Ainda está tendo problemas com a configuração do ambiente de ferramentas de avatar digital de código aberto complexas? O surgimento do AigcPanel mudará completamente essa situação. Este sistema de avatar digital de IA de serviço completo, com suas características fáceis de usar, permite que todos os usuários o dominem facilmente. Com apenas um pacote de instalação, você pode resolver todos os problemas, dizer adeus à configuração complexa do ambiente e começar a usar apenas baixando o modelo, realmente realizando "pronto para uso". A função principal do AigcPanel está em sua poderosa capacidade de síntese de vídeo, síntese de voz e clonagem de voz. Os usuários podem gerar facilmente vídeos com avatares digitais

No mundo de rápida evolução da tecnologia, a síntese de voz também está avançando, especialmente na área de recuperação de vozes perdidas. Recentemente, pesquisadores do Google propuseram uma nova tecnologia chamada "conversão de voz zero-shot", que pode ser combinada diretamente com sistemas de texto para fala (TTS) de última geração para ajudar pessoas que perderam suas vozes devido a doenças ou acidentes a recuperar suas "memórias sonoras". O cerne desta tecnologia reside na capacidade "zero-shot", o que significa que não precisamos de uma grande quantidade de amostras para implementá-la.

A Microsoft lançou recentemente o VALL-E 2, um modelo de texto para fala (TTS) de amostra zero, que gerou grande discussão no meio tecnológico e é considerado um marco no campo de TTS. A inovação do VALL-E 2 reside em sua capacidade de aprendizado zero-shot; com apenas um pequeno fragmento de amostra de voz desconhecida, ele consegue imitar a voz para dizer qualquer texto, alcançando uma imitação instantânea e agrupamento de codificadores impressionantes. Ele também aprimorou a amostragem com percepção de repetição, melhorando a estabilidade da decodificação e simplificando as necessidades de dados. Em testes de pontuação subjetiva e indicadores objetivos, o VALL-E 2 superou modelos anteriores.

A ElevenLabs, startup de síntese de voz com IA, arrecadou US$ 80 milhões em uma rodada de financiamento Série B. O investimento foi liderado pela Andreessen Horowitz e Nat Friedman. Os recursos serão usados para desenvolvimento de produtos, expansão de infraestrutura e equipe, pesquisa em IA e aprimoramento de medidas de segurança. A ElevenLabs agora está avaliada em mais de US$ 1 bilhão.

O UP do B站 “小虫哥_” lançou um vídeo de criação secundária de Genshin Impact, imitando a personagem Nahida, mantendo a voz original, com mais de 1,36 milhão de visualizações. O UP utilizou o modelo de síntese de voz VITS, carregando texto de voz para extrair características linguísticas e preservar o tom de voz único dos personagens de Genshin Impact. A tecnologia de clonagem de voz de IA já se popularizou, com ferramentas como HeyGen e AI Dubbing reduzindo a barreira de entrada. A atualização da tecnologia de IA atrai a atenção dos criadores, sendo crucial a criação de obras originais em termos de conteúdo e formato. O artigo explora os princípios do modelo VITS.