ElevenLabs научила ИИ говорить почти неотличимо от человека

Post Thumbnail

Скоро по голосу нельзя будет понять, кто говорит — человек или нейросеть? ElevenLabs выкатила Eleven v4 — речевую модель, которая учитывает не только текст, но и тон, темп, эмоции, характер и контекст высказывания.

Разработчики уверяют, что новая система лучше слушается пользователя. Тегами можно задать нужную манеру речи или подкинуть звуковой эффект — скажем, смех или телефонный звонок. Фраза прозвучит драматично, ласково или комично, а модель при этом старается сберечь индивидуальные черты голоса.

Но на этом в компании не остановились. Eleven v4 и её низколатентная версия Eleven v4 Turbo тянут больше 90 языков, а сама модель должна держать единый голос персонажа даже в длинных диалогах, аудиокнигах и рекламе.

Отдельно обновили клонирование голоса. Теперь, по данным ElevenLabs, для копии хватит всего 10 секунд записи — и результат разработчики называют более аутентичным.

Модели уже доступны через ElevenAgents и API. В ElevenCreative их можно гонять в разделе Text to Speech, в том числе без подписки: сервис даёт 10 тысяч бесплатных кредитов в месяц.

В итоге речь ИИ всё меньше смахивает на механическое чтение текста. Рынку это сулит более реалистичных голосовых агентов и новые форматы аудиоконтента, где грань между синтетической и человеческой речью станет ещё тоньше.

—

Телеграм про право в IT и AI. IT юристы — PravoWeb.com

Почитать из последнего
ИИ-ассистент научили разбирать документы и алерты
Главный вопрос корпоративного ИИ прост: что будет с данными после запроса? РТК-ЦОД предлагает не рисковать ими. На форуме «Цифровые решения» компания с блоком ИТ «Ростелекома» представила ассистента для организаций с жёсткими требованиями к защите.
К 2027 году чипов хватит на миллиарды ИИ-агентов
Похоже, у ИИ скоро вылезет проблема, которую не залатать покупкой ещё одного чипа. По расчётам Epoch AI, вычислительной мощности, выпущенной с 2025 по 2027 год, хватит для одновременной работы от 33 до 171 млн агентов уровня передовых моделей.
Kandinsky научился лепить видео со звуком
ИИ-видео всё меньше смахивает на немой клип. «Сбер» показал Kandinsky 6.0 Video - модель, которая разом генерит картинку и звук: речь персонажей, музыку и шумы окружения.
Три профессии, которые ИИ уже плодит прямо сейчас
ИИ перетряхивает рынок труда не только тем, что съедает привычные задачи. Вместе с автоматизацией вылезают специалисты, которых ещё несколько лет назад никто бы не вообразил, и часть таких профессий формируется на глазах.
Google научила эмбеддинги переваривать сразу пять типов данных
Google порешила, что эмбеддингам хватит возиться с одним текстом. Компания выкатила вторую версию EmbeddingGemma: теперь система сваливает в общее векторное пространство текст, код, изображения, видео и аудио. Так что на вход можно подавать сразу несколько типов данных.