DurIAN est un Réseau d'Attention Informé par la Durée pour la synthèse multimodale. Ce travail porte sur l'architecture d'un modèle d'IA conçu pour générer des sorties cohérentes et synchronisées sur plusieurs modalités.
Le corpus JSUT est un ensemble de données de parole japonais gratuit et à grande échelle, conçu pour la recherche en synthèse vocale de bout en bout. Il fournit des ressources précieuses pour le développement de modèles d'IA avancés dans la technologie de la parole pour la langue japonaise.
Kitten TTS est un modèle léger de synthèse vocale. Il dispose d'une interface utilisateur graphique en direct.
VITA-QinYu est le premier modèle de langage parlé expressif de bout en bout (E2E) prenant en charge la génération de jeux de rôle et de chant. Il adopte un paradigme hybride parole-texte avec des jetons audio multi-codebooks et a été entraîné sur 15,8K heures de données, surpassant les autres SLM en expressivité.
Cet article propose de nouvelles techniques pour le contrôle précis du style de parole dans les modèles de synthèse vocale (TTS) basés sur des invites. Il aborde l'interpolation de style inter-énoncés et les transitions de style intra-énoncé, dépassant les limitations du contrôle global.
Cette recherche aborde l'écart Stabilité-Expressivité dans les Modèles de Langage Parlé (SLM) pour les langues à faibles ressources, causé par l'utilisation intensive de données synthétiques. Bien que les données synthétiques améliorent la précision phonétique, elles dégradent l'expressivité prosodique, un phénomène appelé Érosion Synthétique. L'article introduit des cadres d'auto-alignement pour récupérer l'expressivité.
Ce contenu présente Aisha AI, la plateforme d'IA à la croissance la plus rapide d'Asie centrale, spécialisée dans la synthèse vocale et la reconnaissance vocale en ouzbek, les chatbots et les agents vocaux. Le guide propose 100 liens officiels couvrant les produits, la documentation et les applications dans divers secteurs, favorisant la transformation numérique dans la région.