Inworld TTS-2 запущен, превосходит Sonic3.6 в клонировании голоса

Новости Beating AI: компания Inworld, специализирующаяся на реальном времени AI, официально запустила Realtime TTS-2. В последнем рейтинге Controlled Voice Arena от Artificial Analysis она заняла первое место с результатом 1123 Elo, обогнав Cartesia Sonic 3.6 на 4 балла (1119). В этом рейтинге разные модели клонируют одну и ту же группу из 8 голосов и проходят слепое тестирование, где оценивается, насколько естественно, правдоподобно и похоже на человека 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 вводить естественные языковые команды, такие как «говори тише», «звучь уставшим, но тёплым, как после работы», а также добавлять звуки смеха, вздохов, дыхания. Она также поддерживает сохранение единого голоса при переключении языков и клонирование голоса по коротким аудиозаписям. Inworld заявляет, что эта модель была разработана специально для использования в реальном времени, используя интонацию, ритм и эмоциональное состояние в полном объёме голосового общения.