Тег: Речь и аудио

Hy-SimulMT переводит речь с китайского на английский и обратно по мере разговора. Для голосового перевода нужна отдельная TTS-служба.

Kitten-TTS 2 синтезирует речь локально, клонирует голос по записи 5–30 секунд и заявляет поддержку 20 языков, включая русский.

Grok Voice 3.0 ведёт голосовой диалог в реальном времени, поддерживает подключение инструментов и отвечает менее чем за секунду. Модель доступна через API xAI.

Phi-4 Multimodal — модель Microsoft для совместной обработки текста, изображений и речи в одном интерфейсе.