Bookmarks atualizados diariamente: notícias, fatos e descobertas relevantes.
Publicações 1216
Engenharia ·
Post da conta Tongyi Speech AI explica o reconhecimento de fala em streaming, que define palavras enquanto o falante ainda fala, e como latência e lookahead moldam o design do modelo e do decoder.
Engenharia ·
A Kyutai Labs afirma ter lançado versões menores do Pocket TTS, de 18,2M, 6,9M e 1,9M de parâmetros, com clonagem de voz e execução em CPU. A fonte relata uma velocidade de 103 vezes o tempo real para o modelo de 1,9M em um núcleo.
Engenharia ·
Um grande laboratório de modelos de linguagem publicou como código aberto o framework de inferência que usa para servir seus modelos em produção, descrito como de alto desempenho e larga escala.
Engenharia ·
Projeto iOS de código aberto em que um anjo e um diabo no ombro respondem perguntas por voz, com fala-para-texto e texto-para-fala rodando no próprio celular, sem inferência na rede, segundo a fonte de 20 de outubro de 2026.
Engenharia ·
Um post descreve modelos de texto por difusão, que produzem a resposta de forma simultânea em vez de token a token como os LLMs autorregressivos. O autor diz que a geração é rápida, mas o texto não traz medições. Data de publicação: 20/10/2026.
Engenharia ·
Um autor anuncia modelos de síntese de fala open source com cerca de metade do tamanho do Kokoro (82M parâmetros), com resultados mais altos em naturalidade e precisão e suporte a clonagem de voz. Nenhum link foi fornecido, então os resultados não foram verificados.
Engenharia ·
Radar: o autor anuncia o Phonon, um modelo de text-to-speech de cerca de 40M de parâmetros, multilíngue, com biblioteca de vozes e uso local pelo pacote speech-to-speech.
Engenharia ·
Post relata o port do Phonon, um modelo open de text-to-speech com 31M de parâmetros da GradiumAI, rodando totalmente no navegador via WebGPU em meia precisão, com cerca de 47x tempo real no M4 Pro e 7x no Phone 13 Pro.
Engenharia ·
Post sobre a GPU D270 (Crescent Island) da Intel, placa PCIe 5.0 para inferência com 32 Xe cores, motores XMX e cerca de 160 GB de LPDDR5X expansível até 480 GB, e seu possível efeito em modelos grandes e no custo por token.
Engenharia ·
A Ant Ling anunciou a liberação open-source de cinco modelos de fala Ming-3.0, com variantes de TTS, modelos de compreensão de áudio e diálogo e um modelo de ASR para dialetos. A fonte não fornece links.
Engenharia ·
Modelo de fala em inglês de 949 mil parâmetros para CPU, com cerca de 436 vezes tempo real e WER de 11,43% no test-clean, segundo o autor.
Engenharia ·
Um pull request adiciona o modelo Drama-3, da Fish Audio, como opção de síntese de voz em streaming em um pipeline speech-to-speech, com clonagem de voz opcional e entonações expressivas.
Engenharia ·
Um revisor relatou throughput de 18 a 58 tokens por segundo com quatro modelos grandes locais em llama.cpp com Vulkan e devolveu o equipamento por causa do custo.
Engenharia ·
Relato de um agente de IA que usa o modelo aberto OpenVoice, do MIT e da MyShell, para dublar um filme em polonês com diálogo sincronizado em um Mac mini M4 de 16GB.
Engenharia ·
Repositório open source que permite a agentes de IA controlar sessões reais do Chrome via MCP e Chrome DevTools Protocol, com navegação, network hooks e extração de DOM. O autor afirma que contorna desafios do Cloudflare.
Engenharia ·
A IBM publicou em 15 de outubro de 2026 o Granite Switch 4.1, em 8B e 30B, que junta conversa, adaptadores de decisão e de segurança e transcrição de fala com quase a mesma memória de GPU do modelo base.
Engenharia ·
A Intel lançou em 16 de outubro de 2026 a versão 1.5 do LLM-Scaler-vLLM, um ambiente Docker com vLLM para GPUs Intel Arc, que pulou do vLLM 0.14 para o 0.26 e passou a suportar mais modelos e quantização FP8.
Engenharia ·
A NVIDIA lançou em 15 de outubro de 2026 o Nemotron 3.5 Super VL, com 120B parâmetros e 12B ativos, pesos, dados e receitas abertos, entrada de texto, imagem e vídeo e contexto de até 1 milhão de tokens.
Engenharia ·
A Tether AI Research lançou em 14 de outubro de 2026 o TranscribePsy, um modelo de transcrição de 254M parâmetros que roda no celular ou no notebook, sem o áudio sair do aparelho.
Engenharia ·
Radar: um projeto open-source no GitHub mostra chatbots transmitindo respostas como interface interativa, com mapas, gráficos, tabelas e ferramentas funcionais, construído com OpenUI.
