AI balss, mūzikas un audio rīki

Audio sadaļā ir trīs atsevišķas pasaules, un tās gandrīz nepārklājas.

Balss. Teksts iekšā, runa ārā. ElevenLabs ir šīs jomas etalons — tas prot ne tikai izrunāt, bet arī intonēt, un tas klonē balsi no salīdzinoši īsa ieraksta. Lovo, Natural Reader, TTSMaker un SpeechMa ir vienkāršāki un lētāki. Fish Audio un MiniMax Audio nāk ar atvērtāku pieeju. Pretējā virzienā strādā Wispr Flow un AudioPen — tu runā, un tie atdod sakārtotu tekstu; ikdienas darbā tas ietaupa vairāk laika nekā jebkurš balss ģenerators.

Mūzika. Suno un Udio uzraksta dziesmu ar vārdiem un balsi pēc viena teikuma apraksta. Tie spēj izveidot dziesmu arī no taviem dziesmas vārdiem vai neliela iedziedājuma. Mubert, Beatoven un AIVA taisa fona mūziku, kas domāta tieši video pavadījumam. Šeit svarīgākais jautājums nav kvalitāte, bet licence: kur šo mūziku drīkst likt un vai to drīkst monetizēt. Tas ir jāizlasa katram rīkam atsevišķi.

Tīrīšana. Krisp noņem fona troksni sarunas laikā, Adobe Podcast izlabo slikti ierakstītu balsi tā, ka tā skan kā studijā, Vocal Remover atdala balsi no pavadījuma.

Par latviešu valodu godīgi: šī ir joma, kur mākslīgais intelekts latviešu valodā atpaliek visvairāk. Latviešu balsis ir, bet tās skan mākslīgi, un intonācija garākos teikumos aizpeld. Uz latviešu balss ģenerēšanu nopietnā darbā vēl nav vērts paļauties — pretējā virzienā, runas atpazīšanā, situācija ir krietni labāka.