Aller au contenu

Orientations techniques

Voix et audio Dernières actualités

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

Archives de la sélection · page 2

23 septembremer.21–40 entrées
  1. Google DeepMind78

    Google DeepMind lance Gemini 3.8 Flash TTS et Flash-Lite TTS

    Google DeepMind annonce Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS, deux modèles de synthèse vocale générative disponibles dans Google AI Studio.

    Motif de la recommandation :Google DeepMind détaille les capacités vocales et les garde-fous des deux modèles TTS, utile pour évaluer les usages en doublage et agents vocaux.

16 septembremer.
10 septembrejeu.
27 aoûtjeu.
21 aoûtven.
12 aoûtmer.
  1. Google Research78

    Google Research présente AMIE (Video), consultations cliniques audio-visuelles en temps réel

    Google Research présente AMIE (Video), une configuration vidéo temps réel d'AMIE construite sur Gemini et Project Astra.

    Motif de la recommandation :L'article détaille l'architecture multi-agents asynchrone et le protocole d'évaluation randomisé d'AMIE (Video), utile pour comprendre comment un système vocal et visuel temps réel est structuré et testé.

11 aoûtmar.
15 juilletmer.
  1. Hugging Face Blog60

    Hume lance Real World VoiceEQ, un benchmark pour mesurer la qualité humaine de l'IA vocale

    Hume présente Real World VoiceEQ, un benchmark conçu pour évaluer la qualité humaine des interactions vocales.

    Motif de la recommandation :Le benchmark couvre plus de 40 modèles vocaux et 15 dimensions, avec des données d'évaluation humaine à grande échelle qui permettent de comparer les capacités réelles des systèmes vocaux.

  2. Hugging Face Blog88

    Thinking Machines Lab publie Inkling, un LLM multimodal open source de 1T paramètres avec fenêtre de contexte de 1M

    Thinking Machines Lab a publié sur Hugging Face Inkling, un grand modèle de langage multimodal open source d'environ 1T de paramètres (975B au total.

    Motif de la recommandation :L'article détaille l'architecture MoE, les variantes de quantification et le support d'inférence jour 0, ce qui aide à évaluer les besoins matériels et les options de déploiement.

8 juilletmer.
1 juilletmer.
  1. Hugging Face Blog62

    Hugging Face et Cerebras lancent une démo d'IA vocale temps réel avec Gemma 4

    Hugging Face et Cerebras présentent une démo de speech-to-speech temps réel construite sur une architecture ouverte et modulaire.

    Motif de la recommandation :L'original expose une architecture vocale ouverte et modulaire avec les composants et le point d'accès au code, ce qui permet de juger comment assembler un pipeline speech-to-speech temps réel.

9 juinmar.
  1. Google DeepMind80

    Google DeepMind publie Gemini 3.5 Live Translate, un modèle audio de traduction vocale en temps réel

    Google DeepMind publie Gemini 3.5 Live Translate, un modèle audio capable de détecter automatiquement plus de 70 langues et de générer une traduction vocale naturelle en temps réel.

    Motif de la recommandation :Le modèle prend en charge plus de 70 langues et est déployé sur l'API Gemini Live, Google Meet et Google Translate, ce qui permet de comparer les scénarios d'application de la traduction vocale en temps réel.

27 maimer.
7 maijeu.
28 avrilmar.
16 avriljeu.
  1. Google DeepMind70

    Google DeepMind dévoile Gemini 3.1 Flash TTS avec balises audio

    Google DeepMind annonce Gemini 3.1 Flash TTS, un nouveau modèle de synthèse vocale offrant un contrôle granulaire via des balises audio en langage naturel. Le modèle atteint un score Elo de 1 211 sur le classement TTS d'Artificial Analysis, prend en charge plus de 70 langues et le dialogue multi-locuteurs natif. Il est déployé en preview pour les développeurs via l'API Gemini et Google AI Studio, pour les entreprises sur Vertex AI, et pour les utilisateurs Workspace via Google Vids. Tous les audios générés sont marqués par SynthID.

    Motif de la recommandation :Le nouveau modèle de synthèse vocale introduit des balises audio en langage naturel et un support de plus de 70 langues, avec un déploiement en preview via l'API Gemini et Vertex AI.

26 marsjeu.
  1. Google DeepMind80

    Google DeepMind publie Gemini 3.1 Flash Live, son modèle vocal le plus abouti

    Google DeepMind publie Gemini 3.1 Flash Live, présenté comme son modèle audio et vocal de plus haute qualité.

    Motif de la recommandation :Le modèle de voix de Google DeepMind améliore la précision et réduit la latence, avec des scores sur ComplexFuncBench Audio et Audio MultiChallenge qui permettent de situer les capacités de dialogue en temps réel.

24 marsmar.
7 marssam.
  1. Google Research62

    Google Research publie WAXAL, un corpus vocal ouvert pour 27 langues africaines

    Google Research présente WAXAL, un corpus vocal ouvert couvrant 27 langues d'Afrique subsaharienne parlées par plus de 100 millions de locuteurs dans plus de 26 pays. La publication inclut environ 1 846 heures d'audio transcrit pour la reconnaissance automatique de la parole (ASR) et plus de 565 heures d'enregistrements haute fidélité pour la synthèse vocale (TTS), sous licence CC-BY-4.0. Le projet, mené depuis 2021 avec des universités et organisations communautaires africaines, vise à soutenir la recherche et le développement de technologies vocales inclusives.

    Motif de la recommandation :L'article détaille la composition et les licences d'un corpus vocal multilingue, utile pour évaluer la couverture des langues à faibles ressources.