Η Xiaomi ξεκίνησε την νέα έκδοση των μοντέλων AI MiMo V2.5, που επιτρέπουν τη μετατροπή κειμένου σε φωνή και αντίστροφα

Η Xiaomi ξεκινά νέες φωνητικές μοντέλα τεχνητής νοημοσύνης

Η εταιρεία Xiaomi παρουσίασε δύο εκδόσεις των φωνητικών της μοντέλων AI, που λειτουργούν με κείμενο και ήχο:

Μοντέλο Λειτουργία Κύριες Χαρακτηριστικά
MiMo‑V2.5‑TTS Κείμενο → ομιλία 3 παραλλαγές, δωρεάν για περιορισμένο χρόνο στο MiMo Studio; ρύθμιση ταχύτητας, τόνου και συναισθημάτων; δυνατότητα δημιουργίας νέων φωνών με σύντομη φράση (VoiceDesign) και κλωνοποίησης φωνής από λίγα δείγματα (VoiceClone).
MiMo‑V2.5‑ASR Ομιλία → κείμενο Αναγνώριση προφορικής ομιλίας σε δύσκολες συνθήκες, υποστήριξη κινέζικων διαλέκτων + αγγλικών; δίγλωσσοι διάλογοι και τραγούδια (φωνή στο φόντο μουσικής); λειτουργία με έντονο θόρυβο; αυτόματη εισαγωγή σημείωσης σύμφωνα με την intonation.

Πώς να χρησιμοποιήσετε το MiMo‑V2.5‑TTS
1. Βασική έκδοση – επιλέγει μία από τις προεπιλεγμένες φωνές και επιτρέπει αλλαγή ταχύτητας, τόνου και συναισθηματικού αποχρώματος.

2. VoiceDesign – εισάγετε σύντομη φράση, στη συνέχεια το σύστημα δημιουργεί νέο τόνο φωνής.

3. VoiceClone – ανεβάζετε μερικά δείγματα της επιλεγμένης φωνής· το μοντέλο τα αναπαράγει διατηρώντας στυλ και οδηγίες.

Για να πετύχετε την επιθυμητή ήχο, ο χρήστης μπορεί:

- Να προσθέτει ειδικούς ετικέτες στο κείμενο;

- Να περιγράφει τη φωνή με απλή φυσική γλώσσα (στα κινέζικα ή αγγλικά);

- Να δημιουργεί σενάρια για εικονικές παραστάσεις, όπου πολλαπλές φωνές αλληλεπιδρούν ταυτόχρονα.

Χαρακτηριστικά του MiMo‑V2.5‑ASR
- Πολυγλωσσία – υποστήριξη πολλών διαλέκτων της κινέζικης γλώσσας και αγγλικών.

- Ανάλυση τραγουδιών – το μοντέλο επισημαίνει τη φωνή ακόμη και με υπόβαθρο μουσικής.

- Αντοχή στον θόρυβο – ακριβής αναγνώριση σε συνθήκες έντονου εξωτερικού θορύβου.

- Σημείωση σύμφωνα με την intonation – αυτόματα εισάγει σημεία στίξης, μειώνοντας την ανάγκη χειροκίνητης διόρθωσης.

Έτσι η Xiaomi επεκτείνει τις δυνατότητές της στον τομέα των φωνητικών τεχνολογιών, προσφέροντας ευέλικτα εργαλεία τόσο για τη δημιουργία συνθετικής ομιλίας όσο και για την ακριβή αναγνώριση προφορικών πληροφοριών.