Notícias de IA e infraestrutura
Filtrar por tipo: Publicação42
- há 1 dia x.com
Dessa: modelo speech-to-speech full-duplex anunciado para GPUs de consumo
Post anuncia o Dessa, modelo de fala para fala full-duplex que, segundo o autor, foi treinado apenas com fala e roda em GPUs de consumo. Relevante para voz conversacional local.
- há 1 dia x.com
Open TTS Leaderboard inclui modelos de 31M e 35B e a métrica UTMOS
A atualização do Open TTS Leaderboard compara um modelo aberto de 31M parâmetros com um de 35B em WER em inglês e adiciona a métrica UTMOS para naturalidade da fala.
- há 4 dias x.com
Ant Ling libera cinco modelos de fala Ming-3.0 com pesos abertos
A Ant Ling anunciou a liberação open-source de cinco modelos Ming-3.0 com variantes de síntese de voz, compreensão de áudio, diálogo e reconhecimento automático de fala para dialetos.
- há 4 dias x.com
ASR em streaming: decodificar fala sem ver o áudio futuro
O post da Tongyi Speech AI explica o reconhecimento de fala em streaming, em que palavras precisam ser definidas antes do fim da fala. Latência e lookahead moldam o modelo e o decoder em aplicações de voz ao vivo.
- há 4 dias x.com
Kyutai lança versões menores do Pocket TTS com até 1,9M de parâmetros
A Kyutai Labs anunciou versões menores do Pocket TTS, de 18,2M, 6,9M e 1,9M de parâmetros, e afirma que a de 1,9M roda 103x mais rápido que o tempo real em um núcleo de CPU, com clonagem de voz.
- há 4 dias x.com
Modelos TTS open source menores que o Kokoro, com clonagem de voz
O post anuncia modelos open source de síntese de fala com cerca de metade do tamanho do Kokoro (82M parâmetros), com maior naturalidade e precisão declaradas e suporte a clonagem de voz. Pode reduzir o custo de síntese local.
- há 4 dias x.com
Phonon: modelo TTS multilíngue de 40M de parâmetros para voz executada localmente
Segundo o anúncio do autor, o Phonon é um modelo text-to-speech de cerca de 40M de parâmetros, com vários idiomas, biblioteca de vozes e uso local pelo pacote speech-to-speech.
- há 4 dias x.com
Phonon: TTS aberto de 31M de parâmetros rodando no navegador via WebGPU
Post relata o port do Phonon, um TTS open de 31M de parâmetros da GradiumAI, para rodar totalmente no navegador via WebGPU em meia precisão, com cerca de 47x tempo real no M4 Pro e 7x no Phone 13 Pro.
- há 6 dias x.com
AuroraASR-1M: reconhecimento de fala offline em CPU com modelo de 1 MB
Post descreve modelo Conformer-CTC de 949K parâmetros para inglês, com 1,06 MB em INT8, licença Apache 2.0, velocidade de cerca de 436x tempo real em uma thread de CPU e WER de 11,43% no test-clean.
- há 15 dias x.com
Artificial Analysis: HeyGen Voice lidera ranking de síntese de voz controlada
A Artificial Analysis classificou o HeyGen Voice em 1º lugar no Controlled Voice TTS Arena, com Elo de 1.201 em 8 vozes clonadas em inglês dos EUA e do Reino Unido, à frente de modelos comerciais concorrentes de voz.
- há 16 dias x.com
Clones de voz de falantes não nativos avaliados como mais humanos: o que muda para empresas
Um artigo do NeurIPS 2026 clonou vozes de 86 falantes não nativos de inglês com três sistemas de síntese de voz. Em 4.000 avaliações humanas, os clones foram considerados mais calorosos, autoritativos e humanos, o que reforça riscos para a confiança em canais de voz.
- há 17 dias x.com
TTS de voz única com 9MB destilado do Kokoro-82M para saída de voz local
Um post descreve um modelo de text-to-speech de voz e idioma únicos, com cerca de 9MB de pesos, destilado do Kokoro-82M e pensado para saída de voz local em dispositivos com recursos limitados.
- há 17 dias x.com
Avaliação privada para reduzir vazamento em ASR
Em 6 de maio de 2026, o Open ASR Leaderboard passou a incluir dados privados de avaliação da Appen e da DataoceanAI para reduzir a contaminação dos testes e o overfitting.
- há 17 dias x.com
Como avaliar modelos de voz para produtos e operações
Em 6 de novembro de 2025, a Artificial Analysis informou que o Inworld TTS 1 Max liderava o Speech Arena, uma comparação às cegas de modelos de síntese de voz com avaliações humanas.
- há 17 dias x.com
Microsoft anuncia transcrição de áudio longo com diarização
Artigo publicado em 2 de março de 2026 descreve um modelo que, segundo a Microsoft, transcreve até 60 minutos de áudio em uma passagem e oferece suporte a mais de 50 idiomas.
- há 17 dias x.com
Pocket TTS: síntese de voz em laptops sem GPU
Em post publicado em 13 de janeiro de 2026, a Kyutai Labs apresentou o Pocket TTS, modelo de síntese de voz com 100 milhões de parâmetros, clonagem de voz e execução em laptop sem GPU.
- há 17 dias x.com
Reconhecimento de fala em áudio distante: como avaliar modelos
Em 10 de junho de 2026, a Cohere afirmou que seu modelo aberto de reconhecimento de fala ficou em primeiro lugar no benchmark Far-Field ASR. O resultado pode orientar a avaliação de sistemas para áudio distante.
- há 17 dias x.com
VoxCPM: fala expressiva sem tokenizer
Publicado em 31 de janeiro de 2026, o post descreve um sistema de síntese de fala que usa representações contínuas, clonagem de voz zero-shot e geração expressiva.
- há 17 dias x.com
App de voz passa a aceitar modelos personalizados em cinco idiomas
Uma publicação de 11 de novembro de 2024 informa que o app Gradio do e2-f5-tts passou a aceitar finetunes personalizados do F5-TTS para espanhol, húngaro, alemão, português e grego.
- há 17 dias x.com
ASR Moonshine chega à biblioteca Transformers
Post de 20 de janeiro de 2025 anuncia a integração do Moonshine ao Transformers: o modelo usa Rotary Position Embeddings e aceita áudio de qualquer duração.
- há 17 dias x.com
Áudio com raciocínio: benchmark marca 92%
Relatório da Artificial Analysis registra 92% para um modelo de áudio no Big Bench Audio e compara o tempo até o primeiro token com e sem raciocínio.
- há 17 dias x.com
Como avaliar inferência de voz em tempo real
Publicado em 18 de setembro de 2024, o artigo apresenta Moshi, um modelo de speech-to-speech com 7,6 bilhões de parâmetros, e o codec de áudio streaming Mimi.
- há 17 dias x.com
E2-F5-TTS inclui interface para ajustar modelos de voz
Em 21 de outubro de 2024, o repositório E2-F5-TTS apresentou um app Gradio para ajustar o modelo com áudio enviado pelo usuário e transcrever os clipes automaticamente.
- há 17 dias x.com
FireRedChat: voz full-duplex para assistentes
Post de 7 de outubro de 2025 descreve um sistema modular de interação por voz com modos em cascata e semicascata, interrupções, detecção de fim de fala e respostas em tempo real.
- há 17 dias x.com
Mini-Omni-Reasoner combina raciocínio e fala
Post de 22 de setembro de 2025 descreve uma arquitetura que intercala raciocínio silencioso e tokens falados, além de um novo conjunto de dados e ganhos relatados em matemática e compreensão contextual.
- há 17 dias x.com
Parler-TTS: modelos de voz controláveis para avaliar
Publicado em 8 de agosto de 2024, o anúncio apresenta os modelos Mini e Large v1, treinados com 45 mil horas de fala, e descreve controles de voz por prompts de texto.
- há 17 dias x.com
Piper oferece síntese de voz neural local e multilíngue
Publicado em 7 de janeiro de 2025, o texto descreve o Piper, sistema local que converte texto em fala com várias vozes, idiomas e opções personalizáveis.
- há 17 dias x.com
TTS em streaming abre caminho para diálogos com várias vozes
Um post de 15 de setembro de 2025 descreve um sistema de geração de fala de longa duração que intercala texto e áudio para diálogos contextuais com múltiplos speakers.
- há 17 dias x.com
TTS local com clonagem de voz: riscos e implementação
Em 15 de fevereiro de 2025, a Zonos anunciou um beta de síntese expressiva de fala com clonagem de voz, modelos abertos e um launcher local multiplataforma.
- há 17 dias x.com
VoiceCraft: edição de fala e síntese zero-shot
Publicado em 25 de agosto de 2024, o texto descreve o VoiceCraft, modelo que edita fala e gera voz a partir de alguns segundos de áudio de referência.
- há 17 dias x.com
XEUS: encoder de fala multilíngue com código e checkpoints
Em 1º de julho de 2024, a WavLab anunciou o XEUS, um encoder de fala treinado com mais de 1 milhão de horas de áudio e que abrange mais de 4.000 idiomas. Código, checkpoints e dados foram disponibilizados.
- há 18 dias x.com
Breeze TTS 2: voz multilíngue com geração em streaming
A publicação de 25 de agosto de 2026 descreve um modelo de síntese de voz com suporte a 50 idiomas, geração a partir de prompts de texto e saída em streaming.
- há 18 dias x.com
Diarização de fala: como avaliar a correção de rótulos
Artigo do Google publicado em 4 de outubro de 2026 descreve um modelo de 4 bilhões de parâmetros ajustado para corrigir rótulos de falantes e reduzir erros de diarização por palavra em quatro benchmarks.
- há 18 dias x.com
Índice compara modelos de fala em três capacidades
Publicado em 23 de junho de 2026, o índice da Artificial Analysis combina três conjuntos de avaliação para comparar modelos nativos de Speech-to-Speech.
- há 18 dias x.com
Limpeza de áudio local no Raspberry Pi 5: como avaliar a aplicação
Uma postagem de 22 de junho de 2026 apresenta um modelo de 49 mil parâmetros para cancelamento de eco, supressão de ruído e redução de reverberação, com desempenho declarado de 21× em tempo real em um núcleo do Raspberry Pi 5.
- há 18 dias x.com
NVIDIA apresenta diarização para falas sobrepostas
Anúncio datado de 23 de setembro de 2026: o Nemotron 3 Diarization identifica quem falou e quando, inclusive em falas sobrepostas, e suporta até oito interlocutores.
- há 18 dias x.com
Packed FlashAttention acelera vocoder Transformer
Uma publicação de 20 de julho de 2026 relata aumento de 48,64% no QPS de um vocoder Transformer após otimizações na reconstrução de waveform.
- há 18 dias x.com
Phonon-1: transcrição local de áudio em avaliação
Post de 28 de agosto de 2026 apresenta o Phonon-1, modelo de reconhecimento de fala com 782 milhões de parâmetros, download de 415 MB e licença Apache 2.0.
- há 18 dias x.com
Transcrição de fala: como avaliar um novo modelo
Em artigo publicado em 3 de setembro de 2026, a Microsoft apresenta o MAI-Transcribe-2, com suporte a 60 idiomas, diarização de falantes e timestamps por palavra.
- há 18 dias x.com
Transcrição e diarização em um modelo de streaming
Uma publicação de 3 de setembro de 2026 descreve um modelo de streaming que reúne transcrição de fala e diarização, identificando quem fala, em um único modelo.
Vamos avaliar seu projeto
Respondo com escopo e proposta.