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

क्या आप जटिल ओपन-सोर्स डिजिटल टूल के लिए वातावरण कॉन्फ़िगर करने से परेशान हैं? AigcPanel का आगमन इस स्थिति को पूरी तरह से बदल देगा। यह एकीकृत AI डिजिटल मानव प्रणाली अपने सरल और उपयोगकर्ता के अनुकूल विशेषताओं के साथ सभी उपयोगकर्ताओं को आसानी से काम करने की अनुमति देती है। केवल एक स्थापना पैकेज की आवश्यकता होती है, सभी समस्याओं को हल करें, जटिल वातावरण कॉन्फ़िगरेशन को अलविदा कहें, केवल मॉडल डाउनलोड करें और तैयार हो जाएं, सच में 'तुरंत उपयोग करें' को महसूस करें। AigcPanel की मुख्य विशेषताएँ इसकी शक्तिशाली वीडियो सिंथेसिस, ध्वनि सिंथेसिस और ध्वनि क्लोनिंग क्षमताओं में निहित हैं। उपयोगकर्ता आसानी से डिजिटल मानव के साथ संयोजन में वीडियो उत्पन्न कर सकते हैं।

आर्टिफिशियल इंटेलिजेंस के तेज़ विकास के इस युग में, वॉयस सिंथेसिस और रूपांतरण तकनीकें तेजी से प्रगति कर रही हैं, जो हमें बेहतरीन और प्राकृतिक ऑडियो अनुभव प्रदान कर रही हैं। हालांकि, इन तकनीकों की प्रगति संभावित सुरक्षा चिंताओं के साथ आती है, खासकर वॉयस क्लोनिंग तकनीक का दुरुपयोग किया जा सकता है, जिससे व्यक्तिगत गोपनीयता और सामाजिक स्थिरता को खतरा है। इस चुनौती का सामना करने के लिए, झेजियांग विश्वविद्यालय का इंटेलिजेंट सिस्टम सिक्योरिटी लैब और तिंहुआ विश्वविद्यालय ने मिलकर एक क्रांतिकारी वॉयस धोखाधड़ी पहचान ढांचा - SafeEar लॉन्च किया। यह ढांचा केवल धोखाधड़ी ऑडियो की प्रभावी पहचान ही नहीं कर सकता, बल्कि पहचान प्रक्रिया के दौरान उपयोगकर्ता की सुरक्षा भी करता है।

अलीबाबा के नवीनतम CosyVoice वॉयस सिंथेसिस मॉडल और SenseVoice वॉयस पहचान मॉडल, FunAudioLLM ढांचे का निर्माण करते हैं, जिसका उद्देश्य मानव-कंप्यूटर इंटरैक्शन अनुभव को बेहतर बनाना है। CosyVoice अपनी विश्वसनीय आवाज उत्पादन क्षमता के साथ विभिन्न लिंगों, उम्रों और व्यक्तित्वों की आवाज़ों की नकल कर सकता है, भावना और शैली जोड़ सकता है, और यहां तक कि प्राकृतिक विशेषताओं जैसे कि हंसी, खांसी और सांस लेने की नकल कर सकता है। SenseVoice उच्च सटीकता के साथ बहुभाषी आवाज पहचान, भावना पहचान और ऑडियो इवेंट डिटेक्शन पर ध्यान केंद्रित करता है, 50 से अधिक को सपोर्ट करता है।

हुवांगशान इंजन ने चेंगडू में 2024 एआई नवोन्मेष प्रदर्शनी का आयोजन किया। हुवांगशान इंजन ने घोषणा की कि उसके डौबा बड़े मॉडल का दैनिक टोकन्स उपयोग 500 बिलियन से अधिक हो गया है, जबकि हर एक उद्यम ग्राहक का दैनिक टोकन्स उपयोग 15 मई को मॉडल की लॉन्चिंग के बाद 22 गुना बढ़ गया है। हुवांगशान इंजन के उपाध्यक्ष झांग सीन ने कहा कि हुवांगशान इंजन अधिक बुद्धिमान, औद्योगिक और क्षेत्रीय विकास की दिशा में आगे बढ़ रहा है, और उद्योग समाधान, उत्पाद और अनुकूलन सेवाओं के माध्यम से कंपनियों को उनके व्यवसाय में नवाचार करने में सहायता कर रहा है.

AI वॉयस सिंथेसिस स्टार्टअप ElevenLabs ने 80 मिलियन डॉलर की B राउंड फंडिंग पूरी की, जिसमें Andreessen Horowitz, Nat Friedman आदि ने नेतृत्व किया। यह फंडिंग उत्पाद विकास, बुनियादी ढांचे और टीम का विस्तार, AI अनुसंधान, और सुरक्षा उपायों को मजबूत करने के लिए उपयोग की जाएगी। ElevenLabs का मूल्यांकन 10 अरब डॉलर से अधिक है।

बी-स्टेशन UP主 "小虫哥_" ने Genshin Impact का एक दूसरा निर्माण वीडियो जारी किया, जिसमें पात्र फ़ुनीना की नकल की गई, और मूल आवाज को बरकरार रखा गया, जिसमें कुल 1.36 मिलियन से अधिक दृश्य थे। UP主 ने VITS वॉयस सिंथेसिस मॉडल का उपयोग करके आवाज़ के पाठ को अपलोड किया, भाषाई विशेषताओं को निकालने के लिए, और Genshin Impact पात्रों की विशेष आवाज़ों को बरकरार रखा। AI आवाज़ नकल तकनीक अब सामान्य हो गई है, जैसे कि HeyGen और AI Dubbing जैसे उपकरणों ने उपयोग की बाधाओं को कम कर दिया है। AI तकनीक के उन्नयन के कारण निर्माताओं की रुचि बढ़ गई है, और सामग्री और रूप में अनोखे काम करने का तरीका बन गया है। लेख VITS मॉडल के सिद्धांतों पर चर्चा करता है और वॉयस सिंथेसिस को संक्षेप में समझाता है।

网易有道 ने '易魔声' ओपन-सोर्स वॉयस सिंथेसिस इंजन पेश किया है, जो चीनी और अंग्रेजी दोनों भाषाओं का समर्थन करता है, जिसमें 2000 से अधिक विभिन्न वॉयस टोन शामिल हैं। यह इंजन भावनात्मक सिंथेसिस की विशेषता रखता है, जो खुशी, उत्साह, tristeza, गुस्सा आदि जैसी विभिन्न भावनाओं के साथ वॉयस को सिंथesize कर सकता है। उपयोगकर्ता इसे GitHub पर मुफ्त में डाउनलोड कर सकते हैं और प्रदान किए गए इंटरफेस और स्क्रिप्ट इंटरफेस के माध्यम से वॉयस टोन के भावनात्मक सिंथेसिस और अनुप्रयोग को लागू कर सकते हैं। इस परियोजना का उद्देश्य डेवलपर्स और सामग्री निर्माताओं को उच्च गुणवत्ता वाली TTS के अनुप्रयोग क्षेत्र को विस्तारित करने में मदद करना है। 网易有道 ने ध्वनि अनुकूलन और ध्वनि पुनरुत्पादन की भी पेशकश की है।