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

कृत्रिम बुद्धिमत्ता के तेजी से विकास के बीच, वॉयस सिंथेसिस तकनीक पर zunehmend ध्यान दिया जा रहा है। हाल ही में, कोकुरो नामक नवीनतम वॉयस सिंथेसिस मॉडल हगिंग फेस प्लेटफ़ॉर्म पर आधिकारिक रूप से लॉन्च किया गया है, जिसका 82000000 पैरामीटर हैं, जो वॉयस सिंथेसिस क्षेत्र में एक महत्वपूर्ण मील का पत्थर है। कोकुरो v0.19 ने लॉन्च से कुछ हफ्ते पहले, TTS (टेक्स्ट-टू-स्पीच) क्षेत्र में रैंकिंग में पहली स्थिति हासिल की, और इसका प्रदर्शन अन्य अधिक पैरामीटर वाले मॉडलों से भी बेहतर था। यह मॉडल मोनो सेटिंग में केवल इस्तेमाल करता है

ElevenLabs ने हाल ही में अपनी नवीनतम मानव आवाज संश्लेषण मॉडल फ्लैश लॉन्च किया है, जो अब तक का सबसे तेज़ टेक्स्ट-टू-स्पीच (TTS) समाधान होने का दावा करता है, जिसकी आवाज उत्पादन की देरी केवल 75 मिलीसेकंड है (अनुप्रयोग और नेटवर्क देरी के साथ)। फ्लैश विशेष रूप से कम देरी वाले संवादात्मक आवाज सहायक के लिए उपयुक्त है, और उपयोगकर्ता तुरंत ElevenLabs के संवाद AI प्लेटफॉर्म पर इस नई सुविधा का अनुभव कर सकते हैं। फ्लैश मॉडल के दो संस्करण हैं, जिसमें फ्लैश v2 केवल अंग्रेजी का समर्थन करता है, जबकि F

ElevenLabs एक स्टार्टअप है जो AI वॉयस क्लोनिंग और टेक्स्ट-टू-स्पीच API पर केंद्रित है, जिसने हाल ही में एक नई फ़ीचर की घोषणा की है जिससे उपयोगकर्ता पूर्ण संवादात्मक AI एजेंट बना सकते हैं। अब उपयोगकर्ता ElevenLabs के डेवलपर प्लेटफ़ॉर्म पर अपने आवश्यकताओं के आधार पर संवादात्मक एजेंट के विभिन्न वेरिएबल्स को अनुकूलित कर सकते हैं, जैसे कि वॉयस टोन और प्रतिक्रिया की लंबाई। ElevenLabs पहले विभिन्न वॉयस और टेक्स्ट-टू-स्पीच सेवाएं प्रदान करता था। कंपनी के ग्रोथ हेड सैम स्क्लार ने एक साक्षात्कार में

हाल ही में, Oute AI ने एक नई टेक्स्ट-टू-स्पीच संश्लेषण विधि जारी की, जिसे OuteTTS-0.1-350M कहा जाता है। यह विधि केवल भाषा मॉडलिंग का उपयोग करती है, बाहरी अनुकूलक या जटिल संरचना की आवश्यकता के बिना, एक सरल TTS विधि प्रदान करती है। OuteTTS-0.1-350M LLaMa संरचना पर आधारित है, जो WavTokenizer का उपयोग करके सीधे ऑडियो टोकन उत्पन्न करता है, जिससे प्रक्रिया अधिक कुशल हो जाती है। इस मॉडल में शून्य-नमूना आवाज क्लोनिंग क्षमता है, केवल कुछ सेकंड के संदर्भ ऑडियो की आवश्यकता होती है।

हाल ही में, अमेरिका के कैलिफोर्निया के सैन फ्रांसिस्को में स्थित AI स्टार्टअप smallest.ai ने अपना नया उत्पाद लाइटनिंग लॉन्च किया है, जो 100 मिलीसेकंड में 10 सेकंड लंबी ऑडियो बनाने वाला टेक्स्ट-टू-स्पीच (TTS) मॉडल है। इस तकनीक की प्रगति ने वैश्विक डेवलपर्स को उच्च समकक्षता वाले स्पीच रोबोट अनुप्रयोग विकसित करने में सक्षम बनाया है, और लेटेंसी का समय बहुत कम है, जिससे कार्यान्वयन लागत में कमी आई है और अनुप्रयोगों की पहुंच में वृद्धि हुई है। लाइटनिंग वर्तमान में अंग्रेजी और हिंदी के विभिन्न उच्चारणों का समर्थन करता है, और टीम जल्द ही विस्तार करने की योजना बना रही है।

ज़्हीपु एआई ने घोषणा की है कि उनकी एंड-टू-एंड इमोशनल वॉइस तकनीक अब ज़्हीपु क्यूइंग प्लेटफॉर्म पर उपलब्ध है और सभी उपयोगकर्ताओं के लिए खोली गई है। यह तकनीक पारंपरिक टेक्स्ट-टू-स्पीच (टीटीएस) तकनीक की सीमाओं को पार कर रही है, और संदर्भ के माहौल को गहराई से समझने में सक्षम है, साथ ही भावनात्मक और प्राकृतिक संवाद उत्पन्न करती है। यह ज़्हीपु एआई की वॉइस सिंथेसिस तकनीक के लिए एक मील का पत्थर है, जिसने साधारण पाठ पढ़ने से वास्तविक भावनाओं को व्यक्त करने वाले कृत्रिम बुद्धिमत्ता में विकास कर लिया है।

OpenAI ने अपने उन्नत टेक्स्ट-टू-स्पीच एपीआई को डेवलपर प्लेग्राउंड प्लेटफॉर्म में एकीकृत किया है, जो डेवलपर्स को सुविधाजनक और त्वरित निर्बाध उपयोग का अनुभव प्रदान करता है। बस टेक्स्ट संदेश दर्ज करें और छह पूर्वनिर्धारित आवाजों में से चयन करें, AI विशेष भाषा और क्षेत्र संस्करण का बुद्धिमानी से मिलान करेगा, जिससे भाषा और क्षेत्र चयन का बोझ समाप्त हो जाएगा। यह एपीआई केवल विकास प्रक्रिया को सरल नहीं करता है, बल्कि उत्कृष्ट ध्वनि संयोजन तकनीक भी प्रदान करता है, जिससे लिखित पाठ को वास्तविक बातचीत की तरह उच्च गुणवत्ता वाली ऑडियो फ़ाइलों में परिवर्तित किया जा सकता है, जो इमर्सिव और इंटरएक्टिव उपयोगकर्ता अनुभव के लिए विविध संभावनाएं प्रदान करता है।