OpenAI открыла GPT‑Live‑1 в API для голосовых агентов: ИИ-модель умеет слушать и говорить одновременно, естественно реагируя на паузы и перебивания. GPT‑Live‑1 может передавать сложные рассуждения и вызовы инструментов другим моделям, а голосовой слой стоит $0,05 за минуту.
Нейросеть GPT-6 Astra сделала управление компьютером жестами — ИИ собрала приложение, которое понимает движения руки без камеры. Проект отправляет неслышимый звук и по эффекту Доплера определяет, где находится ладонь пользователя. Подняли руку выше — скролл идёт вверх, опустили — вниз. Двойной тап в воздухе переключает направление.
Представлен открытый проект VoiceStudio (бета-версия) — локальная альтернатива ElevenLabs.
Решение:
клонирует любой голос по короткой записи;
озвучивает тексты;
переводит и дублирует видео;
расшифровывает речь в текст;
собирает многоголосые аудиокниги из EPUB и PDF.
внутри 16 моделей для генерации, 11 для распознавания и каталог из 646 языков и наречий;
полностью бесплатно и без регистрации — все крутится локально на ПК.
Саймон Уиллисон, один из создателей Django и автор Datasette, обратил внимание на необычную фоновую музыку в гавайском ресторане. Музыка показалась разработчику однотипной и безликой, тексты песен в каких-то общих чертах рассказывали про нахождение на пляже. Ловким движением руки Уиллисон запустил приложение Shazam, чтобы найти исполнителя. Сервис не смог установить авторство ни одной песни, чем подтвердил опасения Саймона: это ИИ.
Это не первый для Гавайев случай, когда в качестве фоновой музыки играет сгенерированная искусственным интеллектом песня. В апреле этого года сообщалось, что в аэропорту Гонолулу играют 17 сгенерированных ИИ треков на тему островов и авиаперевозок. С пяти утра до полуночи в залах Международного аэропорта имени Дэниела К. Иноуэ звучали песни, в которых машинный вокал рассказывал про сотрудников аэропорта, авиалинии, вулкан Дайамонд-Хед и дух алоха.
Реакция пассажиров и местных жителей варьировалась от смешанной до резко негативной. На Reddit персонал аэропорта жаловался, что музыка раздражает; схожим образом высказывались пассажиры, которым громкость воспроизведения показалась избыточно высокой. Кроме собственно качества критикующие указали, что подобные треки плохо представляют культуру архипелага, хорошо известного своей характерной музыкой. Градус возмущения оказался настолько высок, что гавайские музыканты даже собрали альбом-компиляцию музыки для аэропорта и выставили его на продажу на Bandcamp.
Отдельно в СМИ сообщалось, что затея аэропорта не стоит ничего, денег из казны штата потрачено не было, в то время как подписка на фоновую музыку в среднем обходится в $10,5 тыс. (Как минимум с первой половины прошлого века существуют компании музыки для бизнеса, которые сдают в аренду плейлист и специализированное оборудование для его воспроизведения). С каким сервисом сгенерировали эту музыку, не рассказывается, но легко предположить, что это был стартап Suno. Во всяком случае, даже на бесплатном тарифе Suno возможно генерировать по 10 треков в сутки.
Случай же Уиллисона куда более мелкий, это может быть просто инициатива ресторана. В США нельзя включать какую попало закопирайченную песню в общественном пространстве, не заплатив Американскому обществу композиторов, авторов и издателей и/или другой организации правообладателей. Тем не менее резкого падения показателей у компаний фоновой музыки из-за Suno не наблюдается. К примеру, у Stingray в этом году выручка от этого направления только растёт, хотя у другого представителя индустрии, Soundtrack Technologies, наблюдаются проблемы с доходностью.
Nvidia представила открытый проект Nemotron VoiceChat. Это голосовой ИИ‑агент, способный открывать любые инструменты по команде пользователя в реальном времени:
Nemotron говорит с вами без пауз и умеет в эмоции;
разрешает вам перебивать себя с задержкой всего 480 мс;
умеет вызывать инструменты посреди диалога — поиск в сети, календарь и так далее;
поддерживает сложные сценарии использования;
обучен на 550 тысячах часов речь;
умеет слушать, говорить, прерывать ответы и вызывать инструменты в рамках одного диалога.
NYSTHI VectorMixer
Хочу просто поделиться шикарным модулем для VCV Rack - NYSTHI VectorMixer. Это графический микшер. Можно просто сводить, а можно изменять параметры звука во времени, по любой траектории.
Справа в Keyframe Animator:
Можно выбрать одну точку и затем нажать Snap KF!
Можно сразу нарисовать весь паттерн вручную, нажав сначала AUTOREC KFs.
Для паттерна также можно использовать LFO (X Position, Y position,… ) и т. д.
Для воспроизведения нажать RUN, для зацикливания - ещё и LOOP.
DELETE ALL KF очищает память.
TOT TIME меняет скорость паттерна.
И вот пример моего патча для перкуссии с этим модулем:
Доброго всем!
Я не музыкант, не композитор и не продюсер. Просто люблю музыку :)
С развитием генеративных моделей появилась бездна синтетических треков. На первый взгляд и слух многие из них неотличимы от человеческих, а местами даже лучше одноразовых коммерческих поделок. Но лично у меня от массового нейросетевого звука уже выработалось устойчивое слуховое утомление — слишком стерильно и предсказуемо.
Чтобы отсеять синтетический шум, появилось множество сервисов по распознаванию ИИ-музыки. Насколько я понимаю (возможно, в корне неверно), вся эта детекция основана на поиске в спектрограмме устойчивых паттернов: отпечатков периодических структур, артефактов нейросетевых вокодеров (типа EnCodec) и следов агрессивного сжатия.
Ради прикола я прогнал через довольно строгий детектор (aimusicdetector.online) несколько заведомо «живых» коммерческих треков. Ожидал увидеть чистый результат, но ИИ-артефакты детектировались везде — 15%, 18%, 20%. Ладно, списал на мастеринг.
Но вот попались две жемчужины, которые полностью сломали мне картину мира:
Трек 1: THER_DARK_MOTIVATION — Confessions_in_the_Smoke
Weak / inconclusive evidence Confidence: Medium · Linear model probability: 45%
Трек 2: THER_DARK_MOTIVATION — The_Man_Who_Walked_With_Shadows
Strong codec evidence Confidence: High · Linear model probability: 86% Strong codec evidence detected in the residual spectrum. The fingerprint aligns with the current linear model for AI-music artifacts.
То есть детектор с высокой уверенностью называет живую стоковую музыку нейросетевой генерацией, ссылаясь на «совпадение с линейной моделью артефактов ИИ».
Уважаемое сообщество, хочу спросить:
Как это можно объяснить с точки зрения DSP и аудио-форензики? Это баг конкретной модели, или современные детекторы действительно путают артефакты brickwall-лимитеров / MP3-кодирования с нейросетевыми вокодерами?
Можно ли хоть в какой-то степени верить таким сервисам в 2026 году, или они уже сейчас дают слишком много ложноположительных срабатываний на профессионально сведённой музыке?
Есть ли среди читателей те, кто сталкивался с подобным в работе (A&R, саунд-дизайн, модерация контента)? Как вы верифицируете происхождение треков, когда автоматика врёт?
Буду благодарен за любые мысли, ссылки на исследования или личный опыт. Заранее спасибо! 🙏
Включаем пространственный звук в Discord. Подробное руководство, как включить новую опцию. С ней все участники канала будут звучать так, будто они сидят в одной комнате:
Качаем тестовый бранч Canary — отсюда.
Качаем мод Vencord, чтобы разблокировать функцию — здесь.
В аддонах включаем опцию «Experiments».
Переходим в инструменты разработчика (иконка инструментов в правом верхнем углу).
Вверху жмем на маленькую стрелочку и в поиске вводим Spatial Audio.
Заходим в войс и наслаждаемся.
Запилили TG-бота для склейки голосовух - https://t.me/voicemixbot
👍 Зачем.
Сложно наговорить длинную 3-минутную мысль за раз красиво. Вместо этого, ясно произнеси отдельные фразы по 5 сек друг за другом, продумав каждую.
Мысль приходит только на улице во время прогулки и с собой только телега, монтировать дома никто не будет, а итоговая цельная голосовуха с красивой мыслью нужна уже сейчас чтобы кому-то переслать.
Хочешь записать инновационный трек из склейки пердежа, скрипа двери и крика бомжей в метро, но прямо сейчас без инвестиций в монтаж и продюсирование.
🧰 Как пользоваться.
Заходим в @voicemixbot - ему уйдёт команда start.
Шлем голосовухи друг за другом. После каждой видим ADD N, где N - её порядковый номер (начиная с нуля). Это значит, голосовой кусок вставился в ряд. Не говори следующую голосовуху, пока не получил ADD.
Удалить последнюю голосовуху - pop. Когда понял, что последней голосовухе нужен новый дубль. Вернёт SIZE N, где N - новое общее число эпизодов в проекте.
Всё сказал: пишем makeили go. Получаем цельный файл. Забыл что-то сказать - докидываем голосовух в конец и снова make .
Пишем clear если надо начать новый файл.
💎 Команды.
clear - забыть всё, начать новый проект
info - статус текущего проекта
make - склеить текущий проект (цепь голосовух) в один файл
name TEXT - указать название TEXT для вашей итоговой записи
pop - удалить последнюю голосовуху из стека
amp 1 или amp 0 - включить или выключить автоусиление тихой речи.
bitrate N - установить битрейт, где N - между 2000 и 5000023000 - достаточно для прилично звучащей речи
mk N MESSAGE - поставить текстовую метку MESSAGE перед куском номер N. Нумерация с нуля. N - это тот номер, который фигурирует в ответе "ADD"
fade N, N - число миллисекунд: длительность плавного перехода между фразами.
Метки.
00:00 - Приветствие 00:21 - Музыка 00:31 - Новости 01:04 - О погоде
Чтобы получить такую таблицу временных меток под записью, отправляй нужный текст перед той голосовухой, на начало которой этот текст должен ссылаться. Текстом считается любой текст, которого нет в таблице команд. Если вы хотели поставить метку перед уже отправленной голосовухой, но забыли это сделать, то используйте команду mk N (см выше).
🔌 Технические детали.
Кодируем речь кодеком OPUS, он прекрасно звучит даже на битрейте 24k, где mp3 бы уже умер. "/" в начале команды не важен. /pop и pop работают одинаково. Цепь голосовух мы называем "проект". У каждого проекта есть уникальное случайное служебное имя вида d7_uaUcUXc0. Помнить его не надо. Команда clear создаёт новый проект с новым именем, забывая предыдущий навсегда. Лимит кусков в проекте - 200, но лучше не рисковать. make 13 минутного файла будет работать 3 минуты. Написано на голимом C++20, libopus, libogg, epoll.
⌛ Лимиты.
Одна голосовуха - не более 60 секунд.
Число голосовух в проекте - 200 штук.
Получается суммарно более 2 часов на один файл, но стало страшно. В будущем возможно порежем лимит результирующего файла чем-то на уровне 10 минут.
🔒Безопасность и надёжность.
clear удаляет голосовухи с сервера бота. Бекапов нет. ФС сервера - в ramdisk. Наговорил, скомпилил - забери себе, не растягивай проект на неделю. Сервер не стабилен, падает раз в неделю с переналивом всей OS с нуля. У админа доступ ко всем голосовухам (как у админы телеграм к личкам), но чаще падает сервер с данными, чем админу охота покопаться. Если придёт майор с бутылкой - всех сдадим, но рамдиск (может быть уже нечего). Метаданные о пользователях не собираем, спамить не будем - даже БД нет. Точнее, есть, но в рамдиске. Если сервер не отвечает, то он либо сдох и ему скоро автоматически нальют образ по вотчдогу, либо занят компиляцией чьего-то проекта - отправь команду info и подожди. Устраивать DoS и хакерство с отправкой гиговых видосов и фоток не надо: бот даже не начнёт качать. В целом, наверное вы можете его положить, но мы просто пнём сервак и он забудет всё плохое в жизни, рамдиск же.
https://t.me/voicemixbot в общем.
Микрофоны ДЭМШ-1А, которыми оснащался скафандр первого космонавта Юрия Гагарина, были разработаны на тульском предприятии «Октава» (позже Особое конструкторское бюро «Октава»). Речь идет о дифференциальном электромагнитном малогабаритном шумостойком микрофоне ДЭМШ-1А. Именно эта модель, а точнее два таких микрофона — основной и резервный — были встроены в скафандр «СК-1» первого космонавта. Они являлись частью гарнитуры шлема и работали в составе бортовой аппаратуры связи «Заря».
Представлен открытый генератор речи OmniVoice, который может создавать аудио на более чем 600 языках. Решение клонирует любые голоса без цензуры. Достаточно короткой записи на 5-10 секунд. Скорость модели в 40 раз быстрее, чем генерация в реальном времени. Можно настроить любые параметры аудио: пол, возраст, шёпот. Есть онлайн-демо, сама модель на HuggingFace,
Представлен открытый мультиплатформенный проект Snowify. Это аналог Spotify в виде музыкального плеера с кодом на JavaScript без рекламы и без регистрации. Музыка стримится с YouTube Music. Все функции Spotify на месте: списки треков, текст песен, плейлисты с рекомендациями и даже синхронизация с облаком. При этом в интерфейсе нет ничего лишнего, что отвлекало бы от музыки. Проект поддерживает кастомные плагины.
Сделал тут небольшое приложение для прослушивания музыки из сине белой соцсети
• бесплатно
• без рекламы
• с офлайн режимом
• не нужно скачивать
Актуально больше всего для ios, так для андроидов есть всякие vkX, но при этом моё приложение не требует авторизации
Написано на $mol
P.S. Закрепите на рабочем столе как веб приложение
P.P.S Если актуально и нужны новые функции, сделаю за небольшой Донати
Краткая история развития ЭВМ - от механических счётов до современных LLM в рифму за две минуты!
Изучаем гитару, басс, пианино и музыкальную теорию дома. В сети собрали все нужные сайты с теорией и практикой:
Вышел открытый проект Voicebox — локальная нейросеть‑клонер, по сути бесплатная альтернатива ElevenLabs. Это буквально «голосовой фотошоп» без ограничений и подписок. Работает просто: загрузили короткий кусок аудио — получили голос.
Клонирует голос по короткому аудио.
Генерирует речь из текста любым клоном.
Собирает разговоры/подкасты из нескольких голосов.
Записывает и расшифровывает аудио.
Все работает локально. Все проекты и озвучки хранятся на ПК. Дальше можно озвучивать тексты, видео, презентации, мемы или делать диалоги из нескольких голосов.
Представлена открытая бесплатная ИИ-студия для работы с голосом MimikaStudio.
Проект умеет:
клонировать голос по трём секундам;
генерировать речь;
создавать аудиокниги и озвучивать текст;
поддерживает 23 языка, включая русский;
работает на ПК с требованием 8 ГБ ОЗУ;
работает на macOS, Windows и в веб-версии;
есть локальные модели.
Два проекта, с которыми можно выучить нотную грамоту и начать играть на музыкальных инструментах:
Muted — музыкальная теория. Гаммы, интервалы, кварто‑квинтовый круг, лады, тональность и остальная нотная грамота. Авторы объясняют материал максимально подробно и чётко, любые звуки можно прослушать и запомнить.
Musicca — прокачиваем музыкальный слух и отрабатываем теорию, которую получили с Muted. Ставим аккорды, учимся попадать в ритм, читаем ноты и даже учим сольфеджио.
Открытый проект ebook2audiobook превращает любую электронную книгу в полноценную аудиокнигу. Работает просто: закидываете epub, pdf или даже обычный txt и на выходе получаете готовый аудиофайл с главами, нормальной озвучкой и метаданными. Подойдёт, если не любите читать глазами, но хотите слушать книги в дороге или на тренировке. Работает локально на ПК и поддерживает множество языков и даже умеет клонировать голос. Можно озвучить книгу своим голосом или профессиональным диктором. Идеально для студентов, тех кто учит языки, или просто хочет слушать свои книги офлайн без подписок и облаков.
Представлен бесплатный онлайн-тюнер для гитары. Ничего скачивать не требуется, работает в браузере на любом устройстве.
Представлен бесплатный открытый проект HeartMuLa, который генерирует музыку на уровне платных ИИ-студий. Это полноценная музыкальная «студия всё в одном»: можно создавать треки по описанию, делать песни в стиле любимых артистов и работать с готовым аудио.
Что умеет HeartMuLa:
пишет тексты песен через встроенный чат-бот;
генерирует треки с вокалом и текстом длиннее 4 минут;
можно загрузить любой аудиофайл, и ИИ перенесёт его вайб и стиль в новый трек;
работает даже на слабом железе: локальная версия требует всего ~3 ГБ видеопамяти;
простой и понятный интерфейс. Фактически: бесплатный аналог Suno, но без подписок, ограничений и облака;
можно ставить локально и делать музыку прямо на своём ПК.
Nvidia представила нейронку PersonaPlex: Voice and Role Control for Full Duplex Conversational Speech Models, которая умеет разговаривать как реальный человек: без пауз, без остановок, без подхалимства и клишированных фраз. Можно вести диалог, перебивать друг друга, исправлять ИИ-собеседника, перестраивать общение. ИИ делает смысловые паузы, варьирует интонацию, использует междометия и даже «угукает», чтобы показать активное слушание. Подстраивается под речь и ситуацию за один промпт.
Проект на GitHub. Ссылка на Hugging Face.
Alibaba выпустила Qwen3-TTS, которую можно запустить локально на ПК. Нейростеть знает 10 языков, включая русский, работает с разными голосами — меняет пол, возраст, национальности, акценты, темп, тембр, а также различные звуковые эффекты. Работает за 0,1 секунды. Токенизатор на 12 Гц — можно максимально сжимать любое аудио без потери качества.
Ссылка на GitHub. Онлайн-демо доступно тут.
Представлен проект нейросети для звуковой генерации HeartMuLa, которая умеет создавать треки студийного качества, клонировать голоса и вставлять их в песни, умеет также делать транскрибции треков через Whisper.
Репозиторий проекта, ссылка на Hugging Face и на портал ModelScope
Представлен открытый проект Handy, который освобождает руки пользователя и превращает микрофон в клавиатуру. Работает в Word, Telegram и даже в VS Code. Можно диктовать тексты в любом формате, приложении и любым голосом. Под капотом: Whisper от OpenAI или Parakeet от Nvidia. Все нейронки понимают русский. Проблем со вводом не будет. Работает полностью локально — все вычисления идут только на ПК. Сервис отсекает шумы, помехи, чихи и шмыганья — на выходе получается чистый звук, который идёт в такой же выверенный текст. Работает на macOS, Windows и Linux. Простой и понятный интерфейс. Разработчик регулярно обновляет решение.
Как подключить беспроводные наушники к... чему угодно.
В моём случае было желание подключить беспроводные наушники к телевизору, чтобы иметь возможность смотреть кино и не мешать (звуком) другим.
Ранее использовал радио наушники, база у которых подключалась через 3.5мм джек к аудио входу, но это были полноразмерные наушники (полностью закрывают уши), а я часто использую либо левый, либо правый наушник, чтобы иметь связь с окружающей реальностью ))) Так что начал искать вариант для моих Bluetooth наушников.
Итоги поисков завершились покупкой устройства, которое можно найти на AliExpress в поиске как "многофункциональный Bluetooth аудио приемник-передатчик".
В моём случае подключен через оптический аудио выход на телевизоре. В наличии также обычный 3.5мм jack, переходник jack на тюльпаны и coaxial. Работает и как приемник, и как передатчик.
Позволяет подключать 2 пары наушников.
...может кому то пригодится.
Открытый проект SpotX позволяет бесплатно слушать Spotify без рекламы и со всеми Premium-опциями. Всё, что нужно — актуальная версия Spotify и запустить на ПК одну команду.
Для Windows пишем в Powershell: iex "& { $(iwr -useb 'https://raw.githubusercontent.com/SpotX-Official/SpotX/refs/heads/main/run.ps1') } -new_theme".
Для MacOS, пишем в Терминале: bash <(curl -sSL https://spotx-official.github.io/run.sh).
$500 тысяч долларов в месяц заработал разработчик будильника для iPhone. Разработчик выпустил приложение, где просто сделал сигнал в несколько раз громче стандартного решения от Apple. Приложение стало популярным в App Store.
Команда Google Magenta представила экспериментальное приложение Lyria Camera для создания ИИ‑музыки на основе изображения с камеры смартфона. Приложение анализирует видео с камеры и с помощью Gemini описывает сцену текстовыми музыкальными промптами, например, «спокойный городской пейзаж». Эти промпты используются для создания музыки в реальном времени. Приложение подстраивает музыку под кадр и движение в реальном времени. Проект Lyria RealTime создаёт музыку без слов и с частотой 48 Гц. Приложение Lyria RealTime доступно бесплатно в веб‑версии Google AI Studio с иностранных IP‑адресов.
Рейтинг лучших наушников на основе тысяч отзывов с Reddit — пользователь платформы собрал темы вроде «лучшие беспроводные наушники» с помощью нейросетей и проанализировал ответы. С огромным отрывом победили AirPods Pro всех поколений, на втором месте обычные AirPods. В списке также оказались Sony WF-1000XM5, Soundcore Liberty 4 и флагманы Bose. В исследовании участвовало около 13 тысяч ответов — отдельно по сабреддиту про наушники и по всему Reddit.
Привычку курения обошли ультразвуком. Учёные доказали, что всего минута прослушивания звуков на определённой частоте отбивает желание закурить. Ещё раз: никаких пластырей, никотиновых спреев и даже вживления чипов в мозг — только минута. Волны звука влияют на «центры удовольствия» в мозге и запускают выброс дофамина за выполнение полезного действия, а не за счёт убийства организма.
В открытом доступе появился реалистичный генератор речи Dia2: создаёт озвучку, которую вообще не отличить от реального голоса, генерит речь в реальном времени. Видео получает озвучку, пока проигрывается. Можно склонировать любой голос, есть множество готовых ИИ-спикеров с разными голосами, тембрами, интонацией и даже акцентами. Создавать можно до двух минут аудио. Нейронка учитывает эмоции: может волноваться, смеяться, запинаться, «жевать» слова.
OpenAI + Google Studio и немного Python = создаем бесплатную аудиокнигу без лишних заморочек
В своё время моё отношение к аудиокнигам изменилось благодаря легендарному проекту «Модель для сборки» с Владом Коппом. Именно благодаря МДС я понял, что книги можно не только читать, но и прекрасно воспринимать в формате аудио. Аудиоформат даёт возможность знакомиться с произведениями в дороге или во время прогулок. Прекрасно помню времена, как загружал в свой MP3-плеер на 512 МБ выпуски МДС и, вместо того чтобы ехать с работы в тесной маршрутке, устраивал себе полуторачасовые прогулки в компании очередного фантастического рассказа.
Эпоха аудиоизобилия
Сегодня выбор аудиокниг несравним с тем, что было пятнадцать лет назад. В интернете можно найти огромное количество как профессионально озвученных произведений, так и любительских версий. Однако даже при всём этом богатстве выбора нередко встречаются книги, которые до сих пор никто не озвучил.
Например, один из моих любимых циклов — «Зоны мысли» Вернора Винджа. «Пламя над бездной», «Глубина в небе» и «Болтушка» легко найти в сети. А вот заключительную часть — «Дети неба» — увы, никто не озвучил.
Поскольку мы живём в эпоху искусственного интеллекта, решение приходит само собой: если нужной аудиокниги нет — сделай её сам. Требования у меня простые, без претензий:
Качество должно быть приемлемым;
Платить не хочется, поэтому все должно быть полностью бесплатным.
Голос
Вспомнил я про сайт OpenAI FM — демо-площадку голосовой модели gpt-4o-mini-tts . Она звучит естественно и хорошо справляется с русским языком. Выбор из 11 разных дикторов. А так же есть классная фитча - промт инструкции для стиля речи, благодаря чему можно управлять «подачей» — делать её более спокойной, вдохновлённой или нейтральной . Поигравшись с промтами и выбрав голос, переходим к следующему этапу. На сайте можно бесплатно генерировать небольшие аудиофрагменты длиной до 999 символов. Ограничение не стало проблемой. Берем Python + Selenium WebDriver, и получаем программу, которая:
делит текст книги на чанки нужной длины,
отправляет их на сайт,
сохраняет аудиофайлы,
затем объединяет всё в одно произведение с помощью FFmpeg.
Результат получился неожиданно достойным. Да, между фрагментами иногда чувствуется разница в тембре, особенно в первые секунды. А ударения не всегда точны и изредка проскакивает лёгкий акцент. Но в целом — получилась полноценная озвученная аудиокнига.
Музыкальная подложка
После того как книга была готова, захотелось добавить фоновую музыку. Можно было просто подобрать подходящий трек, но ради спортивного интереса я решил сгенерировать музыку самостоятельно.
Платные сервисы вроде Suno или Udio я сразу отбросил. Зато вспомнил про Google AI Studio, где в разделе Build есть приложение PromptDJ MIDI. Оно позволяет создавать музыку прямо в браузере — достаточно задать стиль и параметры.
Скопировал прямо в Studio приложение, в промпте указал стиль space ambient и добавил возможность скачивания получившегося трека. Поигравшись с настройками в полученном приложении, получил именно то, что меня устроило.
Оставалось объединить музыкальную дорожку с голосом — снова помог FFmpeg.
Инструменты:
OpenAI FM — генерация речи;
Google AI Studio (PromptDJ MIDI) — генерация фоновой музыки;
Python + Selenium + FFmpeg — автоматизация и сборка.
Затраты: 0 долларов и несколько часов времени.
Итог: Получилась аудиокнига приличного качества с музыкальным сопровождением. Конечно, это не уровень профессиональных дикторов , но для личного использования — IMHO более чем достойно. Плюс абсолютно бесплатно.
Представлен музыкальный сервис OpenSpot Music с треками со многих стримингов с высоким качеством музыки. Алгоритмы подборки помогут найти новые песни, можно собрать собственные плейлисты.
Представлен проект Chatterbox Multilingual, который умеет бесплатно клонировать любой голос с короткой записи. Решение умеет озвучивать любой текст с эмоциями, поддерживает 23 языка, среди которых и русский. Также там можно расставлять акценты, делать паузы, выделять слова голосом, контролировать тон и тембр. А ещё есть библиотека голосов, которые можно использовать в проектах.
Учёный нашёл мелодию, которая усиливает вкус шоколада — с ней плитка прямо тает во рту, доставляя неописуемое наслаждение. Гений-сладкоежка воспользовался исследованиями за 60 лет, который доказывают — правильный темп, высота тона, скорость и тональность могут обманывать мозг и влиять на вкусовые рецепторы. В итоге это вылилось в трек «Galaxy Sweetest Melody».
Команда Riffusion выпустила музыкального ИИ-агента Producer, который генерить музыку прямо в чате, работает с готовым текстом или сам набросает его из идей пользователя, усиливает или убирает нужный/ненужный инструмент, генерит красивые обложки, может написать код для визуализатора под песню, создаёт целые музыкальные клипы, в один клик делает ремиксы: reverb, slowed или dark synth.
Во время китайского музыкального фестиваля человекоподобный робот по имени «Адам» появился на сцене, представив собой нечто среднее между перформансом и маркетинговым ходом. Он был наполовину замаскирован в свободную толстовку с капюшоном, которая плохо скрывала его механические ноги и руки, что ясно показывало, что это действительно робот.
«Адам» был в длинной маске и кроссовка в стиле Yeezy, но, будем честны, без штанов. Он играл на клавиатурном синтезаторе вместе с виртуозным барабанщиком и певцом Ху Юйтуном и его группой на музыкальном фестивале VOYAGEX в Чанчуне, Китай.
Эта модель Adam-SP весит около 60 кг и производится китайским стартапом PNDbotics.
