Artikler med tag: talegenkendelse

NVIDIA har frigivet NemotronLabs VoiceChat 11B, en åben 11‑mia. end‑to‑end tale‑til‑tale model til fuld‑duplex samtaler med ~448 ms turn‑taking og live tool‑calling. Det kan skære latenstid og reducere kompleksitet i voice‑stakke — men checkpointet er research‑only, der er ingen hosted API, og repo’et beskriver konkrete fejltilstande. Konklusion: velegnet til piloter, ikke klar til produktion.

PolyAI lancerer Dialog-RSN-1, en audio-native model der læser opkaldets lyd direkte og samler turn-taking, talegenkendelse, funktionkald og svar i ét. Hurtigere svartid og færre mellemled — men også nye krav til arkitektur, governance og cost-kontrol. Alle effektmålinger er leverandør-rapporterede og bør valideres i egne piloter.

Corti lancerer Symphony for Speech-to-Text og præsenterer egne målinger med 1,4% WER på engelsk medicinsk terminologi. Hvis tallene holder i drift, er det et håndfast argument for domænespecialiserede modeller – men hospitaler skal kræve lokal validering, skarp integration til EHR og tydelig governance, før gevinsterne kan hentes sikkert.

OpenAI, Google, Anthropic og andre AI-aktører har i denne uge lanceret markante opdateringer – fra nye sprog- og multimodal-modeller til milliardinvesteringer og partnerskaber. Samtidig ruster branchen sig til næste fase med AI-assistenter, der kan søge på nettet, styre robotter og skabe indhold på tværs af medier.