DeepL wypuszcza model głosu Aure, który przekazuje emocje i uczy się podczas rozmowy
14 listopada 2026 · Czas czytania: 1 min
Dostępne również w 中文
DeepL zaprezentował nowy model sztucznej inteligencji do syntezy głosu o nazwie Aure, który ma na celu przekazywanie emocji podczas tłumaczeń i ciągłe uczenie się w trakcie rozmowy. Model ten ma na celu rozwiązanie problemu braku ludzkiego wymiaru w głosie generowanym przez KI.
Aure jest opisywany jako najbardziej dynamiczny i ekspresyjny model głosu DeepL do tej pory. W przeciwieństwie do wcześniejszych rozwiązań, model dostosowuje się do akcentu, tempa i emocji mówców w czasie rzeczywistym, ucząc się podczas trwania konwersacji.
Wcześniej DeepL Voice używał statycznego próbki głosu na początku rozmowy, co powodowało, że zmiany nastroju i tonacji nie były przekazywane przez głos generowany przez KI. Aure stale analizuje źródło audio, aby tłumaczone słowa brzmiały tak samo, jak w oryginale, zachowując akcent.
Twórcy DeepL napotkali szereg wyzwań podczas pracy nad Aure. Ciągła analiza danych audio wymaga usuwania szumów, ech i zniekształceń dźwiękowych, które mogą zakłócać pracę KI. Ponadto model musi dostosowywać się do akcentów różnych języków, korzystając z ograniczonej ilości danych rzeczywistych. Aby to osiągnąć, DeepL rozdzielił proces szkolenia na trzy niezależne moduły: identyfikację głosu, prosodię (w tym akcenty i intonację) oraz treść mowy.
Aure jest już dostępny w ramach DeepL Voice do użycia w spotkaniach online, rozmów osobistych i za pośrednictwem API DeepL, bez potrzeby dodatkowej konfiguracji ze strony użytkownika. Model obsługuje początkowo angielski, niemiecki, hiszpański, francuski, włoski, japoński, portugalski i koreański, a w przyszłości mają zostać dodane kolejne języki.