ইনওয়ার্ল্ড TTS-2 লঞ্চ হয়েছে, ভয়েস ক্লোনিংয়ে সোনিক3.6কে ছাড়িয়ে গেছে

动察 Beating AI 快讯，实时语音 AI 公司 Inworld আনুষ্ঠানিকভাবে Realtime TTS-2 চালু করেছে।Artificial Analysis-এর সর্বশেষ Controlled Voice Arena-তে এটি 1123 Elo নিয়ে প্রথম স্থানে রয়েছে, যা Cartesia Sonic 3.6-এর 1119 থেকে ৪ পয়েন্ট বেশি। এই তালিকায় বিভিন্ন মডেলকে একই ৮টি কণ্ঠস্বরের সেট ক্লোন করিয়ে ব্লাইন্ড টেস্ট করা হয়, মূলত দেখা হয় কার কথা বলা সবচেয়ে স্বাভাবিক, সবচেয়ে মানুষের মতো, যার মধ্যে রয়েছে উচ্চারণ, বিরতি, স্বরভঙ্গি এবং ছন্দ। এটি আগের কয়েক রাউন্ডের প্রকৃত ভয়েসকেও প্রসঙ্গ হিসেবে ব্যবহার করে, ব্যবহারকারীর স্বর, তাল এবং আবেগ শুনে, এরপর পরের বাক্যটি কীভাবে বলা হবে তা সামঞ্জস্য করে। ডেভেলপাররা সরাসরি 「নিম্নস্বরে বলো」「সদ্য অফিস শেষ করে আসার মতো ক্লান্ত কিন্তু উষ্ণ」 এই ধরনের স্বাভাবিক ভাষার নির্দেশ লিখতে পারেন, এবং এতে হাসি, দীর্ঘশ্বাস, শ্বাস নেওয়ার মতো শব্দও যোগ করতে পারেন। এটি ভাষা পরিবর্তনের পরও একই ভয়েস টোন বজায় রাখতে সমর্থ, এবং ছোট রেকর্ডিং ব্যবহার করে ভয়েস ক্লোনও করতে পারে। Inworld আনুষ্ঠানিকভাবে জানিয়েছে, এই প্রজন্মের মডেলটি বিশেষভাবে রিয়েলটাইম কথোপকথনের জন্য ডিজাইন করা হয়েছে, যা পূর্ণাঙ্গ ভয়েস যোগাযোগের স্বরভঙ্গি, ছন্দ এবং আবেগের অবস্থা কাজে লাগাবে।