Sakhanda Wire
NVDA $153.93 -1.41% MSFT $506.53 -2.21% GOOGL $280.96 -0.97% META $620.53 -0.94% AMZN $256.87 -0.34%
← Към новините

Alibaba представи Qwen-Audio-3.1 и намали цените за аудио AI

Екипът Qwen на Alibaba представи Qwen-Audio-3.1 — серия от пет модела за автоматично разпознаване на реч, синтез на реч и взаимодействие в реално време. ASR моделът е насочен към по-добро разпознаване на различни езици и диалекти, като автоматично премахва паразитни думи и повторения. ASR-Next добавя идентифициране на няколко говорители с времеви маркери и разпознава емоции, околни звуци и шум от машини.

Моделите за синтез поддържат многоезично генериране и пренасяне на глас между езици. Емоцията, скоростта и стилът могат да се задават с текстови инструкции. TTS-Next съчетава езиков модел и дифузионен подход, за да създава в един процес глас, звукови ефекти и фонова аудио среда. Моделът за реално време позволява едновременно слушане и говорене, както и незабавно прекъсване. Според Qwen той реагира по-бавно и по-съпричастно при засечено понижено настроение. Alibaba намалява цените с около 70% за TTS, приблизително 85% за Realtime и до 95% за ASR.

Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.

Първоначално публикувано от The Decoder на

Прочетете оригинала в The Decoder ↗

Репортажът и изображението принадлежат на The Decoder и са посочени по-горе с връзка към оригинала; текстът на тази страница е собствено изложение на Sakhanda Wire.

← Към новините

Още новини

Всички последни новини