Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

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.

AI i modeleNewsMarta ZielińskaOpublikowano: 2 października 20264 min czytaniaŹródła 15
Microsoft wypuszcza modele mowy strumieniowej, a hype wokół wideo AI zderza się ze sceptykami

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.

Komentarze 0

Źródła

15
  1. 01Microsoft AI releases new transcription and text-to-speech models for voice agentsEN
  2. 02Nearly half of test subjects mistook Tavus' AI video avatar for a real person on a one-minute callEN
  3. 03Ideogram says its new model can edit part of an image without messing up the restEN
  4. 04Amazon releases its own Jev clone as decision models flood the webEN
  5. 05Cloudflare tries to outplay Jev with open-weight Clef modelsEN
  6. 06TypeSafe AI Releases Jev: A Decision-Only Model That Returns Typed Probabilities Instead of TextEN
  7. 07Fraunhofer ISE releases electricity price simulatorEN
  8. 08Denmark approves new grid connection prioritization modelEN
  9. 09Google releases Gemini 4 Argon, called its most powerful model yetEN
  10. 10Google rolls out new Gemini AI model but restricts access over safety concernsEN
  11. 11OpenAI scraps release of new model over safety concerns in internal testingEN
  12. 12OpenAI says planned GPT-6.1 is too insecure to releaseEN
  13. 13OpenAI abandons plan to release upcoming model as safety concerns escalateEN
  14. 14The NHL Is Releasing Its Own 'Hot' Fanfic. Romance Lovers Hate ItEN
  15. 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.

Marta Zielińska

Marta Zielińska

AI, modele i technologie

Marta Zielińska pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, preprintach i danych z API, a nie na zapowiedziach producentów. Przy każdej publikacji sprawdza karty modeli, parametry treningowe i benchmarki, a liczby porównuje z niezależnymi testami i wynikami z repozytoriów. Rozmawia z badaczami i inżynierami, czeka na kolejne wydania modeli i zestawia ich działanie z wcześniejszymi wersjami. Prywatnie drukuje w 3D, naprawia stare komputery i sprawdza, jak modele uczą się na śmieciach z internetu. Nie publikuje wyników, których nie może odtworzyć na własnym sprzęcie.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.