Microsoft wypuszcza modele mowy strumieniowej, a hype wokół wideo AI zderza się ze sceptykami
Microsoft AI wydał 2 października MAI-Transcribe-2-Streaming i dwa modele zamiany tekstu na mowę. Firma twierdzi, że model ma pierwsze miejsce pod względem dokładności transkrypcji w Artificial Analysis, a wariant MAI-Voice-2.1-Flash opóźnienie 150 ms.

Microsoft AI wydał MAI-Transcribe-2-Streaming i dwa modele zamiany tekstu na mowę 2 października, podał The Decoder. Model transkrypcji obsługuje 60 języków. Zwraca częściowe wyniki w nieco ponad 100 milisekund.
To nie generator wideo. To warstwa, która decyduje, czy syntetyczny prezenter brzmi jak rozmowa, czy jak nagranie. Premiera wypada w tym samym tygodniu, w którym strona wideo branży przekonała się, jak trudna jest ostatnia mila.
Twierdzenie o realizmie, które najłatwiej sprawdzić
Tavus pokazał Griffina 1 października. Nazwał go pierwszym „Human Interaction Model”. The Decoder opisał badanie samej firmy: 48 procent uczestników uznało Griffina za prawdziwą osobę po minutowej rozmowie wideo, przy poprzednim najlepszym wyniku 2 procent. Tavus podaje, że test Nvidii przyznał Griffinowi 3,83 punktu za to, jak ludzko brzmi AI w rozmowie audio-wideo. Prawdziwi ludzie dostali 3,92, a poprzedni najlepszy model AI 2,80.
Testować można tylko zapowiedź Griffina-Lite, i to wybrani testerzy. Tavus obiecuje pełną wersję, gdy firma upora się z kwestiami bezpieczeństwa. Tavus powstał w 2020 roku i zebrał około 64 mln dol.
Dla porównania liczby Microsoftu przy mowie. MAI-Transcribe-2-Streaming kosztuje 0,54 dol. za godzinę dźwięku w cenie wprowadzającej do końca roku. MAI-Voice-2.1 mówi w 23 językach tym samym głosem, z rodzimym akcentem w każdym z nich, twierdzi Microsoft. Wariant Flash kosztuje 15 dol. za milion znaków zamiast 22 dol. Oba potrafią sklonować głos z kilku sekund nagrania referencyjnego. W jednym z testów Microsoftu około połowy z 4 000 uczestników uznało te głosy za należące do prawdziwej osoby.
Modele wideo wychodzą jeden za drugim, a pytania zostają
Kalendarz premier jest gęsty. Na liście nagłówków jest FLUX 3 Image, opisywany jako obsługujący generowanie do 4K, pozycjonowanie obiektów i częściową edycję, z wersją open source zapowiedzianą na najbliższe tygodnie. Jest tam też Seedance 2.5 od ByteDance i Kling 4.0 od wydzielonego z Kuaishou zespołu AI. Ani jeden, ani drugi raport nie opisuje tych premier, więc szczegóły są skąpe. Narzędzia obok są już udokumentowane.
Ideogram podał 1 października, że Ideogram 4.5 dotknie tylko tego fragmentu obrazu, który wskaże użytkownik. Oferuje cztery poziomy jakości od 0,8 do 22 centów za obraz i natywną rozdzielczość 2K, czyli 2 000 pikseli w poziomie, z zapowiedzianym wydaniem na otwartych wagach. To poprawka znanego trybu awarii, nie nowa funkcja. Powtarzane edycje w modelach takich jak GPT-Image 2.5 i Nano Banana wciąż zostawiają artefakty, podał The Decoder.
Do tego dochodzą pieniądze. Dealroom poinformował 30 września, że Luma rozkręciła 9 000 procesorów graficznych w sześć godzin na premierę Dream Machine. Runway wszedł w robotykę z modelem na otwartych wagach o nazwie Praxis-1, podał Robotics & Automation News 1 października. Oba przypadki są poza dziesięcioźródłowym rdzeniem poniżej, bo znamy tylko ich nagłówki.
„Systemy magazynowania wygładzają ceny, ale nie wytwarzają prądu”, powiedział Leonhard Gandhi, kierownik projektu Energy Charts w Fraunhofer ISE, gdy jego instytut opublikował symulator niemieckich cen energii na rynku dnia następnego.
Mówił o bateriach, nie o procesorach graficznych. Analogia nie jest idealna, ale ograniczenie ma ten sam kształt. Moc wnioskowania jest fizycznym nakładem, a zapis pokazuje, co się dzieje, gdy zaczyna jej brakować. Duński parlament przyjął 2 października awaryjny plan dla sieci, który zastępuje przyłączanie według kolejności zgłoszeń czterema kategoriami priorytetów. Centra danych trafiają do najniższego poziomu, chyba że są powiązane z krytyczną funkcją społeczną.
Warstwa modeli tymczasem się rozdrabnia. Amazon Web Services wydał Strands Decider 2B, czyli model decyzyjny o 2 000 000 000 parametrów na otwartym oprogramowaniu, w tym samym tygodniu, w którym OpenAI zapowiedział podobną ofertę, podał TechCrunch 1 października. Cloudflare odpowiedział modelami Clef i Clef-flash na otwartych wagach. Cloudflare twierdzi, że biją Jev od TypeSafe w trzech z czterech testów porównawczych samego TypeSafe, przy 0,24 dol. za milion tokenów wobec 0,042 dol. w Jevie. Cloudflare sam podał te wyniki i nie zostały one odtworzone na oficjalnym rankingu, zauważył The Register.
Nic z tego nie rozstrzyga pytania, które widz zadaje w pierwszych dwóch sekundach syntetycznego klipu: czy to człowiek. Tavus ma na to jedną liczbę. To 48 procent, w minutowej rozmowie, w badaniu, które firma przeprowadziła sama.
Źródła
15- 01Microsoft AI releases new transcription and text-to-speech models for voice agentsEN
- 02Nearly half of test subjects mistook Tavus' AI video avatar for a real person on a one-minute callEN
- 03Ideogram says its new model can edit part of an image without messing up the restEN
- 04Amazon releases its own Jev clone as decision models flood the webEN
- 05Cloudflare tries to outplay Jev with open-weight Clef modelsEN
- 06TypeSafe AI Releases Jev: A Decision-Only Model That Returns Typed Probabilities Instead of TextEN
- 07Fraunhofer ISE releases electricity price simulatorEN
- 08Denmark approves new grid connection prioritization modelEN
- 09Google releases Gemini 4 Argon, called its most powerful model yetEN
- 10Google rolls out new Gemini AI model but restricts access over safety concernsEN
- 11OpenAI scraps release of new model over safety concerns in internal testingEN
- 12OpenAI says planned GPT-6.1 is too insecure to releaseEN
- 13OpenAI abandons plan to release upcoming model as safety concerns escalateEN
- 14The NHL Is Releasing Its Own 'Hot' Fanfic. Romance Lovers Hate ItEN
- 15The Tesla Model 3 Gets A Range Bump And A New Screen In The U.S.EN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.