Tiến triển âm thanh AI: Tổng hợp giọng nói, trò chuyện thời gian thực, tạo nhạc và mô hình hiểu âm thanh.
Sundar Pichai@sundarpichai· 2 nguồnSundar Pichai vừa giới thiệu tính năng giọng nói mới trên Gemini, cho phép người dùng tìm kiếm email, quản lý ghi chú và soạn thảo văn bản bằng hội thoại tự nhiên. Tính năng này hiện đã khả dụng cho người dùng đăng ký Google AI.
Runway@runwaymlRunway giới thiệu GWM Worlds 2, mô hình thế giới ảo cho phép tạo video 720p/24fps kèm âm thanh chất lượng cao, nơi người dùng tùy chỉnh môi trường, vật lý và điều khiển diễn biến thế giới bằng văn bản mà không bị giới hạn kịch bản.
OpenRouter@OpenRouter· 4 nguồnMicrosoft vừa đưa MAI-Transcribe 2 lên nền tảng OpenRouter, hỗ trợ chuyển đổi giọng nói sang văn bản cho 60 ngôn ngữ với độ chính xác hàng đầu, tích hợp nhận diện ngôn ngữ tự động và phân tách người nói.
Alibaba vừa tích hợp nền tảng lập trình Qoder lên kính thông minh Qwen và Leqi, cho phép người dùng điều khiển AI thực hiện tác vụ lập trình thông qua giọng nói và nhận thông báo trực quan ngay trên mắt kính.
Artificial Analysis@ArtificialAnlysMô hình Wan 3.0 của Alibaba vừa vươn lên dẫn đầu bảng xếp hạng chỉnh sửa video có âm thanh của Artificial Analysis, đồng thời xếp thứ hai ở hạng mục tạo video từ văn bản. Đây là mô hình đa năng hỗ trợ xuất video 1080p dài 30 giây với khả năng tùy chỉnh sâu qua văn bản, hình ảnh và âm thanh.
Artificial Analysis@ArtificialAnlys· 2 nguồnMô hình Realtime TTS-2 mới của Inworld vừa đạt 1.123 điểm Elo, vượt qua Cartesia Sonic 3.6 để dẫn đầu bảng xếp hạng Controlled Voice Arena và giữ vị trí thứ hai trong Provider Voice Arena.
Testing Catalog@testingcatalogInworld vừa giới thiệu bộ đôi TTS-2 và TTS-2 Flash với khả năng sao chép giọng nói siêu tốc chỉ trong 5-15 giây, hỗ trợ đọc chính xác các mã số phức tạp và tối ưu độ trễ thấp.
Meta Superintelligence Labs giới thiệu Muse Voice Transcribe, mô hình tự hồi quy đầu tiên xử lý đồng thời nhận diện giọng nói, phân tách hơn 20 người nói và phát hiện điểm cuối mà không cần hậu xử lý.
Elon Musk@elonmuskGrok vừa bổ sung tính năng chia sẻ màn hình vào chế độ hội thoại giọng nói, cho phép AI quan sát trực tiếp nội dung trên trình duyệt để hướng dẫn người dùng theo thời gian thực.
Alibaba Cloud / Alibaba Cloud@alibaba_cloudAlibaba Cloud vừa giới thiệu mô hình Wan 3.0 với tính năng Omni-reference đột phá, cho phép tạo video chất lượng 1080p dài 30 giây kèm âm thanh chỉ với một lần tạo duy nhất.
VibeVoice là mô hình ASR đầu cuối dựa trên LLM, cho phép xác định người nói ngay khi âm thanh được truyền đến mà không cần bước phân tách giọng nói (diarization) riêng biệt.
MiniMax@MiniMax_AIMiniMax vừa công bố bước tiến đột phá khi kết hợp vLLM-Omni và FastH3, cho phép tạo video 10,1 giây kèm âm thanh đồng bộ chỉ trong 8,7 giây, đạt tốc độ nhanh hơn thời gian phát thực tế.
Sierra vừa ra mắt hướng dẫn toàn diện về AI giọng nói, cung cấp 7 bài kiểm tra quan trọng để đánh giá khả năng phản hồi, độ trễ và tính an toàn của các tác nhân AI trong giao tiếp thực tế.
Alexandr Wang (Scale AI /Meta AI )@alexandr_wang· 2 nguồnMeta Superintelligence Labs vừa giới thiệu Muse Voice Transcribe, mô hình chuyển đổi giọng nói trực tiếp dẫn đầu bảng xếp hạng AA-WER với tỷ lệ lỗi chỉ 3,1% và độ trễ phản hồi cực thấp 0,16 giây.
Sky Computing Lab@haoailabĐội ngũ FastVideo tích hợp FastH3 Dense vào vLLM-Omni, cho phép tạo video 10.1 giây kèm âm thanh đồng bộ với tốc độ nhanh hơn thời gian thực. Dự án đã mở mã nguồn với sự hỗ trợ tối ưu hóa từ NVIDIA.
Sonos trình làng hệ sinh thái âm thanh mới với hệ điều hành Sonos 27, tích hợp trợ lý ảo tự phát triển và khả năng kết nối với ChatGPT, Gemini để tối ưu hóa trải nghiệm người dùng.
OpenBMB@OpenBMBDựa trên mô hình VoxCPM2, ZastTranslate là công cụ mã nguồn mở giúp tự động hóa quy trình dịch thuật, sao chép giọng nói và lồng tiếng đa ngôn ngữ cho video ngay trên thiết bị cá nhân.
Runway giới thiệu Solaris, mô hình 'Interface World Model' đầu tiên có khả năng render giao diện phần mềm ở độ phân giải 720p theo thời gian thực, cho phép người dùng tương tác trực tiếp qua thao tác chuột hoặc giọng nói mà không cần chạy mã nguồn.
Startup Blue Voice vừa huy động thành công 6 triệu USD để phát triển trợ lý AI giúp cảnh sát tra cứu quy định và chính sách nghiệp vụ theo thời gian thực, hiện đã được triển khai tại 225 cơ quan trên khắp nước Mỹ.
OpenBMB@OpenBMBDự án mã nguồn mở OpenMAIC vừa đạt hơn 25,7k sao trên GitHub, cho phép tạo khóa học tương tác chỉ với một cú nhấp chuột. Đồng thời, VoxCPM2 cũng được tích hợp để hỗ trợ tính năng sao chép giọng nói trong hệ thống.
cb_doge@cb_dogeNgười dùng hiện có thể ra lệnh cho Grok thực hiện hơn 100 tác vụ trên xe Tesla như chỉnh điều hòa, định vị và cài đặt mà không cần chạm vào màn hình, thông qua câu lệnh "Hey Grok".
Cơ quan quản lý NHS cảnh báo các công cụ AI chuyển đổi giọng nói thành văn bản thường xuyên nhầm lẫn tên thuốc và bệnh lý, gây rủi ro lớn cho bệnh nhân do thiếu cơ chế kiểm soát chặt chẽ.
DreamX-Creator 1.0 là hệ thống tạo nội dung đa phương tiện đột phá, sử dụng mô hình 7B để đồng bộ hóa âm thanh và video từ văn bản và khung hình đầu tiên, mang lại chất lượng 2K sắc nét.
Trải nghiệm thực tế của tác nhân AI giọng nói phụ thuộc vào độ trễ câu đầu (TTFS) thay vì chỉ TTFT. Bài viết phân tích ngân sách độ trễ cho toàn bộ quy trình STT, LLM và TTS để đạt mục tiêu phản hồi dưới 1.2 giây.
Gã khổng lồ công nghiệp Caterpillar ra mắt Cat AI Assistant, tận dụng kho dữ liệu khổng lồ để hỗ trợ kỹ thuật viên qua giọng nói, đồng thời đầu tư 100 triệu USD đào tạo nhân sự trong bối cảnh doanh thu đạt kỷ lục nhờ nhu cầu từ trung tâm dữ liệu.
Huawei vừa nâng cấp hệ thống buồng lái thông minh HarmonySpace với các tính năng AI mới như tự động ghi nhớ địa chỉ, tối ưu hóa điều hướng bằng giọng nói và bộ lọc trạm sạc thông minh, hướng tới cột mốc 2 triệu xe được trang bị công nghệ này.
Tesla đang lên kế hoạch đưa nền tảng AI Grok Bot vào hệ thống xe hơi, cho phép người dùng điều khiển công việc, quản lý dữ liệu và thực hiện các tác vụ phức tạp thông qua giọng nói ngay trên xe.
StemDeck là công cụ tách nhạc mạnh mẽ cho phép tách file âm thanh hoặc link YouTube thành 6 kênh riêng biệt (vocal, trống, bass, guitar, piano...) hoàn toàn miễn phí, bảo mật và không cần kết nối internet.
Google AI@GoogleAIGoogle vừa trình làng Gemini 3.5 Transcribe với khả năng chuyển đổi giọng nói thành văn bản chính xác nhất hiện nay, cùng bản cập nhật Gemini Omni 1.1 Flash giúp nâng cấp mạnh mẽ tính năng tạo và chỉnh sửa video.