Meta Presenta Spirit LM: Modelo Multimodal Fundacional de Voz y Texto con Emoción Nativa
Meta FAIR pres
Sigue leyendo las noticias clave de IA
Filtrar y personalizar
Meta FAIR Presenta SeamlessM4T v2: Modelo Fundacional Abierto de Traducción Multimodal de Voz y TextoMeta FAIR lanza SeamlessM4T v2, modelo fundacional abierto que unifica traducción multilingüe de voz a voz, voz a texto y texto a voz en casi 100 idiomas.Leer análisis completo
Meta Presenta Spirit LM: Modelo Fundacional de Código Abierto que Unifica Texto y Voz con Expresividad EmocionalMeta lanza Spirit LM, modelo fundacional de pesos abiertos que entrelaza texto y voz para generar habla expresiva con control de tono, emoción y estilo.Leer análisis completo
NVIDIA Presenta Llama-3.1-Nemotron-70B: Modelo de Recompensas de Alta Precisión para Alineamiento de LLMsNVIDIA lanza Llama-3.1-Nemotron-70B-Reward, modelo de recompensas de alta precisión optimizado con HelpSteer2 para alinear modelos de lenguaje de frontera.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
Baichuan Presenta Baichuan-Omni: Modelo Multimodal de Video 720p, Audio y TextoBaichuan libera Baichuan-Omni, modelo de 7B capaz de procesar flujos continuos de video 720p, voz y texto de forma simultánea con latencia bajo 400ms.Leer análisis completo
Rime presenta Prism, un modelo de voz a voz con revisión de textoRime anuncia Prism: modelo de voz a voz con capa de texto intermedia para aplicar reglas, gestionar llamadas a herramientas y auditar conversaciones.Leer análisis completo
Kyutai presenta Moshi: el modelo de voz multimodal en tiempo real con 200 milisegundos de latencia y pesos abiertosKyutai libera Moshi, modelo de diálogo por voz full-duplex con latencia de 200ms, compresión Mimi y pesos abiertos para ejecución en servidores locales.Leer análisis completo
Baichuan Presenta Baichuan-Omni: Modelo Multimodal Abierto de Procesamiento de Voz, Video y Texto en Tiempo RealBaichuan presenta Baichuan-Omni, modelo de 7B para comprensión multimodal simultánea de video y voz con latencia de 400 ms e interacción natural.Leer análisis completo
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
Reka AI Presenta Reka Core: Modelo Multimodal Frontera Independiente con Procesamiento Nativo de Texto, Video y AudioReka AI presenta Reka Core, modelo multimodal frontera de alta capacidad entrenado desde cero para razonar sobre texto, imágenes, video continuo y habla.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
THUDM Presenta GLM-4-Voice: Modelo Multimodal de Voz a Voz en Tiempo Real con Comprensión Acústica DirectaZhipu AI y Tsinghua liberan GLM-4-Voice, modelo multimodal abierto de voz a voz en tiempo real con comprensión de prosodia, emociones y síntesis expresiva.Leer análisis completo
Nexusflow Presenta Starling-LM 7B: Modelo Abierto Optimizado con RLAIF que Lidera Benchmarks ConversacionalesNexusflow y UC Berkeley liberan Starling-LM 7B, modelo alineado con RLAIF y dataset Nectar que alcanza la cima en Chatbot Arena entre modelos de 7B.Leer análisis completo
Mistral AI presenta Pixtral 12B: modelo multimodal de visión y lenguaje con compresión nativa de imágenes y pesos abiertos para investigaciónMistral AI lanzó Pixtral 12B, su modelo multimodal de visión y lenguaje capaz de procesar imágenes a resolución nativa con pesos abiertos.Leer análisis completo
Apple Presenta Ferret-UI: Modelo Multimodal para Agentes de Interfaz MóvilApple publica Ferret-UI, modelo multimodal optimizado para interpretar pantallas móviles, iconos pequeños y widgets en aplicaciones de iOS y Android.Leer análisis completo
OpenAI expande la Realtime API con integración nativa de WebRTC para voz bidireccional y llamadas interactivas de ultrabaja latenciaOpenAI incorpora WebRTC en su Realtime API, permitiendo conexiones de audio directas desde navegadores y móviles con menor latencia y consumo de ancho de banda.Leer análisis completo