Subiect: #Speech-to-Speech
Cursa împotriva timpului: De ce latenta de inferență ucide agenții vocali mult înainte de lipsa de inteligență
Un benchmark rigoros din 30 august 2026 dezvăluie că majoritatea echipelor optimizează greșit latenta agenților vocali, concentrându-se pe Time to First Token (TTFT) în detrimentul latentei end-to-end reale. Articolul analizează ierarhia API-urilor (integrate vs. DIY), impactul co-locării STT-LLM-TTS și de ce viteza este singurul feature care contează în voce.
NVIDIA lansează NemotronLabs VoiceChat 11B: un model open-source de vorbire complet duplex cu latență de ~450 ms și apeluri live de instrumente
NVIDIA a lansat NemotronLabs VoiceChat 11B, un model open-source speech-to-speech complet duplex, cu latență de ~450 ms și apeluri live de instrumente. Acesta promite conversații naturale și acțiuni în timp real prin voce, deschizând noi posibilități în AI-ul vocal.
Google lansează Gemini 3.5 Live Translate: un model audio streaming speech-to-speech care acoperă peste 70 de limbi în Meet, Translate și Live API
Google lansează Gemini 3.5 Live Translate, un model audio streaming speech-to-speech care traduce în timp real peste 70 de limbi, integrat în Google Meet, Translate și Live API. Tehnologia promite să revoluționeze comunicarea globală, eliminând barierele lingvistice.
Sakana AI lansează KAME: O arhitectură tandem vorbire-vorbire care injectează cunoștințe LLM în timp real
Sakana AI a dezvăluit KAME, o arhitectură tandem vorbire-vorbire care integrează cunoștințe LLM în timp real, eliminând etapa de text și oferind răspunsuri vocale mai naturale și mai rapide.
Tutorial Practic de Programare pentru Microsoft VibeVoice: ASR cu Detectare a Vorbitorului, TTS în Timp Real și Pipeline-uri Speech-to-Speech
Un ghid complet și practic pentru dezvoltatori care doresc să implementeze Microsoft VibeVoice, acoperind recunoașterea vocală cu identificarea vorbitorului, sinteza vocală în timp real și construirea pipeline-urilor speech-to-speech complete.