Inworld запускает TTS-2, превосходя Sonic3.6 в клонировании голоса

Согласно новости ME, 3 сентября (UTC+8), Beating AI сообщает, что компания Inworld, специализирующаяся на реальном времени голосовых ИИ-технологиях, официально запустила Realtime TTS-2. В последнем рейтинге Controlled Voice Arena от Artificial Analysis она заняла первое место с результатом 1123 Elo, превзойдя Cartesia Sonic 3.6, набравшего 1119, на 4 балла. В этом рейтинге различные модели клонируют одну и ту же группу из 8 голосов и проходят слепое тестирование, где основной критерий — насколько естественно, правдоподобно и человечно звучит речь, включая произношение, паузы, интонацию и ритм. Модель использует предыдущие фрагменты реальной речи в качестве контекста, анализируя тон, ритм и эмоциональное состояние пользователя, чтобы корректировать следующую фразу. Разработчики могут напрямую задавать естественные языковые команды, например: «говори тише», «звучь уставшим, но тёплым, как после работы», а также добавлять звуки смеха, вздохов, дыхания и т.п. Она также поддерживает сохранение единого голоса при переключении языков и клонирование голоса по коротким аудиозаписям. По заявлению Inworld, эта версия модели была специально разработана для использования в реальном времени, используя интонацию, ритм и эмоциональное состояние в ходе полного голосового общения. (Источник: BlockBeats)