Audio & Speech

Principais notícias

1. 1

   Vozes deepfake representam risco crescente para comunicações diplomáticas

   O que aconteceu: Uma discussão no Reddit levanta preocupações sobre clonagem de vozes com IA direcionada a diplomatas e funcionários do governo, observando que o reconhecimento de voz sozinho não serve mais como verificação confiável de identidade quando vozes sintéticas realistas podem ser criadas. Por que é importante: Se adversários conseguirem clonar convincentemente as vozes de contatos conhecidos, funcionários podem ser enganados para compartilhar informações sensíveis ou tomar decisões baseadas em chamadas fraudulentas, potencialmente prejudicando comunicações diplomáticas e governamentais seguras.

   O que observar: A discussão reconhece incerteza sobre a frequência com que chamadas deepfake estão ocorrendo na prática e se funcionários já começaram a alterar protocolos de verificação em resposta à ameaça.

2. 2

   Wispr levanta $280M para speech-to-text com IA em avaliação de $2B

   O que aconteceu: A Wispr AI, desenvolvedora do Flow—ferramenta de ditado que converte palavras faladas em texto limpo—arrecadou $280 million em financiamento da Series B em avaliação de $2 billion, liderado pela Menlo Ventures. A empresa também apresentou o Canto, seu primeiro modelo de IA proprietário treinado para isolar fala humana em ambientes barulhentos. Por que importa: O Canto reduz as taxas de erro de transcrição em ambientes barulhentos de 30% para cerca de 5%–10%, tornando o ditado prático além de salas silenciosas—em carros, escritórios ou próximo ao trânsito. Isso importa para trabalhadores móveis, mas também para usuários surdos e com deficiência auditiva que dependem de transcrição por IA em ambientes reais com múltiplos falantes. A Wispr afirma que as pessoas escreveram mais de 60 billion palavras no Flow e a ferramenta é usada por quase todas as empresas da Fortune 500 e mais de 10,000 empresas.

   Acompanhe: O Canto está em preview. O total arrecadado pela empresa agora chega a $361 million após esta rodada, que incluiu novos investidores Acrew, Forerunner, Goodwater, Peak XV, Together Fund e PLUS Capital ao lado de apoiadores existentes.

3. 3

   Regal Voice integra agentes de IA de voz à plataforma Five9

   O que aconteceu: A Regal Voice Inc., empresa de inteligência artificial de voz para empresas, anunciou uma integração com a Five9 Inc. que disponibiliza seus agentes autônomos de IA de voz aos clientes da plataforma de contact center da Five9, listados no programa AI Agent Connect da empresa. Por que é importante: A integração permite que eventos de chamadas na Five9 acionem automaticamente os agentes de voz da Regal, ampliando as opções de automação de atendimento para empresas que já utilizam a plataforma de contact center da Five9.

   O que acompanhar: A disponibilidade dos agentes de Regal Voice através do AI Agent Connect da Five9, um canal de distribuição para fornecedores de IA terceirizados.

4. 4

   VocalCode traz ditação por voz para editores de código, compra única de $4.99

   O que aconteceu: VocalCode, uma ferramenta de ditação para desktop, permite que desenvolvedores falem código e texto diretamente em editores, terminais e janelas de chat usando reconhecimento de fala no dispositivo. A ferramenta custa $4.99 como compra única (sem assinatura), inclui teste gratuito de 30 dias e funciona em até 3 dispositivos. Por que importa: O reconhecimento de fala funciona inteiramente no seu CPU — o áudio nunca sai do seu computador — tornando-o útil para desenvolvedores que desejam entrada sem as mãos com preservação de privacidade. A ferramenta suporta mandarim e 25 idiomas europeus por meio de modelos de detecção automática, além de inglês, permitindo que equipes em diferentes regiões a utilizem sem carregar dados de fala na nuvem.

   O que acompanhar: VocalCode requer macOS 11 ou posterior em Apple Silicon, ou Windows; as 25 opções de idiomas europeus são visualizações com suporte de modelo pendente de testes por idioma. Após o download inicial do modelo, o reconhecimento funciona totalmente offline; a revalidação da licença paga ocorre online pelo menos a cada 30 dias.

5. 5

   IA dá voz expressiva a cantor de ópera não-falante

   O que aconteceu: Jakob Jordan, um jovem com autismo e apraxia que não consegue falar de forma confiável, protagonizou uma ópera chamada Sensorium Ex usando um dispositivo de síntese de fala com IA personalizado desenvolvido pelo professor da Universidade de Nova York Luke DuBois. O dispositivo coleta amostras da fala desordenada do próprio Jakob, infere 401 parâmetros que representam a arquitetura acústica de sua voz e sintetiza novo texto através desses parâmetros—permitindo que ele ouça seus pensamentos falados em uma voz que soa como a dele, com controle expressivo total via sensores lidar que deixam ele acelerar, desacelerar e mudar o tom em tempo real. Por que é importante: Os dispositivos tradicionais de texto para fala para pessoas com deficiências de comunicação (dispositivos AAC) tratam a voz sintetizada como genérica—monótona e sem emoção. O sistema de Jakob muda essa perspectiva: em vez de apenas reproduzir texto, lhe oferece o que usuários identificaram como uma necessidade de direitos civis—o direito de injetar afeto emocional, de soar sarcástico, alegre ou chateado. A compositora Paola Prestini construiu a ópera em torno dessa ideia, trabalhando com a poeta Brenda Shaughnessy (que tem experiência vivida como mãe de uma criança não-verbal) para honrar as deficiências incorporadas aos personagens e criar um espaço onde artistas com deficiência pudessem prosperar.

   O que observar: O dispositivo funciona inteiramente em um computador local usando sensores lidar (a mesma tecnologia de $6 que implanta airbags de carros) em vez de serviços em nuvem, preservando a privacidade eliminando exposição de dados a terceiros. Jakob continua usando um dispositivo de texto para fala tradicional para a vida cotidiana; a voz com IA é sua escolha para expressão artística e performance. DuBois observa que digitar o que você quer dizer continua lento e complicado—o próximo desafio da equipe.

6. 6

   Dictata: Ditado por voz local Whisper para Windows, sem dados saindo da máquina

   O que aconteceu: Um desenvolvedor lançou Dictata v0.1.0, um aplicativo Windows que transcreve fala localmente usando Whisper (um modelo de IA de fala para texto) e whisper.cpp, depois cola o texto em qualquer aplicativo ativo—tudo sem enviar áudio ou texto para fora do dispositivo. Por que importa: Empresas e indivíduos que lidam com informações sensíveis agora podem ditar sem expor o áudio a serviços em nuvem; a ferramenta também oferece pós-processamento local de LLM (limpeza, formatação de e-mail, listas) e suporta aceleração por GPU (Vulkan para AMD/Intel/NVIDIA), tornando-a prática para uso real em máquinas pessoais.

   O que observar: A ferramenta requer Windows 10/11, ffmpeg para transcrição de arquivos e SDK Vulkan opcional para suporte a GPU; é de código aberto sob MIT com Commons Clause (gratuita para uso pessoal, não para revenda comercial), com biblioteca de modelos integrada e integração HuggingFace para download fácil de modelos.