Text to speech

Famille de modèles STT/TTS et SDK d'agents vocaux disponibles dès aujourd'hui via API UE ou auto-déploiement, avec benchmarks publics (FLEURS, diarization) et tarif de 0,0035 $/min pour la version Mini.

Mistral AI présente Voxtral 3, une famille de modèles speech-to-text et text-to-speech accompagnée d'un SDK d'agents vocaux temps réel, disponible via API hébergée dans l'UE ou en auto-déploiement.

PDF TO MP3 se connecte à Codex ou Claude via un serveur MCP : l'abonnement IA traite les documents, tandis que la synthèse vocale est facturée à l'usage par Google ou OpenAI.

Un modèle de synthèse vocale compressé 10x, 8,5 Mo en int8, tourne 25x plus vite que le temps réel sur un seul CPU.

Une méthode sans réentraînement décompose les vecteurs d'émotion pour mieux contrôler le TTS émotionnel, surpassant CoCoEmo sur plusieurs backbones.

DeepMind dévoile les capacités de synthèse vocale de Gemini 3.8, une nouvelle brique text-to-speech pour son modèle phare.

Un nouveau codec neuronal applique une compression indépendante à chaque couche de quantification pour améliorer l'efficacité des systèmes de synthèse vocale.

Nari Labs présente ses modèles de synthèse et reconnaissance vocale basés sur Qwen3, mis en avant pour leur précision, faible latence et coût réduit.

Une étude révèle que les prédicteurs MOS et les juges Audio-LLM échouent à capturer la richesse des erreurs linguistiques dans la synthèse vocale.

Un nouveau modèle de synthèse vocale ultra-compact publié sur Hugging Face vise l'efficacité extrême face aux modèles vocaux massifs.