गूगल क्लाउड ने हाल ही में चिरप 3 नामक एक नया उच्च-रिज़ॉल्यूशन वाला वॉयस मॉडल लॉन्च किया है जो 248 विभिन्न प्रकार की आवाज़ों का समर्थन करता है। यह मॉडल बेहतर स्पष्टता और सटीकता के साथ आवाज़ों को पहचानने और उत्पन्न करने में सक्षम है।

सेसम कंपनी द्वारा हाल ही में लॉन्च किया गया वॉयस सिंथेसिस मॉडल, "कन्वर्सेशनल स्पीच मॉडल" (संक्षेप में सीएसएम) ने हाल ही में एक्स प्लेटफॉर्म पर काफी चर्चा बटोरी है, जिसे "मानव जैसे बोलने वाले वॉयस मॉडल" के रूप में सराहा गया है। इस मॉडल ने अपनी अद्भुत प्राकृतिकता और भावनात्मक अभिव्यक्ति क्षमता से न केवल उपयोगकर्ताओं को "इसके और मानव के बीच के अंतर" को पहचानने में असमर्थ बना दिया है, बल्कि यह भी दावा किया है कि इसने वॉयस टेक्नोलॉजी के "अजीब घाटी प्रभाव" को सफलतापूर्वक पार कर लिया है। प्रदर्शन वीडियो और उपयोगकर्ता प्रतिक्रिया के प्रसार के साथ, सीएसएम तेजी से एआई वॉयस टेक्नोलॉजी का...

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।

स्टेप ने हाल ही में स्टेप मॉडल मैट्रिक्स के नए सदस्य – स्टेप-1o एंड-टू-एंड वॉयस बड़े मॉडल की घोषणा की है, जिसे देश का पहला 100 अरब पैरामीटर एंड-टू-एंड वॉयस बड़ा मॉडल बताया गया है। इस नए मॉडल का विमोचन वॉयस टेक्नोलॉजी क्षेत्र में एक बड़ी प्रगति को दर्शाता है, जो एंड-टू-एंड वॉयस समाधान के माध्यम से, वॉयस समझ और उत्पादन का एकीकरण कर सकता है, जिससे मॉडल की बौद्धिक और भावनात्मक प्रभावशीलता में वृद्धि होती है और असाधारण, उच्च गुणवत्ता वाले संवाद अनुभव की उपलब्धता होती है।

2023 में स्थापित वापी कंपनी ने हाल ही में 20 मिलियन डॉलर की सी राउंड फंडिंग सफलतापूर्वक पूरी की, जिसमें बीसेमर वेंचर पार्टनर्स का नेतृत्व था, इसके अलावा अब्स्ट्रैक्ट वेंचर्स, एआई ग्रांट, वाई कॉम्बिनेटर, सागा वेंचर्स और माइकल ओविट्ज का निवेश मिला। जनरेटिव वॉयस मॉडल मनुष्य के इंटरएक्शन स्तर के करीब पहुंचने के साथ, कई व्यवसायों को एक की आवश्यकता है

हाल ही में, Play AI ने अपने सबसे महत्वाकांक्षी उत्पाद – PlayDialog बीटा संस्करण को लॉन्च किया है, जो संवादात्मक पॉडकास्ट ऑडियो उत्पन्न कर सकता है। यह एंड-टू-एंड AI वॉयस मॉडल, संवाद के ऐतिहासिक संदर्भ का उपयोग करके, स्वर, भावना और गति को नियंत्रित करने में सक्षम है, जिससे अधिक प्राकृतिक वॉयस सिंथेसिस की प्राप्ति होती है, जो मानव-मशीन संवाद के एक नए स्तर का प्रतीक है। PlayDialog विशेष रूप से वास्तविक संवाद अनुभव बनाने के लिए उपयुक्त है, जैसे नैरेटर, वॉइसओवर, सिंथेसाइज्ड पॉडकास्ट आदि, और व्यावसायिक पर्यावरण में एक-एक वॉयस के लिए इमर्सिव अनुभव प्रदान कर सकता है।

西湖心辰 ने अपने विकसित वेस्टलेक-ओम्नि मॉडल को खुला स्रोत बनाने की घोषणा की। यह全球首个开放的中文情感端到端语音交互大模型，वेस्टलेक-ओम्नि ने टेक्स्ट और वॉयस मोड को एकीकृत करने के लिए डिस्क्रीट रिप्रेजेंटेशन विधि का उपयोग किया है, विशेष रूप से वास्तविक समय पर ध्यान केंद्रित किया गया है, जो त्वरित प्रतिक्रिया करने और लगभग शून्य विलंबता का अनुभव प्रदान करने में सक्षम है।

2024 के क्लाउड जिज्ञासा सम्मेलन के उद्घाटन समारोह में, जायंट नेटवर्क ने पहली बार अपने 'गेम + एआई' क्षेत्र में नवीनतम उपलब्धियों का प्रदर्शन किया। कंपनी ने दो स्व-विकसित बड़े मॉडल अनुप्रयोगों - GiantGPT और BaiLing-TTS - को लॉन्च किया, जबकि AI डिजिटल मानव और AI चित्रण प्लेटफॉर्म जायंट मोज़ेक जैसी नई तकनीकों का प्रदर्शन किया।

NVIDIA ने कई विश्वविद्यालयों के साथ मिलकर NVEagle लॉन्च किया, जो एक बड़ा दृश्य भाषा मॉडल है जो चित्रों को देख सकता है और चैट कर सकता है। NVEagle चित्र की सामग्री का विश्लेषण कर सकता है और सटीक उत्तर प्रदान कर सकता है, जैसे कि चित्र में व्यक्तियों की पहचान करना, जैसे कि वह हुáng rén xùn है। यह मॉडल छवियों को दृश्य अंक में परिवर्तित करके और उन्हें टेक्स्ट एम्बेडिंग के साथ मिलाकर दृश्य जानकारी की समझ को महत्वपूर्ण रूप से बढ़ा देता है। उच्च रिज़ॉल्यूशन छवि प्रोसेसिंग की चुनौतियों का सामना करते हुए, शोध टीम ने विभिन्न दृश्य एन्कोडरों और समामेलन रणनीतियों की खोज की और Eagle-X5-7B, Eagle-X का निर्माण किया।

आईफ्लाईट स्टारफायर वॉयस बड़ा मॉडल ने एक नई अपग्रेड का स्वागत किया है, जिसमें ‘स्टारफायर अल्ट्रा-ह्यूमन इंटरएक्टिविटी’ नामक नई पीढ़ी का इंटरएक्टिव अनुभव लॉन्च किया गया है। यह अपग्रेड कई पहलुओं में ऑप्टिमाइज और एनहान्स किया गया है, जिसका उद्देश्य उपयोगकर्ताओं को एक अधिक प्राकृतिक, सुचारू और भावनात्मक वार्तालाप अनुभव प्रदान 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।

शंघाई जियाओ टोंग यूनिवर्सिटी और बाइटडांस द्वारा विकसित LSLM डुओफुल साउंड भाषा मॉडल पारंपरिक AI सहायक इंटरैक्शन के तरीके को बदलते हुए सुनने और बोलने के लिए रीयल-टाइम इंटरैक्शन की अनुमति देता है। LSLM का मुख्य लाभ इसकी क्षमता है कि यह एक ही समय में आवाज़ इनपुट और उत्पन्न आउटपुट को संभालता है, जिससे बातचीत की प्राकृतिकता और प्रवाह में उल्लेखनीय सुधार होता है। यह मॉडल स्ट्रीमिंग आत्म-निगरानी सीखने और टोकन-आधारित डिकोडर को मिलाकर रीयल-टाइम वॉयस इंटरैक्शन का समर्थन करता है, यहां तक कि शोर वाले वातावरण में भी उत्कृष्टता से प्रदर्शन करता है। LSLM की मध्यवर्ती मिलन रणनीति वॉयस उत्पन्न करने और रीयल-टाइम इंटरैक्शन के बीच सर्वोत्तम संतुलन प्राप्त करती है, जिससे मजबूत शोर प्रतिरोध का प्रदर्शन होता है।