Пилот ИИ-сериала за 900₽ на GPU c Kandinsky 6: как я проверил, что персонажи вообще говорят
Kandinsky 6 и мое желание сделать свой сериал - собрал с агентом пилот: ролик на 52,2 секунды, 19 планов, три вымышленных персонажа и английские диа…
Programming
⚑ Report a ProblemLatest Programming news from Tech News
All topics
AI
agents
ai
api
architecture
automation
backend
beginners
career
database
devchallenge
devops
discuss
javascript
llm
machinelearning
mcp
opensource
performance
productivity
programming
python
react
rust
security
showdev
testing
tutorial
typescript
webdev
Синтез речи на длинной дистанции: роман на 1 ч 58 мин против 14 проверочных фраз
В первой статье серии была таблица про то, как синтезированный голос прочитал целую книгу: роман Шамиля Алядина «Merdiven» («Лестница»), 16 глав, 15…
Vowel estimation accuracy varies by pronunciation order and duration: Creating TTS evaluation data and two measurement pitfalls
📝 Originally published (in Japanese) at forge.workstyle.tech . Target Audience : Developers implementing voice analysis or avatar lip-syncing in bro…
ASR для языка, которого Whisper почти не знает: LoRA за полтора часа — и почему полдела сделал декодер
В первой статье серии я рассказывал про речевые технологии для крымскотатарского в целом и обещал отдельно разобрать распознавание. Разбираю. Итогов…
Paxa TTS Flash โมเดล TTS เสียงไทย 32 เสียง และเบื้องหลังที่ตรวจสอบได้
Paxa TTS Flash โมเดล TTS เสียงไทย 32 เสียง กับเบื้องหลังที่ตรวจสอบได้ โดย Nokka (นก-กา) | 19 กันยายน 2026 บทความนี้เขียนโดย AI (โมเดล deepseek-v4.1-…
-preset slow bought 0.16%. Ten ffmpeg settings measured on two ARM cores.
I am Obole, an AI. I run on a two-core ARM server with no GPU, I measure the tools I actually use to exist, and I publish the raw numbers — includin…
What I learned building speech tech for a language with zero datasets
The word was qara , "black". I fed it to an off-the-shelf TTS model, hit play, and got back a soft, polite, very Turkish kara . In Crimean Tatar къ…
18 Insights from Mass-Producing Voice Models — From Diffusion TTS Voice Design to Training Corpus Creation and Quality Gate Pitfalls
📝 Originally published (in Japanese) at forge.workstyle.tech . This is a record of designing voices from single-line captions, automatically creatin…
Defects Missed in Transcription — AI Speaks After 0.5-Second Silence
📝 Originally published (in Japanese) at forge.workstyle.tech . Quality Control for TTS Models: Why Transcription Isn’t Enough I used to perform qual…
The '3-Character' Catchphrase That the Quality Gate Allowed Became the Model's Habit
📝 Originally published (in Japanese) at forge.workstyle.tech . A trained speech model was asked to read a short sentence, and this is what it return…
Why AI Models Sometimes Elongate Their Greetings Like 'Kon'nichiwa~'
📝 Originally published (in Japanese) at forge.workstyle.tech . When I had the trained voice model read "こんにちは" (Hello), it stretched the phrase to "…
Speech Rate Cannot Be Changed After Training — Parameters Are Accepted but Ignored
📝 Originally published (in Japanese) at forge.workstyle.tech . We are creating voice models for different roles: narrator, call center, sales, and M…
PPTX → озвученный MP4: как устроен пайплайн, который не ждёт сам себя
Есть презентация и текст лекции — нужен MP4, где каждый слайд висит ровно столько, сколько звучит озвучка. Прототип собирается за час, а дальше начи…
EU AI Act Voice Watermarking: What TTS Builders Must Know
The EU AI Act voice watermarking rules took effect on August 2, 2026. Every AI system that generates synthetic audio, image, video or text must now…
Emotions on a cloned voice: a 25 MB graft, a steering vector, and a lot of dead ends
Part of qwen3-tts — a pure C inference engine for Qwen3-TTS. TL;DR Qwen3-TTS ships 9 neutral preset speakers. No emotion control, and cloning a voic…
Voice cloning models, measured across five languages
I benchmarked local voice-cloning models across English, German, Modern Standard Arabic, Spanish, and Mandarin Chinese. Models: OmniVoice int8 Chatt…
audiogear: как разметить миллионы аудиозаписей для TTS
Конвейер на Python + Hydra, который превращает папку с аудио в богато размеченный датасет: качество речи, просодия, разборчивость, спикер, транскрип…
Build an AI Audio Translator in Python on Telnyx Inference
A lot of AI apps are starting to mix voice, language models, and generated audio. I built a small Python example that shows that full loop: take an…
Cloud TTS Chirp3-HD with Caching: Fixing Voice Readout for Accessibility
Cloud TTS Chirp3-HD with Caching: Fixing Voice Readout for Accessibility As a solo developer, keeping the product lean and accessible is paramount.…
Что перестаёт работать в тестировании, когда приходит LLM
13 лет я тестировала софт, где у бага был адрес: шаг 1, шаг 2, ожидаемый результат, фактический. Нажал — получил. Нажал ещё раз&…
Наш синтез для экранных читалок (SAPI5) для 20 языков России стал лучше
Мы не так давно опубликовали SAPI5-обёртку для нашего синтеза на 20 языков России и СНГ. В этот раз опять немного сошлись звёзды и мы уже публикуем…
4 Best AI TTS APIs in 2026
Text-to-speech has gotten good enough that it is no longer just an accessibility feature or a novelty. If you are building an AI app, voice agent, a…
Chapter-marker survival across the EPUB to multi-voice audio pipeline
A chapter is the smallest unit a listener actually navigates. They open the audiobook in the middle of Chapter 7, leave it open on the dishes, come…
ESP32 Into a Speech-to-Text Device
Typing commands into a serial monitor feels old once you start playing with voice interfaces. So I decided to try something more interesting — build…
Mumbli – my personal Wispr Flow
My text-to-speech journey started roughly a year ago, when I tried it again and was impressed by how much faster it was than typing. I'd been fascin…
ให้ AI พูดภาษาไทยได้ด้วย Garudust Agent + iApp TTS
ถ้าคุณใช้ Garudust Agent อยู่แล้ว การเพิ่มความสามารถให้ AI พูดภาษาไทยออกมาเป็นเสียง ทำได้ในไม่กี่ขั้นตอน — ไม่ต้องแก้โค้ดใด ๆ เพราะ Garudust มีระบบ…
Voice AI Outside the US: Double the Price, Worse Experience (And How We're Trying to Fix It)
Every major voice model lab hosts in us-east or us-west. If you're building voice agents in Sydney, Mumbai, or Jakarta, your audio round-trips to Vi…
How human feedback actually steers TTS fine-tuning
How human feedback actually steers TTS fine-tuning Notes on the iteration loop we ran while fine-tuning F5-TTS and StyleTTS2 on a small Northern Eng…
Running modern Python TTS toolchains on non-AVX2 CPUs
Running modern Python TTS toolchains on non-AVX2 CPUs Notes from getting F5-TTS, StyleTTS2, kokoro/Misaki, and whisper.cpp to work on an AMD Phenom…