ElevenLabs představuje hlasové modely v4 s rychlejším klonováním hlasu a širší jazykovou podporou
Společnost ElevenLabs v pondělí uvedla dva nové hlasové modely: ElevenLabs v4 a v4 Turbo. Modely nabízejí větší kontrolu nad hlasovým projevem, nižší latenci hlasových agentů a podporu více než 90 jazyků.
Nová architektura a rychlejší klonování hlasu
Po loňském vydání modelu v3 a představení náhledu jeho nástupce na akci ve Varšavě na začátku letošního roku uvedla společnost ElevenLabs novou architekturu pro generaci v4. Aktualizovaný návrh poskytuje přesnější ovládání a rychlejší klonování hlasu, takže uživatelé mohou napodobit hlas z pouhých 10 sekund zvukového záznamu.
Lepší expresivita a porozumění kontextu
U kreativních aplikací zachovává v4 identitu hlasu konzistentněji i v delších pasážích. Při hlasitém čtení rovněž zohledňuje textový kontext, což umožňuje vhodnější změny výrazu.
ElevenLabs zavedla u verze v3 vložené značky pro řízení výrazu. Ve v4 byla tato funkce rozšířena, takže uživatelé mohou kombinovat více značek a model je postupně zpracuje.
Podpora více než 90 jazyků
Předchozí model podporoval 70 jazyků, zatímco v4 rozšiřuje podporu na více než 90. Podle společnosti ElevenLabs bylo největší zlepšení kvality zaznamenáno u japonštiny, brazilské portugalštiny, mandarínské čínštiny a kantonštiny.
Nižší latence podnikových hlasových agentů
Společnost ElevenLabs během uplynulého roku rychle rozšířila své podnikání v oblasti firemních hovorů, přičemž velké společnosti nyní tvoří více než 55 % jejího podnikání. Společnost uvádí, že v4 je obzvláště vhodná pro hlasové agenty, protože její nižší latence umožňuje plynulejší a přirozenější konverzace.
Model může začít vytvářet zvuk, jakmile podkladový velký jazykový model začne generovat odpověď. Dokáže také odlišně reagovat na konfliktní situace, eskalace a přidržení hovoru, čímž podporuje efektivnější řešení problémů.
Rostoucí konkurence v oblasti hlasové umělé inteligence
Konkurence na trhu hlasových modelů zesílila, protože startupy včetně společností Cartesia, Deepgram, Fish Audio, Boson a WellSaid Labs vyvíjejí stále expresivnější systémy. Své hlasové modely nadále zdokonalují také velké technologické společnosti, jako jsou Google a OpenAI.
Financování, růst tržeb a expanze
Na začátku letošního roku získala společnost ElevenLabs 500 milionů USD ve finančním kole vedeném společností Sequoia, které ji ocenilo na 11 miliard USD. Od té doby se objevily zvěsti o navazujícím investičním kole, které by mohlo její ocenění zdvojnásobit na 22 miliard USD.
Roční tempo tržeb společnosti vzrostlo z přibližně 330 milionů USD na začátku roku na více než 600 milionů USD. ElevenLabs také intenzivně nabírala zaměstnance na trzích včetně Indie, Evropy a Brazílie, čímž zvýšila počet pracovníků na více než 800.
Možné plány na vstup na burzu
Spoluzakladatel a generální ředitel Mati Staniszewski nedávno uvedl, že ElevenLabs plánuje primární veřejnou nabídku akcií „v příštích letech“, konkrétní časový harmonogram však neposkytl.