Investigadores del equipo FunAudioLLM de Alibaba Group presentaron CosyVoice, una familia de modelos fundacionales de voz generativa multilingüe que permite clonación cero-disparo con apenas 3 segundos de referencia, síntesis con control emocional granular y doblaje entre lenguas preservando el timbre identitario original.
Sigue leyendo las noticias clave de IA
Filtrar y personalizar
Alibaba presenta Qwen2-Audio: el modelo fundacional de comprensión y diálogo por voz directa sin pipeline de transcripción ASRAlibaba lanza Qwen2-Audio, modelo que procesa voz natural y audio ambiente directamente en el espacio latente sin requerir transcripción intermedia.Leer análisis completo
Alibaba lanza Qwen 2.5-Coder 32B: el modelo abierto de programación que iguala a GPT-4o en generación de código con 128k de contextoAlibaba liberó Qwen 2.5-Coder 32B con pesos abiertos, igualando a modelos propietarios en generación de código y asistencia de repositorios.Leer análisis completo
SenseTime Libera LightLLM: Motor de Inferencia Liviano de Alto Rendimiento con Co-Diseño de Algoritmos y SistemasSenseTime presenta LightLLM, motor de inferencia liviano que maximiza la ocupación de memoria en GPUs y cuadruplica el throughput mediante gestión por token.Leer análisis completo
ByteDance Presenta Seed-Music: Modelo Fundacional de Generación Musical con Control de Timbre y Edición MultimodalByteDance introduce Seed-Music, un modelo fundacional para síntesis musical de alta fidelidad, control vocal expresivo y edición de pistas por texto.Leer análisis completo
ByteDance Presenta Seed-TTS: Familia de Modelos de Síntesis de Voz con Clonación Cero Muestras y Expresividad HumanaByteDance introduce Seed-TTS, modelo de síntesis de voz con clonación cero muestras en 3 segundos y expresividad emocional humana fotorrealista.Leer análisis completo
Alibaba Cloud Presenta Wan 2.1: Modelos Abiertos de Difusión de Video en 1080p con Compresión Espaciotemporal y DiTAlibaba Cloud lanza Wan 2.1 en versiones 1.3B y 14B, modelos abiertos de generación de video con DiT, VAE 3D espaciotemporal y renderizado en resolución 1080p.Leer análisis completo
Fish Audio Presenta Fish-Speech 1.5: Síntesis de Voz Autorregresiva Abierta con Clonación Cero Muestras y Compresión Dual-ARFish Audio lanza Fish-Speech 1.5, modelo abierto de TTS autorregresivo con clonación de voz en segundos, alta fidelidad acústica y soporte multilingüe.Leer análisis completo
Hugging Face Presenta Parler-TTS: Síntesis de Voz Abierta y Expresiva Controlada por Lenguaje NaturalHugging Face libera Parler-TTS, modelo abierto de síntesis de voz guiado por lenguaje natural para controlar tono, prosodia, cadencia y ambiente sonoro.Leer análisis completo
Mistral presenta Voxtral 3: transcripción, síntesis y agentes de vozUna guía para entender audio, turnos y acciones en agentes de voz, con un ensayo hipotético y una pauta de evaluación antes de conectar sistemas reales.Leer análisis completo
Kyutai Presenta Mimi: Codec de Audio Neuronal Abierto de Ultra Baja Latencia para Modelos de VozKyutai libera Mimi, codec de audio neuronal abierto que combina tokens acústicos y semánticos a 12,5 Hz para síntesis de voz interactiva a baja latencia.Leer análisis completo
Meta Presenta Spirit LM: Modelo Fundacional Multimodal de Voz y Texto con Comprensión EmocionalMeta presenta Spirit LM, modelo fundacional que combina texto y voz intercalados con entonación, timbre y prosodia emocional.Leer análisis completo
Amazon presenta Nova: nueva familia de modelos fundacionales Micro, Lite, Pro y Reel integrados en AWS Bedrock con latencia ultrabaja y costos reducidosAWS lanza la familia Amazon Nova: cuatro modelos fundacionales multimodales de texto, razonamiento y generación de video de alta velocidad a bajo costo.Leer análisis completo
AI Singapore Presenta SEA-LION 7B: Modelo Fundacional Abierto Optimizado para 11 Lenguas del Sudeste AsiáticoAI Singapore presenta SEA-LION 7B, modelo fundacional abierto entrenado sobre 11 lenguas del Sudeste Asiático con tokenizador optimizado regionalmente.Leer análisis completo
MIT HAN Lab Presenta AWQ: Cuantización a 4 Bits Guiada por Activaciones para Acelerar la Inferencia de LLMsMIT HAN Lab libera AWQ, técnica de cuantización a 4 bits guiada por activaciones que acelera la inferencia de LLMs hasta 3x sin pérdida de precisión.Leer análisis completo
Zhipu AI y THUDM Presentan CogVideoX: Familia Abierta de Modelos de Difusión de Video con VAE Causal 3D y Control CinemáticoZhipu AI y THUDM lanzan CogVideoX, modelos abiertos de difusión de video de 2B y 5B con VAE causal 3D y simulación de movimiento cinemático fluido.Leer análisis completo
Shanghai AI Lab Presenta InternLM 2.5: Modelos Abiertos de Razonamiento con Ventana de Contexto de 1 Millón de TokensShanghai AI Lab lanza InternLM 2.5 en 7B y 20B, con procesamiento de 1M de tokens, razonamiento matemático avanzado y llamadas a herramientas complejas.Leer análisis completo