EMOVA（EMotionally Omni-present Voice Assistant）は、エンドツーエンドの音声処理を行いながら、最先端のビジュアル言語性能を維持するマルチモーダル言語モデルです。意味と音響を分離する音声セグメンターにより、感情豊かなマルチモーダルな対話を実現し、ビジュアル言語と音声のベンチマークテストで最先端の性能を達成しています。

Qwen2 音声指示デモは、音声指示に基づくインタラクティブなデモウェブサイトです。最新のAI技術を活用し、音声指示によるウェブページとの対話を実現しています。この技術はユーザーエクスペリエンスを向上させるだけでなく、障がいのある方にもより便利なアクセス方法を提供します。開発チームや技術サポートといった製品背景情報も含まれており、価格は無料トライアルです。主にAIインタラクションに関心のあるユーザーを対象としています。

SpeechGPT2は、復旦大学計算機科学学院が開発したエンドツーエンドの音声対話言語モデルです。感情を感知して表現し、コンテキストと人間の指示に基づいて、様々なスタイルで適切な音声応答を提供します。このモデルは超低ビットレート音声コーデック（750bps）を採用し、意味情報と音響情報を模倣し、多入力多出力言語モデル（MIMO-LM）を用いて初期化されます。現在、SpeechGPT2はまだターン制の対話システムですが、全二重リアルタイム版の開発が進められており、有望な進展が見られています。計算資源とデータ資源の制約から、音声認識のノイズ耐性と音声生成の音質安定性にはまだ課題がありますが、今後、技術レポート、コード、モデルウェイトをオープンソース化する予定です。

Qwen2-Audioは、アリババクラウドが開発した大規模音声言語モデルです。様々な音声信号を入力として受け入れ、音声指示に基づいて音声分析を行うか、または直接テキストで応答します。音声チャットと音声分析という2種類の異なる音声インタラクションモードをサポートしています。自動音声認識（ASR）、音声テキスト変換（S2TT）、音声感情認識（SER）など、13個の標準ベンチマークテストで優れた性能を示しています。

Swiftは、Groq、Cartesia、Vercelが支援する高速AI音声アシスタントです。Groqを使用してOpenAI WhisperとMeta Llama 3の高速推論を行い、CartesiaのSonic音声モデルで高速音声合成を行い、フロントエンドにリアルタイムでストリーミングします。VAD技術を使用してユーザーの発話を検出し、音声セグメントへのコールバックを実行します。SwiftはTypeScriptで記述されたNext.jsプロジェクトであり、Vercel上にデプロイされています。

リアルタイム音声AIエージェントは、高度に柔軟なリアルタイム音声インタラクションモデルです。約500ミリ秒で音声によるあらゆるクエリに回答できます。このモデルは、ユーザーが任意の大規模言語モデル、テキスト読み上げ（TTS）モデル、音声認識（STT）モデルを選択することをサポートしています。カスタマーサービスボット、受付係など、音声関連のアプリケーションシナリオに最適です。

juneは、Ollama、Hugging Face Transformers、Coqui TTS Toolkitを組み合わせたローカル音声チャットボットです。柔軟でプライバシーを重視したソリューションを提供し、ローカルマシン上で音声アシストによるインタラクションを実現します。データが外部サーバーに送信されることはありません。主な利点としては、インターネット接続不要、ユーザーのプライバシー保護、多様なインタラクションモードのサポートなどがあります。

ChatGPT APIを利用して開発されたAndroid向け音声アシスタントアプリです。音声によるインタラクション、連続した会話、画像認識などの機能を備えています。音量ボタンから任意の画面で起動し、音声で質問できるので、タイピングが不要で、非常に優れた操作性を実現しています。カスタム質問テンプレート、ウェブスクレイピング、Visionによる画像認識などの高度な機能もサポートしています。

ChatAnythingは、LLMベースのバーチャルキャラクターに個性、容姿、声色を付与し、オンラインビデオチャットを実現することを目指しています。ユーザーはテキストによる記述のみで、具体的な容姿、個性、話し方を持つバーチャルキャラクターを作成できます。ChatAnythingは、LLMのコンテキスト学習能力を基に個性生成を行い、さらに音声合成技術（MoV）と容姿合成技術（MoD）という2つの革新的概念を提案することで、音声と容姿のバリエーションを豊かにします。主な機能には、バーチャルキャラクター肖像画生成、個性生成、音声生成、表情駆動生成が含まれます。ビデオチャットの作成、インタラクティブなバーチャルキャラクターの作成など、さまざまな場面で使用できます。

EMOVA（EMotionally Omni-present Voice Assistant）は、エンドツーエンドの音声処理を行いながら、最先端のビジュアル言語性能を維持するマルチモーダル言語モデルです。意味と音響を分離する音声セグメンターにより、感情豊かなマルチモーダルな対話を実現し、ビジュアル言語と音声のベンチマークテストで最先端の性能を達成しています。

EVI 2は、Hume AIが提供する新型の基本音声対音声モデルです。人間に近い自然さで、ユーザーとスムーズな会話を実現します。迅速な応答、ユーザーの口調の理解、さまざまな口調の生成、特定の要求の実行などが可能です。EVI 2は特別なトレーニングにより感情知能が強化されており、ユーザーの好みを予測して適応し、楽しく魅力的な性格と個性を維持します。さらに、EVI 2は多言語に対応し、さまざまなアプリケーションシナリオやユーザーニーズに適応します。

Tolan: Alien Best Friendは、iPhone向けに設計されたアプリで、ユーザーは仮想の宇宙人友達Tolanと交流してチャットできます。ユーザーは、個人的な趣味、感情の問題、人生のアドバイスなど、様々な話題についてTolanと話し合うことができます。さらに、Tolanはユーザーがスニーカーのデザイン、理想の寝室、夢の車など、一緒に創造しデザインするのを助けることもできます。このアプリはサブスクリプションモデルで完全な体験を提供しており、プライバシーポリシーと利用規約も備えています。

Gemini Liveは、Googleが提供するAIアシスタントGeminiの新しい機能です。ユーザーは自由に流ちょうな会話を楽しむことができ、マルチボイスに対応し、ハンズフリー操作も可能です。より自然で会話的なインタラクション体験を提供します。これはデジタルアシスタント分野における大きな進化であり、複雑なタスクの処理やユーザーの貴重な時間の節約に役立ちます。

Qwen2 音声指示デモは、音声指示に基づくインタラクティブなデモウェブサイトです。最新のAI技術を活用し、音声指示によるウェブページとの対話を実現しています。この技術はユーザーエクスペリエンスを向上させるだけでなく、障がいのある方にもより便利なアクセス方法を提供します。開発チームや技術サポートといった製品背景情報も含まれており、価格は無料トライアルです。主にAIインタラクションに関心のあるユーザーを対象としています。

GPT用音声アシスタントプラグインは、GPT向けに設計された音声アシスタントプラグインで、音声インタラクションを通じてユーザー体験を向上させることを目的としています。このプラグインは高度な音声認識技術を組み合わせており、ユーザーは音声コマンドでGPTと対話して、より自然で便利な会話体験を実現できます。製品の背景情報によると、このプラグインはAir Tech Studioによって開発されており、多言語に対応し、ユーザーデータの安全性を重視し、第三者とデータを共有することはありません。

SpeechGPT2は、復旦大学計算機科学学院が開発したエンドツーエンドの音声対話言語モデルです。感情を感知して表現し、コンテキストと人間の指示に基づいて、様々なスタイルで適切な音声応答を提供します。このモデルは超低ビットレート音声コーデック（750bps）を採用し、意味情報と音響情報を模倣し、多入力多出力言語モデル（MIMO-LM）を用いて初期化されます。現在、SpeechGPT2はまだターン制の対話システムですが、全二重リアルタイム版の開発が進められており、有望な進展が見られています。計算資源とデータ資源の制約から、音声認識のノイズ耐性と音声生成の音質安定性にはまだ課題がありますが、今後、技術レポート、コード、モデルウェイトをオープンソース化する予定です。

Dialedは、パーソナライズされた励ましスピーチを通じてユーザーの潜在能力を引き出すことを目的としたAI駆動型アプリケーションです。フィットネス、スピーチ、日常の課題など、あらゆる場面でパーソナライズされた励ましとインスピレーションを提供します。主なメリットには、パーソナライズされた励ましスピーチ、真摯なサポート、伝説的なスピーチのカスタマイズ、様々な音声選択、バックグラウンドミュージック、AI生成の励まし画像などが含まれます。さらに、ユーザーは励ましスピーチを友人や家族と共有することもできます。

Qwen2-Audioは、アリババクラウドが開発した大規模音声言語モデルです。様々な音声信号を入力として受け入れ、音声指示に基づいて音声分析を行うか、または直接テキストで応答します。音声チャットと音声分析という2種類の異なる音声インタラクションモードをサポートしています。自動音声認識（ASR）、音声テキスト変換（S2TT）、音声感情認識（SER）など、13個の標準ベンチマークテストで優れた性能を示しています。