hang és beszéd
A beszédfelismerők még elbuknak, ha más is beszél a háttérben
A modern beszédfelismerők jól kezelik a forgalom, a légkondicionáló és a billentyűzet zaját, de egy másik beszélő hangja továbbra is komoly hibákat okoz. A Krisp 265…
A Meta 100 grammos VR-szemüveggel mozizna és dolgozna bárhol
A Meta bemutatta a Meta VR Glasses nevű, körülbelül 100 grammos virtuálisvalóság-szemüveget. A készülék mozizásra, munkára, játékra, sportközvetítések nézésére és…
A Meta bemutatta első audio szemüvegét, bővül a Ray-Ban Meta kínálat
A Ray-Ban Meta Audio a Meta első audio szemüvege, amely fülhallgatószerű hangfunkciókat és AI-asszisztenst kínál könnyű, Ray-Ban stílusú keretben. A vállalat a Connecten…
WAN 3.0 vagy MiniMax H3: hosszabb videó vagy kész hang
A WAN 3.0 és a MiniMax H3 eltérő videós feladatokra lehet ideális: előbbi egyetlen, akár 30 másodperces snittet készít, utóbbi legfeljebb 15 másodperces, 2K-s videót…
Az Amazon szerint a Bee beszélgetéseihez csak a felhasználó fér hozzá
Az Amazon bemutatta a Bee Private Compute adatvédelmi architektúrát, amelynek célja, hogy a Bee személyes AI-val folytatott beszélgetések adataihoz alapértelmezés…
Alibaba Cloud: készül a Qwen 4, Európában is új régiókat nyitnak
Az Alibaba Cloud bemutatta teljes veremre épülő mesterségesintelligencia-stratégiáját a 2026-os Apsara konferencián. A vállalat készíti a Qwen 4-et, új AI-chipeket…
Két új Gemini 3.8 beszédmodell érkezett a Vercel AI Gateway-re
A Vercel AI Gateway-n elérhetővé vált a Google két új beszédszintetizáló modellje, a Gemini 3.8 Flash-Lite TTS és a Gemini 3.8 Flash TTS. A modellek több mint 100…
A Cartesia ugyanazt a hangot akár 25 nyelven is megszólaltatja
A Cartesia Multilingual Voices szolgáltatása több mint 50 könyvtári hangot szólaltat meg akár 25 nyelven, miközben megőrzi a hang karakterét. A vállalat szerint a…
Gyors döntési modellt tesztelt a Vapi a hangalapú AI biztonságára
A Vapi a TypeSafe AI korai hozzáférésű Jev modelljét tesztelte arra, hogy a hangalapú AI-asszisztensek válaszai megszegnek-e egy előre megadott szabályt. A modell gyors…
DLSS 5, új ACE funkciók és RTX Kit frissítések érkeztek fejlesztőknek
A DLSS 5 új, 3D-Guided Neural Rendering nevű neurális renderelési lépcsőt ad a grafikai folyamat végére, fejlesztői vezérlőkkel és helyben futó feldolgozással GeForce…
Hangosan is hallgathatók a Mintlify dokumentációs oldalai
A Mintlify új narrációs funkciója felolvassa a támogatott dokumentációs oldalakat, miközben kiemeli az éppen elhangzó mondatot és követi az olvasó helyét. A szolgáltatás…
Az EssilorLuxottica AI-vezérelt okosszemüveggel fejleszti a kiskereskedelmet
Az EssilorLuxottica az SAP-val együttműködve olyan okosszemüveges megoldásokat tesztel, amelyek mesterséges intelligenciával kapcsolják össze a dolgozókat a vállalati…
A Pika egy platformba vonja össze a videó-, kép- és hangkészítést
Megújult a Pika: az AI kreatív platform egy helyen kínál videó-, kép- és hangkészítő eszközöket. A szeptember 17-én bemutatott szolgáltatás több mint 25 alkalmazással…
GPT-Live 1 hangmodell érkezett a Vercel AI Gatewayre
A Vercel AI Gatewayen elérhetővé vált az OpenAI GPT-Live 1 modellje, amely teljes duplex hangkommunikációt kínál. A modell beszéd közben is képes figyelni, így a…
A Speechmatics új beszédfelismerője a hangalapú ügynököket célozza
A Speechmatics bemutatta az Agent STT beszédfelismerő API-t, amelyet kifejezetten élesben működő hangalapú ügynökökhöz fejlesztett. A szolgáltatás mögött a Linden 1…
A Modular megnyitja a Mojo fordítóját, és hanggenerálást ad a MAX-hoz
A Modular 26.6-tól külső fejlesztők is hozzájárulhatnak a Mojo fordítójához, miközben a MAX platform hanggenerálással és új modellarchitektúrák támogatásával bővül. A…
Elindult a One UI 9 frissítése, elsőként a Galaxy S26 kapja meg
A Samsung megkezdte a One UI 9 hivatalos terjesztését, elsőként a Galaxy S26, S26+ és S26 Ultra készülékeken. A rendszer több Galaxy-eszközre hoz új Galaxy…
A LiveKit 23 ezer dolláros programmal segíti az AI-startupokat
A LiveKit elindította Startup Programját, amely a jogosult korai fázisú startupoknak összesen mintegy 23 ezer dollárnyi támogatást kínál hang-, videó- és fizikai…
Új fizetési lehetőségeket vezet be a Speechmatics
Október 1-től hitelcsomagokkal és havi vagy éves előfizetésekkel bővíti fizetési lehetőségeit a Speechmatics. A használatalapú fizetés megmarad, de az 500 óránál nagyobb…
A Google bemutatta a Gemini 3.8 Live hangalapú AI-modelleket
A Google bemutatta a Gemini 3.8 Live és a Gemini 3.8 Live Extended Thinking modelleket, amelyek természetesebb hangalapú párbeszédet, valós idejű vizuális értelmezést és…
A Google 1000 nyelven szeretné elérhetővé tenni az AI-t
A Google olyan mesterségesintelligencia-modelleken dolgozik, amelyek a fordítás mellett a hangszínt, az érzelmeket, a szlenget és a kulturális sajátosságokat is…
A Vercel AI Gatewayre érkezett a Gemini 3.8 Live
A Vercel AI Gatewayen elérhetővé vált a Google Gemini 3.8 Live és a Gemini 3.8 Live Extended Thinking. A modellek valós idejű beszélt interakciókat kínálnak…
Megérkezett a Siri AI az Apple Intelligence új generációjával
Elindult a Siri AI, az Apple teljesen újragondolt asszisztense, amely személyes kontextust, képernyőtartalom-értést és szélesebb alkalmazásműveleteket használ. A funkció…
A Play.ht leállása után új szempont kell a hangplatformok választásánál
A Play.ht 2025. december 31-én végleg leállt, miután a Meta felvásárolta a csapatot, az ügyfelek pedig átállási útvonal nélkül maradtak. A Bland AI szerint a pótlást…