Mistral zaprezentowało Voxtral TTS – nowy otwartoźródłowy model zamiany tekstu na mowę (TTS) przeznaczony do korporacyjnych aplikacji głosowych, stawiając firmę w bezpośredniej konkurencji z ElevenLabs, Deepgram i OpenAI..
Model obsługuje dziewięć języków, w tym angielski, francuski, niemiecki, hiszpański, niderlandzki, portugalski, włoski, hindi i arabski. Jest zbudowany z myślą o wdrożeniu na urządzeniach brzegowych, takich jak smartfony, laptopy i urządzenia noszone..
Pierre Stock, wiceprezes ds. operacji naukowych w Mistral, wskazał, że model został opracowany w odpowiedzi na zapotrzebowanie korporacyjne na wydajne, wysokowydajne systemy mowy. Voxtral TTS umożliwia szybką personalizację głosu przy użyciu minimalnych danych wejściowych, zachowując przy tym akcenty, ton i niuanse mowy, a także może przełączać się między językami bez utraty spójności głosu..
Zbudowany z myślą o działaniu w czasie rzeczywistym, model zapewnia niskie opóźnienia i szybkie generowanie audio. Premiera wpisuje się w szerszą strategię Mistral polegającą na opracowaniu pełnej multimodalnej platformy AI obejmującej przetwarzanie dźwięku, tekstu i obrazu..
Źródło: AI Insider
