Голос, код и железо: ИИ ускоряется сразу по всем фронтам…

Голос, код и железо: ИИ ускоряется сразу по всем фронтам

За один релизный цикл сразу несколько компаний показали, куда всё движется: быстрее, точнее и ближе к реальному времени.

Начнём с Google.

Gemini 3.1 Flash Live — голосовая модель, которая:
— быстрее реагирует, чем предыдущие версии
— лучше понимает темп, интонации и акустику
— эффективно фильтрует шум

Поддерживает 90+ языков в реальном времени, держит контекст дольше и стабильнее работает с инструментами.
Идёт сразу в продукты — Gemini Live и Search Live (который расширяют на 200+ стран).

Теперь про звук.

Mistral Voxtral TTS:
— клонирует голос по <5 секундам аудио
— сохраняет микроинтонации и акценты
— может менять язык, не теряя «личность»

Скорость — 10 секунд аудио за ~1.6 секунды.
Открытая модель (но с некоммерческой лицензией).

Следом — распознавание речи.

Cohere Transcribe:
— модель на 2 млрд параметров (Conformer)
— работает с шумом, акцентами и несколькими голосами
— WER 5.42% — обошла Whisper Large v3

Можно запускать локально или через API.

Теперь железо.

Intel Arc Pro B70 / B65:
— 32 ГБ VRAM
— до 22.9 TFLOPS
— цена от $949 (в 2 раза дешевле аналогов Nvidia)

То есть инференс становится доступнее без топовых бюджетов.

И немного про платформы.

GitHub Copilot меняет политику:
данные пользователей (код, промпты, ответы) могут использоваться для обучения моделей по умолчанию.

Главный сдвиг — всё начинает сходиться:
голос → текст → генерация → железо → инфраструктура.

ИИ становится не отдельной технологией, а полноценной средой.

Вывод: следующий этап — не отдельные модели, а экосистема, где всё работает вместе и в реальном времени.