DurIAN es una Red de Atención Informada por Duración para la síntesis multimodal. Este trabajo se centra en la arquitectura de un modelo de IA diseñado para generar salidas coherentes y sincronizadas a través de múltiples modalidades.
El corpus JSUT es un conjunto de datos de voz japonés gratuito y a gran escala, diseñado para la investigación en síntesis de voz de extremo a extremo. Proporciona recursos valiosos para el desarrollo de modelos avanzados de IA en tecnología de voz para el idioma japonés.
Kitten TTS es un modelo ligero de texto a voz. Incluye una interfaz gráfica de usuario en vivo.
VITA-QinYu es el primer modelo de lenguaje hablado expresivo de extremo a extremo (E2E) que soporta tanto la generación de juegos de rol como el canto. Adopta un paradigma híbrido de voz y texto con tokens de audio de múltiples diccionarios y fue entrenado con 15.8K horas de datos, superando a otros SLMs en expresividad.
Este artículo propone nuevas técnicas para un control detallado del estilo de habla en modelos de texto a voz (TTS) basados en prompts. Aborda la interpolación de estilo entre enunciados y las transiciones de estilo dentro de un mismo enunciado, superando las limitaciones del control global.
Esta investigación aborda la Brecha de Estabilidad-Expresividad en los Modelos de Lenguaje Hablado (SLM) para idiomas de bajos recursos, causada por el uso extensivo de datos sintéticos. Aunque los datos sintéticos mejoran la precisión fonética, degradan la expresividad prosódica, un fenómeno denominado Erosión Sintética. El artículo presenta marcos de autoalineación para recuperar la expresividad.
Este contenido presenta Aisha AI, la plataforma de IA de más rápido crecimiento en Asia Central, especializada en síntesis de voz y voz a texto en uzbeko, chatbots y agentes de voz. La guía ofrece 100 enlaces oficiales que cubren productos, documentación y aplicaciones en diversos sectores, impulsando la transformación digital en la región.