Nano Banana dla audio: Tencent wprowadza model AuK do generowania i edycji mowy
Tencent zaprezentował AuK, zaawansowany model do generowania i edycji mowy, oferujący potężne możliwości personalizacji głosu. Narzędzie pozwala na klonowanie głosów oraz precyzyjną edycję nagrań bez konieczności ponownego nagrywania.
Nano Banana dla audio
Tencent uruchomił AuK – system służący do generowania i edycji mowy. Jest to model o wielkości 1,5 miliarda parametrów, który przekształca tekst w mowę oraz edytuje gotowe nagrania na podstawie instrukcji tekstowych, wszystko to w ramach jednego interfejsu. Technologia umożliwia klonowanie głosów na podstawie próbek referencyjnych, zmianę pojedynczych słów bez konieczności re-recordingu całej frazy, usuwanie akcentów i szumów, a także regulację barwy, emocji, tempa i wysokości tonu. Dodatkowo, AuK potrafi oddzielić głos mówcy lub wokale od reszty miksu.
Model został wytrenowany na zbiorze 1,95 miliona godzin „efektywnego audio treningowego”. W celu zrozumienia instrukcji użytkownika wykorzystywany jest osobno model Qwen2.5-Omni-3B, co oznacza, że 1,5 miliarda parametrów nie stanowi pełnej wielkości całego systemu. Oprócz wersji podstawowej udostępniono również AuK-Flash, który wykonuje tylko 4 kroki inferencji zamiast standardowych 32, działając przy tym 4,5 raza szybciej. Kod źródłowy, wagi modelu oraz węzły ComfyUI są już dostępne do samodzielnych eksperymentów.
Linki
Dlaczego to ważne
AnalizaTa technologia ma potencjał znacznego uproszczenia procesów tworzenia i postprodukcji treści audio, co przyniesie korzyści w wielu branżach, od mediów po edukację.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
Tencent wypuścił Hy4: model z otwartymi wagami, który rzuca wyzwanie DeepSeek
Tencent wypuścił Hy4 — model multimodalny, który w wewnętrznych testach uzyskał 75,2 punktu w benchmarku APEX-Agents, wyprzedzając DeepSeek V4.1 Flash-1017. Firma planuje opublikować wagi modelu.
Profil Hermes: Analityk systemowy i modelowanie procesów
Profil analityka systemowego Hermes: dekompozycja wymagań, diagramy BPMN 2.0, drzewa metryk, ekonomika jednostkowa oraz formułowanie User Stories.
Nano Banana: prompty do projektowania graficznego
To zbiór starannie opracowanych promptów do generowania wizualizacji – od opakowań, przez plakaty, po trendy na rok 2025.
Bezpośrednie przetwarzanie mowy (Speech-to-Speech / Native Audio)
Nowa generacja natywnych modeli multimodalnych (GPT-4o Advanced Voice, Gemini Live), które bezpośrednio analizują fale dźwiękowe, pomijając etapy konwersji audio na tekst (STT) i z powrotem (TTS). Pozwala to modelowi rozpoznawać sarkazm, strach, śmiech czy szept oraz przerywać rozmowę w locie przy minimalnym opóźnieniu.