欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。
在 AI 语音生成领域，竞争正变得愈发激烈。近日，来自韩国的两名本科生合伙创建了一款名为 Dia 的 AI 语音模型，声称其功能可与谷歌的 NotebookLM 相媲美。尽管这两位创始人在 AI 领域的经验尚浅，但他们在短短三个月内，成功开发出一款开放获取的语音生成工具。Dia 的训练依赖于谷歌的 TPU Research Cloud 项目，该项目为研究人员提供免费的 TPU AI 芯片使用权限。Dia 模型拥有1.6亿个参数，能够根据给定的脚本生成对话。用户还可以自由定制发言人的语调，并插入诸如咳嗽、笑声等非语言提示
由xAI打造的生成式人工智能聊天机器人Grok迎来了一次里程碑式的更新，其功能全面升级，不仅新增了视觉处理能力，还实现了多语言音频处理以及语音模式下的实时搜索功能。这一更新标志着Grok在多模态AI领域的重大突破，为用户提供了更智能、更便捷的交互体验。以下，AIbase将为您详细解析此次更新的亮点与意义。视觉能力突破Grok的视觉处理能力是此次更新的核心亮点之一。尽管早在2024年4月，xAI曾宣布Grok-1.5Vision（Grok-1.5V）具备处理文档、图表、截图和照片等视觉信息的能力，但该版
亚马逊近日发布了其最新的 AI 语音模型 ——Nova Sonic，这一新技术标志着该公司在人工智能语音领域的重要进展。Nova Sonic 能够快速处理语音输入并生成自然流畅的语音输出，其在速度、识别准确性以及对话质量等方面已达到了与 OpenAI 和谷歌等行业领军企业的顶尖水平。与其他 AI 语音模型相比，Nova Sonic 在性价比方面表现突出，价格竟然比 OpenAI 的 GPT-4o 便宜约 80%。这种经济实惠的解决方案无疑为企业开发 AI 应用提供了更具吸引力的选择。Nova Sonic 通过亚马逊 Bedrock 开发者平台进行服务，
亚马逊近日推出了一款新型 AI 语音模型 ——Nova Sonic，旨在提升其语音助手 Alexa + 的性能。Nova Sonic 被设计用于本地处理语音并生成自然流畅的回复，标志着亚马逊在语音识别技术领域的又一次突破。Nova Sonic 采取了一种全新的整合方式，将语音理解和生成的能力统一到一个模型中。这一创新不仅简化了语音应用的开发过程，还能根据语音输入的声学背景（如语调和风格）来调整生成的语音响应，从而实现更加自然的对话。Nova Sonic 甚至能够理解人类对话中的细微之处，包括说话者的自然停
欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。新鲜AI产品点击了解：https://top.aibase.com/1、阿里通义千问Qwen2.5-Omni登顶全球开源模型榜单2024年4月2日，HuggingFace发布了最新的大模型榜单，阿里巴巴的Qwen2.5-Omni凭借其卓越的性能和多模态能力，成功登顶，成为全球开源模型的领军者。尽管没有进行大规模宣传，这一举措被认为是OpenAI在推动AI教育普及方面的重要一步，受到业内人士的广泛欢迎。
备受关注的音频技术创新者MiniMax Audio正式发布了其全新的Speech-02系列语音模型，支持30多种语音，一次性可以输入20万字符。为用户带来更真实、更流畅、更便捷的音频体验。全新的Speech-02系列是本次更新的核心亮点。据官方介绍，该系列在多语言覆盖能力上实现了显著提升，能够更准确、更地道地呈现多种语言的发音。更令人惊喜的是，Speech-02的人声相似度高达99%，这意味着合成的语音听起来更加自然、贴近真人. 此外，该模型还实现了零节奏故障，彻底解决了音频播放过程中可能出现的
近日，人工智能音频技术领域的先锋企业ElevenLabs宣布推出全球首款专为犬类设计的AI文本转语音模型“Text To Bark”，引发了科技界和宠物爱好者的广泛关注。这一创新技术号称能够将人类输入的文字转化为高度逼真的狗吠声，据称其真实度之高，甚至有95%的狗无法分辨这些声音是由AI生成而非真实犬类发出的。此举被视为推动人类与宠物之间“沟通”的一次大胆尝试，尽管狗狗可能仍无法理解人类的具体意图，但这一技术至少让人类能够以“狗语”表达自己。据介绍，“Text To Bark”模型的
欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。新鲜AI产品点击了解：https://top.aibase.com/1、OpenAI推全新语音转录模型gpt-4o-transcribe，语音转文字准确率飙升OpenAI近期推出了三款新语音模型，分别为:gpt-4o-transcribe，gpt-4o-mini-transcribeandgpt-4o-mini-tts，其中gpt-4o-transcribe备受关注。百川智能还推出了“AI儿科医生”应用，结合国家区域医疗中心，推动人工智能在基层儿科医疗中的应用。
3月19日，一款名为Orpheus TTS的开源文本转语音（TTS）模型正式亮相。这款模型以其接近人类的情感表达、自然流畅的语音效果以及超低延迟的实时输出流特性，迅速引起关注。据悉，Orpheus TTS在实时对话场景中表现出色，有望为智能语音交互带来新突破。Orpheus TTS主打低延迟和高情感表现，其核心特点包括: - **超低延迟**:默认延迟约200毫秒，通过输入流与模型的KV缓存优化，可将延迟压缩至25-50毫秒，满足实时对话需求。 - **情感表达**:语音输出自然流畅，能够贴近人类情感，支持丰富的语
谷歌云在位于伦敦的 DeepMind 总部举行了一场会，正式推出其高清语模型 Chirp3。该模型通过 Vertex AI 统一机器学习平台向开发者开放，提供了丰富的开发工具，助力程序的创新。Chirp3支持248种不同的声音，并可用31种语言进行语音合成。开发者可以利用这一模型创建多种应用，如智能语音助手、有声读物和视频配音等。谷歌表示，Chirp3的语音功能能够捕捉人类语调的细微差别，使得对话更加生动和引人入胜。除了使用现成的语音，用户还可以通过谷歌云的文本转语音 API 创建自定义语音。然