Audio & Speech

Principais notícias

1. 1

   Startup de IA de voz de Paris Gradium levanta $100M em seed, expande para Bay Area

   O que aconteceu: Gradium, uma startup baseada em Paris construindo modelos de IA de voz, fechou sua rodada seed em $100 milhões（約160億円） no total, adicionando Nvidia ao seu portfólio de investidores após levantar inicialmente $70 milhões（約110億円） em dezembro. A empresa está abrindo um escritório em Bay Area para fortalecer sua posição em talentos. Por que importa: Gradium compete em um mercado de IA de voz lotado ao lado de ElevenLabs (avaliado em $11 bilhões（約1.8兆円） em fevereiro) e grandes players como Google Gemini. A startup já conquistou clientes importantes incluindo o fabricante de automóveis francês Renault desde seu lançamento em dezembro, sugerindo que sua tecnologia para entregar voz em escala com latência ultra-baixa está ganhando tração comercial real.

   O que observar: A empresa está usando financiamento fresco para se estabelecer perto dos principais laboratórios de IA em Bay Area—uma aposta estratégica de que a proximidade com Anthropic, Google, Meta e OpenAI é essencial para competir nos mercados de talentos de IA, mesmo que os fundadores de Gradium e apoiadores iniciais tivessem raízes no próprio hub de IA de Paris.

2. 2

   Cohere lança modelo de fala para texto em árabe de código aberto

   O que aconteceu: Cohere lançou Cohere Transcribe Arabic, um modelo de código aberto com 2 bilhões de parâmetros para reconhecimento de fala em árabe. O modelo está disponível no Hugging Face e através da API Cohere sob a licença Apache 2.0. Por que é importante: De acordo com Cohere, é o sistema de fala para texto em árabe de código aberto mais preciso disponível e supera Whisper Large V3 e o modelo padrão Cohere Transcribe em benchmarks. Ele aborda os desafios específicos do árabe—variedade de dialetos, conversas bilíngues árabe-inglês, code-switching e vocabulário especializado—que são difíceis para sistemas gerais de reconhecimento de fala processar com precisão.

   O que observar: Avaliações humanas em uma escala de 1–5 mostram que Cohere Transcribe Arabic supera tanto Whisper Large V3 quanto o modelo padrão Cohere Transcribe em qualidade geral, fidelidade de dialeto e code-switching. O modelo está disponível agora no Hugging Face e via API Cohere.

3. 3

   Anthropic entra em choque com a Casa Branca de Trump, rejeita manual de Washington

   A administração Trump tomou ações contra a Anthropic duas vezes—classificando-a como um "risco da cadeia de suprimentos" em abril após a empresa rejeitar linguagem de contrato do Pentágono, e impondo controles de exportação em seus modelos de IA Mythos e Fable duas semanas atrás após descoberta de um jailbreak. OpenAI, em contraste, anunciou que estava retendo o lançamento do GPT-5.6 a pedido do governo dos EUA no mesmo dia em que esses controles foram relaxados. Por que importa: Anthropic, avaliada em $965 bilhões（約150兆円） e se preparando para um IPO esperado nos próximos meses, recusou a lisonja, doações e nomeação de aliados de Trump que outras gigantes de tecnologia (Meta, Amazon, Apple) e OpenAI usaram para se manter no favor da administração. Funcionários da administração Trump atacaram publicamente o CEO Dario Amodei como um "mentiroso" com um "complexo de Deus" e um "lunático ideológico", e acusaram a empresa de "captura regulatória". A hostilidade contínua pode dificultar a venda de investidores do mercado público na listagem de ações e prejudicar significativamente a capacidade da empresa de desenvolver modelos avançados de IA.

   O que observar: O CEO da Anthropic Amodei supostamente chamou Trump de "senhor feudal" em uma postagem no Facebook agora deletada, e sua irmã e cofundadora Daniela Amodei doou para a campanha de Kamala Harris. Diferentemente do chefe de política da OpenAI Chris Lehane e do cofundador Greg Brockman (o maior doador ao Super PAC de Trump MAGA Inc.), Anthropic não fez contratações similares de figuras alinhadas a Trump para sua liderança.

4. 4

   Netflix usa voz gerada por IA de Gene Wilder para reality show Wonka

   O que aconteceu: Netflix está estreando Wonka's The Golden Ticket em 23 de setembro, uma competição de reality baseada no universo fictício de Wonka. A narração do show usa uma versão gerada por IA da voz de Gene Wilder, criada em parceria com a empresa de áudio de IA ElevenLabs e com consentimento da família de Wilder. Por que é importante: Isso estende o padrão da Netflix de usar vozes de celebridades geradas por IA para conteúdo—a empresa já recriou vozes de Michael Caine e Stan Lee. Para os espectadores, significa encontrar versões sintéticas de figuras icônicas em novas produções, borrando a linha entre mídia de arquivo e mídia sintética no entretenimento mainstream.

   O que observar: A final em duas partes vai ao ar em 30 de setembro. O show apresentará 12 vencedores de golden ticket e seus parceiros escolhidos competindo em um experimento social de alto risco, com um campeão coroado ao final.

5. 5

   Pesquisador enfrenta desafio ao implementar modelo de síntese de voz Pocket TTS

   Um desenvolvedor está tentando implementar o Pocket TTS, modelo de síntese de voz do laboratório Kyutai, pois o código de treinamento não foi liberado. Após treinar em conjuntos menores (LJSpeech e LibriSpeech), o modelo apresenta dificuldades: a perda de correspondência de fluxo ficou em torno de 0,20 MSE, mas na inferência gera texto com pouco sentido, às vezes repetindo frases. Técnicas como amostragem programada não resolveram o problema. O caso ilustra um desafio comum para pesquisadores que tentam replicar modelos de ponta sem acesso ao código original: mesmo após implementação cuidadosa, reproduzir os resultados publicados prova-se extremamente difícil. Isso levanta questões sobre a reprodutibilidade de pesquisa em IA quando detalhes críticos de treinamento não são divulgados.

   O modelo foi testado em épocas de treinamento ao redor da 2800ª, quando a perda de EOS (fim de sequência) já havia diminuído significativamente, mas a qualidade da geração continuava insatisfatória.

6. 6

   Usuário busca alternativa a Elevenlabs para narração com emoção

   O que aconteceu: Um criador de animação relata insatisfação com a qualidade de síntese de voz do Elevenlabs, descrevendo o resultado como plano e inconsistente entre personagens. Ele havia testado anteriormente a funcionalidade de referência de voz do Stable Diffusion 2.0, mas limitada a 15 segundos, e acabou gastando $75 com um ator de voz humano cujo trabalho considerou inadequado. Por que importa: A pergunta reflete uma lacuna percebida nas ferramentas atuais de síntese de voz para aplicações criativas que demandam variedade emocional e consistência. Para criadores que trabalham com múltiplas linhas de diálogo (o usuário menciona 40 linhas), a relação entre custo, qualidade de IA e resultado profissional segue sendo um desafio.

   Pontos de atenção: O usuário questiona explicitamente se existe solução superior ao Elevenlabs para capturar tons emocionais, ou se este permanece como estado da arte — sugerindo que a comunidade de criadores ainda busca avanços nesta área específica.