे अपने अनुप्रयोगों में एकीकृत कर सकें। पॉडकैसल के संस्थापक आर्टो येरित्सियन ने कहा कि कंपनी हमेशा से एक ऐसा टेक्स्ट

Hugging Face ने FastRTC नामक एक नया ओपन-सोर्स टूलकिट लॉन्च किया है जो डेवलपर्स के लिए रीयल-टाइम वॉयस और वीडियो एप्लिकेशन बनाना आसान बनाता है। यह टूलकिट उपयोग में आसान है और विभिन्न प्लेटफॉर्म पर काम करता है।

TechCrunch की रिपोर्ट के अनुसार, वॉयस AI कंपनी ElevenLabs ने लेखकों को अपने रीडर ऐप पर AI-जनरेटेड ऑडियोबुक प्रकाशित करने की अनुमति दे दी है, इससे पहले कंपनी ने Spotify के साथ AI नेरेशन ऑडियोबुक लॉन्च किया था। ElevenLabs ने पिछले महीने $180 मिलियन का भारी फंडिंग हासिल किया था, और पिछले साल से लेखकों को प्रकाशन योजना के लिए आमंत्रित कर रहा था, अब यह योजना सभी लेखकों के लिए खुली है। कंपनी का लक्ष्य किफायती और आसान ऑडियोबुक निर्माण उपकरण प्रदान करना है ताकि उत्पादन लागत कम हो और Audible को चुनौती दी जा सके।

हाल ही में, कृत्रिम बुद्धिमत्ता (AI) द्वारा बनाए गए एक पाक प्रयोग ने इंटरनेट पर अप्रत्याशित रूप से धूम मचा दी है, जिससे पूरे इंटरनेट पर चर्चा छिड़ गई है। यह सब तब शुरू हुआ जब प्रसिद्ध ब्लॉगर “लॉस एंजिल्स विंगझेंग डब्ल्यू” ने डीपसीक मॉडल का उपयोग करके “ऐसे AI व्यंजन बनाने की कोशिश की जो मानवता ने पहले कभी नहीं देखे होंगे”, और उन्होंने इस प्रक्रिया को शॉर्ट-वीडियो प्लेटफ़ॉर्म डौइन पर साझा किया, जिससे यह जल्दी ही डौइन के हॉट सर्च में आ गया और बड़ी संख्या में नेटिज़न्स ने इसे देखा और चर्चा की। हालाँकि ब्लॉगर “लॉस एंजिल्स विंगझेंग डब्ल्यू” ने AI मॉडल द्वारा दिए गए कुछ “अमूर्त” चरणों का पालन करते हुए खाना बनाया है, लेकिन अंतिम उत्पाद अपेक्षा के अनुरूप नहीं है।

वैश्विक डेवलपर्स का ध्यान फिर से चीन की ओर आकर्षित हुआ! अत्यधिक प्रतीक्षित वैश्विक डेवलपर सम्मेलन (जीडीसी) में, अली क्लाउड मोड समुदाय ने महत्वपूर्ण घोषणा की, कक्षास्कीन का नवीनतम ओपन-सोर्स मल्टी-मॉडल मॉडल पेश किया, जिसमें वैश्विक स्तर पर सबसे बड़े ओपन-सोर्स वीडियो जनरेशन मॉडल स्टेप-वीडियो-टी2वी, और उद्योग का पहला प्रोडक्ट-लेवल ओपन-सोर्स वॉयस इंटरएक्शन मॉडल स्टेप-ऑडियो शामिल है। यह समाचार तुरंत वैश्विक एआई ओपन-सोर्स समुदाय की हलचल पैदा कर दिया, जिससे यह फिर से चीन की कृत्रिम बुद्धिमत्ता क्षेत्र में मजबूत नवाचार क्षमता को उजागर करता है। चीन का सबसे बड़ा एआई

Sharge एक वायरलेस चार्जिंग प्रदाता है, जिसका नवीनतम Loomos AI स्मार्ट चश्मा Kickstarter पर केवल पांच दिनों में 1.53 मिलियन डॉलर जुटाने में सफल रहा। यह आंकड़ा उनके निर्धारित 5000 डॉलर की धनराशि लक्ष्य से कहीं अधिक है, जो इस उत्पाद के प्रति बाजार में गहरी रुचि को दर्शाता है। Loomos AI चश्मे में 450mAh की बैटरी है, जिसमें बाजार में अग्रणी स्टैंडबाय टाइम है, जो 40 घंटे तक पहुंच सकता है। इस उपकरण में एक सोनी 16MP कैमरा भी शामिल है।

20 जनवरी को, सेंसेन टेक्नोलॉजी ने अपनी "सेंसेनवा-5o इंटरएक्टिव वर्जन" (SenseNova-5o) की वास्तविक समय ऑडियो और वीडियो बातचीत सेवा का आधिकारिक तौर पर उद्घाटन किया और इसे उपयोगकर्ताओं के लिए सीमित समय के लिए मुफ्त में उपलब्ध कराया। इस इंटरएक्टिव वर्जन के विमोचन ने आर्टिफिशियल इंटेलिजेंस के क्षेत्र में सेंसेन की एक और महत्वपूर्ण प्रगति का संकेत दिया है, जिसका उद्देश्य शक्तिशाली वास्तविक समय इंटरएक्शन, दृश्य पहचान, स्मृति सोच और जटिल तर्क की क्षमताओं के माध्यम से AI और मानव के बीच अधिक स्वाभाविक और सुचारु संवाद को बढ़ावा देना है।

2024 के अंत में Hailuo AI के अंतरराष्ट्रीय संस्करण के AI वॉयस क्लोनिंग फ़ीचर लॉन्च करने के बाद, हाल ही में Hailuo AI ने नए वॉयस मॉडल T2A-01-HD को पेश किया। T2A-01-HD नया वॉयस मॉडल भी वॉयस क्लोनिंग का समर्थन करता है, जो भावनात्मक रूप से समृद्ध ऑडियो उत्पन्न कर सकता है। आधिकारिक जानकारी के अनुसार, T2A-01-HD पिछले ऑडियो मॉडल के आधार पर, श्रव्य गुणवत्ता में सुधार के साथ क्लोनिंग की उत्कृष्ट सटीकता रखता है। हालांकि, T2A-01-HD अभी तक ओपन-सोर्स नहीं किया गया है, उपयोगकर्ता इसे सीमित समय के लिए मुफ्त में वेब पर उपयोग कर सकते हैं। Hailuo AI पर जाएं।

गूगल ने हाल ही में घोषणा की है कि उसकी नोट्स ऐप NotebookLM एक नई फीचर लॉन्च कर रहा है: उपयोगकर्ता AI पॉडकास्ट होस्ट के साथ इंटरएक्ट कर सकते हैं। यह फीचर ऑडियो अवलोकन फीचर के आधार पर विस्तारित किया गया है, जिससे उपयोगकर्ता AI के साथ बातचीत करते समय प्रश्न पूछ सकते हैं, गहरे चर्चा कर सकते हैं और व्यक्तिगत उत्तर प्राप्त कर सकते हैं। NotebookLM का ऑडियो अवलोकन फीचर शुरू में उपयोगकर्ताओं को दस्तावेज़ (जैसे पाठ्यक्रम सामग्री या कानूनी सारांश) अपलोड करने की अनुमति देता था, जिसके बाद AI वर्चुअल होस्ट पॉडकास्ट अवलोकन बनाता था। नया जोड़ा गया इंटरएक्टिव मोड उपयोगकर्ताओं को होस्ट के साथ बातचीत करने की अनुमति देता है।

हाल ही में, बाइट्स जंपिंग ने LatentSync नामक एक नए मुँह के आकार के समन्वय ढाँचे को लॉन्च किया है, जिसका उद्देश्य ऑडियो शर्तित संभावित प्रसार मॉडल का उपयोग करके अधिक सटीक मुँह के आकार का समन्वय प्राप्त करना है। यह ढाँचा Stable Diffusion पर आधारित है और समय की स्थिरता के लिए ऑप्टिमाइज़ किया गया है। पहले के पिक्सेल स्पेस प्रसार या दो-चरणीय जनरेशन विधियों की तुलना में, LatentSync एक एंड-टू-एंड दृष्टिकोण अपनाता है, जिसमें मध्यवर्ती गति प्रतिनिधित्व की आवश्यकता नहीं होती है, और यह सीधे ऑडियो और दृश्य के बीच जटिल संबंधों का मॉडलिंग कर सकता है। LatentSync के भीतर

कृत्रिम बुद्धिमत्ता के क्षेत्र में, टेक्स्ट-ऑडियो उत्पन्न करने वाली तकनीक धीरे-धीरे अनुसंधान का热点 बन रही है। हाल ही में, शोधकर्ताओं ने एक नए मॉडल TANGOFLUX का परिचय दिया है, जो प्रदर्शन और दक्षता दोनों में उत्कृष्टता दिखाता है। TANGOFLUX एक कुशल टेक्स्ट से ऑडियो उत्पन्न करने वाला मॉडल है, जिसमें 515 मिलियन पैरामीटर हैं, जो केवल 3.7 सेकंड में अधिकतम 30 सेकंड की 44.1kHz ऑडियो उत्पन्न कर सकता है, यह गति इसे एक ही A40GPU पर बेहद प्रभावशाली बनाती है। TANGOFLUX मुख्य रूप से

डौइंग ग्रुप ने हाल ही में 2024 की लाइवस्ट्रीम गवर्नेंस रिपोर्ट जारी की है, जिसमें प्लेटफ़ॉर्म के लाइवस्ट्रीम क्षेत्र में गवर्नेंस के सिद्धांत, विधियों और परिणामों का संपूर्ण प्रदर्शन किया गया है। पिछले वर्ष में, डौइंग ने एक सुरक्षित, विश्वसनीय और सकारात्मक नेटवर्क लाइवस्ट्रीम वातावरण बनाने के लिए प्रयास किया, जिसमें एंकर प्रबंधन तंत्र को सुधारना, सामग्री पहचान तकनीक को मजबूत करना, ऑनलाइन-ऑफलाइन सहयोग गवर्नेंस और महत्वपूर्ण जनसंख्या संरक्षण जैसी उपायों के माध्यम से महत्वपूर्ण उपलब्धियां हासिल की हैं।

हाल ही में, एडोब रिसर्च ने उत्तर-पश्चिमी विश्वविद्यालय के साथ मिलकर Sketch2Sound नामक एक कृत्रिम बुद्धिमत्ता प्रणाली विकसित की, जो ध्वनि डिज़ाइनरों के काम करने के तरीके को पूरी तरह से बदलने की उम्मीद करती है। Sketch2Sound उपयोगकर्ताओं को गुनगुनाने, आवाजों की नकल करने और सरल टेक्स्ट विवरण का उपयोग करके पेशेवर ध्वनि प्रभाव और एम्बियंट साउंड बनाने की अनुमति देती है। यह प्रणाली उपयोगकर्ता के वोकल इनपुट के तीन महत्वपूर्ण तत्वों का विश्लेषण करती है: आवाज की मात्रा, ध्वनि की गुणवत्ता (जो ध्वनि की चमक या गहराई को निर्धारित करती है) और पिच।

अलीबाबा क्लाउड बैरलियन बड़े मॉडल सेवा मंच ने हाल ही में "ऑडियो-वीडियो रियल-टाइम इंटरैक्शन" सुविधा शुरू की है, जिससे उपयोगकर्ता बिना किसी प्रोग्रामिंग ज्ञान के मल्टी-मोडल AI अनुप्रयोग आसानी से बना सकते हैं। यह नई सुविधा उपयोगकर्ताओं को वेब, iOS और एंड्रॉइड अनुप्रयोगों में तेजी से AI मॉडलों को एकीकृत करने और दूसरों के साथ साझा करने की अनुमति देती है। उपयोगकर्ता स्मार्ट एजेंट अनुप्रयोग बनाने के लिए साधारण चरणों का पालन कर सकते हैं: सबसे पहले एक नया स्मार्ट एजेंट अनुप्रयोग बनाएं, फिर अलीबाबा क्लाउड बैरलियन मंच पर आवश्यक पाठ, आवाज या दृश्य समझ के बड़े मॉडलों को चुनें और कॉन्फ़िगर करें। मंच 200 से अधिक बड़े मॉडलों की पेशकश करता है, जिसमें

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।