Motif de la recommandation :Le projet documente le coût, la liste du matériel et le flux push-to-talk, ce qui permet de reproduire un assistant vocal ESP32 à faible coût.
Deepgram annonce le rachat de Daily, société à l'origine du framework open source Pipecat dédié à l'orchestration des flux vocaux et vidéo en temps réel.
Motif de la recommandation :L'article détaille les API Swift, les moteurs interchangeables et les taux d'erreur mesurés, ce qui permet d'évaluer le choix d'un moteur local pour la reconnaissance vocale et la prise de décision.
Motif de la recommandation :Une implémentation C99 indépendante du modèle Whistle sur ESP32-S3, avec les détails de quantification int8 et les chiffres de précision mesurés.
Motif de la recommandation :Le modèle open source réunit transcription, traduction et reconnaissance des locuteurs, avec le jeu de données Granary v2 et les chiffres de référence pour évaluer l'adaptation à un domaine.
NVIDIA a publié Nemotron 3.5 Transcribe, un modèle open-weight gratuit qui transcrit l'audio en 40 langues au maximum. Il traduit 31 langues depuis et vers l'anglais.
Motif de la recommandation :Le projet montre qu'une reconnaissance vocale en flux peut tourner sur un ESP32-P4 sans cloud, avec des chiffres de latence et de précision à l'appui.
L'assistant IA DIY VA5, conçu par Udi Tirosh, repose sur un microcontrôleur ESP32-S3 et coûte environ 20 $. Il capture la voix via un microphone INMP441.
Le maker Asten a présenté Bot Reborn, un projet open source qui transforme un robot jouet Silverlit Maze Breaker à environ 4 dollars en robot contrôlé par la voix. Le système contourne le contrôleur d'origine en soudant quatre fils vers un FT232H, un smartphone Android fixé au robot servant d'écran, de microphone et de haut-parleur via WebUSB, tandis qu'un serveur Node.js coordonne la reconnaissance vocale et les commandes moteur. Pour éviter la latence d'un grand modèle, Asten a fine-tuné Qwen3.5-0.8B sur 490 exemples pendant environ 30 minutes sur un GPU gratuit de Google Colab, avec une précision de 86,6 % sur 164 exemples de test et une classification en environ 200 ms sur un Mac mini M4, les commandes n'étant exécutées qu'au-delà de 80 % de confiance. Le code source, le jeu de données et le modèle fine-tuné sont publics.
Motif de la recommandation :Le projet montre comment un petit modèle fine-tuné classe les commandes vocales en environ 200 ms, une méthode réutilisable pour réduire la latence d'un agent vocal.
Motif de la recommandation :Genie 4 intègre nativement l'audio et le dialogue interactif dans la simulation en temps réel, avec un aperçu des capacités et des limites actuelles.
Anima utilise GPT-6 et GPT-Live pour réduire de 75 % les temps d'attente téléphonique dans les cliniques. L'entreprise étend ainsi ce que les équipes soignantes peuvent accomplir avec les modèles OpenAI, leur donnant plus de capacité pour répondre aux patients.
AWS explique comment réduire la latence vocale d'un agent IA en envoyant chaque phrase au modèle TTS Kokoro-82M hébergé sur un point de terminaison bidirectionnel Amazon SageMaker AI dès sa génération, plutôt qu'après la réponse complète. Le tutoriel couvre la gestion des trames WebSocket binaires, le maintien de la session entre messages, le découpage incrémental des phrases et le choix entre audio base64 dans des événements SSE et multiplexage binaire et JSON. En isolant le transport TTS, l'envoi de la seule première phrase fait passer le délai moyen jusqu'au premier octet audio de 329,3 ms à 156,7 ms, et le mode bidi est 2,4 à 3,5 fois plus rapide que le mode batch sur un agent déployé.
Nirva a bouclé un tour de table de 25 M$ en pre-Series A, portant son financement total à 33 M$ pour son pendentif IA de 8 grammes qui n'écoute que la voix de son porteur. L'appareil.
Motif de la recommandation :L'article détaille les changements de capacité et les métriques des trois modèles vocaux Granite, utile pour choisir le modèle adapté à un scénario de transcription.
Motif de la recommandation :L'original détaille les modèles vocaux, le SDK d'agent vocal et les prix, permettant de comparer le coût et la latence avec les offres existantes.
Kling AI a publié la version 4.0 de son générateur vidéo, qui permet de générer jusqu'à 30 secondes de vidéo en une seule passe et accepte jusqu'à dix images clés en entrée.