遅延が百ミリ秒台まで落ちて、音声は初めて会話らしくなります。ASR から TTS までの工程を、音声から音声への一貫処理がどこで省くのか、順番管理とツール呼び出しがどう「話す」から「済ませる」へ進めるのかを説明します。
- 要旨 Chroma 1.0は、FlashLabsによって訓練され、完全にオープンソース化されたエンドツーエンドのリアルタイム音声間モデルで、パーソナライズされた音声クローン作成を可能にします。 このモデルは従来のASR→LLM→TTSパイプラインを不要にし、エンドツーエンドの応答を約150msで...
Step-Audio-R1.1が発表され、Artificial Analysisの音声推論リストで1位にランクされました。 BigBench Audioテストでは約96.4%の精度を達成し、リアルタイムの会話シーンでは約1.51秒の初フレーム音声出力を達成しました。 プロジェクトチームは、このモデル...
1. 要旨 Fun-Audio-Chat-8Bは、FunAudioLLMチームによるオープンソースの「大規模音声言語モデル」で、より自然で低遅延の音声交流を目指しています。 「デュアル解像度音声表現」(5Hzの共有バックボーン+25Hzの精錬ヘッド)を用いて計算負荷を削減しつつ、Core-Cockt...
最近、複数のユーザーがソーシャルメディアで、OpenAIがiOSアプリの音声モードで新しいインターフェースをテストしているとシェアしました。このインターフェースには初めて「プロンプトサジェスト」機能が搭載され、ユーザーは会話を始める前に素早く質問を選択したり、質問したりすることができます。既存のフィ...
FlowithはiOS 2.0を発表しました。これは、アクションを実行する前にコンテキストをリッスンするインタラクションパスを重視した「プロアクティブ音声エージェント」を搭載し、ユーザーのクリックや切り替えコストの削減を目指しています。公式資料によると、iOS 26のLiquid Glassビジュア...
