Les avancées de la voix et de l'audio : modèles et produits de synthèse vocale, de dialogue en temps réel, de génération musicale et de compréhension audio.
63 sélections30 derniers jours 16 entréesTotal : 183 entrées
mise à jour
Voix et audio: sa sélection
Aujourd'hui18 novembremer.1–20 entrées · Au total 63 entrées
Motif de la recommandation :Présente une bibliothèque de synthèse vocale japonaise hors ligne sur ESP32-S3, avec dictionnaire vocal et limites de licence clairement indiquées.
Motif de la recommandation :Le firmware open source et la base de code partagée par quatre variantes matérielles permettent de juger de la réutilisabilité de cette plateforme robotique.
Motif de la recommandation :Le rachat du framework vocal Moonshine après liquidation et son usage dans un mod de jeu local illustrent une voie de survie hors capital-risque.
Elon Musk a annoncé sur sa plateforme sociale que la Gigafactory cessera la production du Cybertruck à la mi-2027 et que l'usine du Texas se concentrera sur les Cybercab autonomes. Il n'a pas précisé s'il s'agit d'un arrêt total ou d'un transfert de production, mais l'ingénieur en chef du projet, Wes Morrill, a écrit sur X que le Cybertruck était une plateforme de développement technologique et qu'il perdure à travers le Cybercab. Le Cybertruck, dont les ventes sont restées bien en dessous de l'objectif de 250 000 unités, a connu des retards et des rappels.
Motif de la recommandation :Le texte rassemble l'annonce d'Elon Musk et la réaction de l'ingénieur en chef, ce qui permet de situer le changement de production du Cybertruck et ses conséquences.
Gradium revient sur le lancement de Phonon, son modèle TTS qui tourne entièrement sur l'appareil sans serveur ni réseau. Phonon 31m est sous licence Apache 2.0 pour l'anglais.
Motif de la recommandation :L'article détaille les deux tailles de Phonon, les licences, les performances sur le leaderboard TTS et l'intégration dans Transformers, ce qui aide à évaluer un TTS embarqué.
Motif de la recommandation :Le tutoriel détaille le root d'un Echo Dot 3 pour en faire un satellite vocal local Home Assistant, avec les modèles compatibles et les limites de performance.
Applied Brain Research (ABR) annonce la disponibilité générale de son SDK d'IA vocale pour Zephyr RTOS sur la famille de processeurs edge AI Alif Semiconductor Ensemble. Le logiciel fait tourner la reconnaissance vocale en flux et la synthèse vocale entièrement sur l'appareil, sans connexion cloud, pour des applications embarquées basse consommation, y compris sur batterie ou isolées du réseau. Le SDK combine Niagara ASR, qui convertit en continu la parole en texte avec une latence faible et un vocabulaire complet, et Nith TTS pour une synthèse vocale fluide en flux. Sur le processeur Alif Ensemble E8, Niagara ASR atteint une latence moyenne de 133 ms entre le premier audio et le premier token, pour une consommation active de seulement 15 mW au-dessus de la consommation de base du processeur. Le SDK est disponible dès maintenant avec une licence d'évaluation gratuite via le portail développeur d'ABR, et une démonstration en direct sur Ensemble E8 est prévue à electronica 2026, du 10 au 13 novembre, sur le stand Alif Semiconductor C5.170.
Motif de la recommandation :Le SDK réunit ASR et TTS en local sur des microcontrôleurs, avec une latence et une consommation chiffrées sur l'Ensemble E8.
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.
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.
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.
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.
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.
Ivy AI, un assistant vocal d'Anankush Pandit, exécute la reconnaissance vocale, l'inférence du modèle de langage et la synthèse vocale directement sur un ESP32-S3. Le firmware.
Motif de la recommandation :Un assistant vocal complet tourne sur un ESP32-S3 avec un modèle de 19,7 millions de paramètres quantifié en quatre bits, ce qui éclaire les compromis mémoire et vitesse des déploiements embarqués.
Motif de la recommandation :Falcon-ASR couvre l'arabe et quatre autres langues avec les mêmes poids, et détaille les écarts de WER face aux systèmes comparés.
Motif de la recommandation :Le live blog détaille les lancements d'OpenAI DevDay 2026, des Dots à GPT-6.1 Sol, avec des observations directes sur les démos et les limites.
Motif de la recommandation :L'original détaille les capacités visuelles temps réel, l'exécution asynchrone d'outils et la prise en charge de 97 langues, ce qui aide à évaluer l'usage en entreprise.