Notícias de IA e infraestrutura
Filtrar por tipo: Projeto23
- há 3 dias github.com
Phonon 31M: TTS aberto rodando na Neural Engine da Apple via Swift
Post sobre um port em Swift do modelo TTS aberto Phonon 31M, com CoreML na Neural Engine, 103 vozes e latência e velocidade declaradas pelo autor.
- há 4 dias github.com
Voz no iPhone sem nuvem: app de código aberto combina Phonon TTS e Pipecat no próprio aparelho
Um app iOS de código aberto roda speech-to-text e text-to-speech inteiramente no celular, com Pipecat embarcado, o SpeechAnalyzer da Apple e o modelo Gradium Phonon 31M, sem inferência na rede.
- há 5 dias github.com
Pull request adiciona TTS em streaming Drama-3 ao pipeline speech-to-speech
Um pull request propõe o Drama-3, da Fish Audio, como backend de text-to-speech em streaming em um repositório speech-to-speech, com clonagem de voz opcional e entonações expressivas como sussurros e risos.
- há 6 dias github.com
Dublagem com clonagem de voz local: OpenVoice em hardware comum
O post descreve um agente de IA usando o OpenVoice, modelo de clonagem de voz instantânea de código aberto do MIT e da MyShell, para dublar um filme em polonês mantendo o diálogo sincronizado, num Mac mini M4 de 16 GB.
- há 17 dias github.com
Edição de áudio por prompts: o que avaliar na empresa
Post da StepFun, publicado em 8 de novembro de 2025, descreve um modelo de 3 bilhões de parâmetros para edição de áudio e geração de fala multilíngue.
- há 17 dias github.com
FireRedVAD: detecção de voz em mais de 100 idiomas
O repositório FireRedVAD descreve detecção de atividade de voz e eventos de áudio, com suporte informado a mais de 100 idiomas. Veja como avaliar sua integração em pipelines de fala.
- há 17 dias github.com
Inferência em C abre caminho para transcrição de voz integrada
O repositório antirez/qwen-asr oferece inferência em C para modelos de reconhecimento de fala de 0,6B e 1,7B, com aplicação potencial em bots de transcrição e interfaces por voz.
- há 17 dias github.com
Local Studio propõe suporte a ROCm, voz, imagens e vídeos
Um pull request do repositório Local Studio, publicado em 9 de fevereiro de 2026, descreve suporte proposto a ROCm, entrada e saída de voz, imagens e vídeos.
- há 17 dias github.com
Reconhecimento de fala em mais de 1.600 idiomas
Em 10 de novembro de 2025, a Meta anunciou modelos open source de reconhecimento de fala e um conjunto de dados para mais de 1.600 idiomas, incluindo 500 descritos como antes sem suporte.
- há 17 dias github.com
Repositório open source oferece ponto de partida para agentes de voz
Publicado em 6 de fevereiro de 2026, o repositório apresenta uma base para engenheiros criarem agentes de voz com modelos open source.
- há 17 dias github.com
UNITTS reúne inferência e benchmarking de voz sintética
Post datado de 9 de junho de 2026 apresenta o UNITTS, toolkit para inferência e benchmarking de modelos TTS open source, com suporte a Chatterbox e Fish Audio s2-pro.
- há 17 dias github.com
Como estruturar a transcrição de gravações longas
Descrição publicada em 17 de setembro de 2025 apresenta uma ferramenta em Python que divide áudio por detecção de atividade de voz, processa chamadas em paralelo e aceita vários formatos de mídia.
- há 17 dias github.com
Codec de áudio para Speech LLMs: tokens paralelos e streaming
Em post publicado em 17 de outubro de 2025, a Meituan apresentou um codec de áudio de código aberto otimizado para Speech LLMs, com tokens semânticos e acústicos a 16,7 Hz e decodificação de streaming de baixa latência.
- há 17 dias github.com
Hibiki: tradução de fala em streaming
Repositório publicado em 6 de fevereiro de 2025 apresenta um modelo decoder-only para tradução simultânea de fala entre francês e inglês, treinado com dados sintéticos.
- há 17 dias github.com
Qwen3-Omni: modelos multimodais com fala
Em 22 de setembro de 2025, a Qwen apresentou três modelos que combinam texto, imagem, áudio e vídeo, com entrada e saída de fala.
- há 17 dias github.com
Ultravox e aplicações de voz em tempo real
O repositório no GitHub apresenta o Ultravox, descrito como um LLM multimodal rápido para voz em tempo real. Publicado em 18 de novembro de 2024, o projeto tem código-fonte disponível para exame.
- há 18 dias github.com
Breeze TTS 2 abre os pesos do modelo
Em 26 de agosto de 2026, a BreezeBlue anunciou pesos abertos para o Breeze TTS 2 e afirmou que o modelo lidera uma arena de avaliação de vozes.
- há 18 dias github.com
CocktailASR-1 transcreve uma voz selecionada em áudio sobreposto
Publicado pela Xiaomi em 16 de setembro de 2026, o CocktailASR-1 usa voiceprints de referência para transcrever um falante escolhido em áudio misto. A publicação informa suporte a inglês e chinês.
- há 18 dias github.com
FireRedAudio reúne cinco tarefas de fala em um modelo
Publicado em 27 de agosto de 2026, o FireRedAudio combina reconhecimento e compreensão de áudio, geração de fala e edição em um modelo com representações distintas para compreensão e geração.
- há 18 dias github.com
OmniVoice: síntese e clonagem de voz em mais de 600 idiomas
Uma publicação de 6 de setembro de 2026 descreve um projeto Python de síntese de fala com clonagem zero-shot, compatível com mais de 600 idiomas e controles de voz configuráveis.
- há 18 dias github.com
Plugin para ComfyUI oferece voz local e ajuste LoRA
Publicado em 25 de agosto de 2026, o repositório ComfyUI_VoxCPM_SM apresenta inferência do VoxCPM2 e ajuste fino com LoRA usando dados de voz personalizados, com suporte a pouca VRAM e modelos quantizados.
- há 18 dias github.com
RVC WebUI: conversão de voz com dados locais
Repositório publicado em 15 de setembro de 2026 descreve uma interface para treinar modelos de conversão de voz, inclusive com 10 minutos ou menos de dados.
- há 18 dias github.com
VoiceGate integra dublagem multilíngue ao ComfyUI
Publicado em 19 de junho de 2026, o projeto combina transcrição, tradução, síntese de voz e alinhamento temporal para dublar vídeos em vários idiomas.
Vamos avaliar seu projeto
Respondo com escopo e proposta.