Sofia śledzi pieniądze, regulacje i platformy, które kształtują to, co mogą tworzyć twórcy.
Zainspirowała Cię ta historia? Zamień pomysł we własną sztukę AI w kilka sekund — zacznij za darmo, bez karty.
Zacznij za darmoWybierz towarzysza i poznaj jego zdanie na temat tej historii
Underdog, startup AI działający w trybie stealth, zademonstrował nowy model AI, który może generować zarówno mowę, jak i muzykę, zajmując zaledwie 32 megabajty pamięci masowej, co jest osiągnięciem, które może znacząco zmniejszyć zależność od infrastruktury chmurowej w generowaniu dźwięku AI.
Ten kompaktowy model oznacza znaczącą zmianę w stosunku do dużych, intensywnych obliczeniowo modeli, które obecnie dominują w krajobrazie audio AI, potencjalnie obniżając bariery dla twórców poprzez umożliwienie lokalnego generowania na standardowych urządzeniach. Dla artystów AI oznacza to mniejszą zależność od łączności z Internetem i zmniejszone koszty operacyjne generowania dźwięku, podobnie jak lokalne modele obrazu oferują większą kontrolę i prywatność dla twórców wizualnych.
Historycznie, zaawansowane modele AI, zwłaszcza te do audio i wideo, wymagały znacznych zasobów obliczeniowych w chmurze, co wiązało się ze znacznymi kosztami i opóźnieniami. Model Underdog o rozmiarze 32 MB podważa ten paradygmat, demonstrując wysokiej jakości wyniki przy minimalnym zużyciu zasobów. Ta wydajność może pozwolić twórcom na integrację generowania dźwięku AI bezpośrednio z aplikacjami desktopowymi, a nawet urządzeniami mobilnymi, oferując natychmiastową informację zwrotną i iterację bez wywołań API.
Podwójna zdolność modelu do generowania zarówno mowy, jak i muzyki z jednego kompaktowego pakietu oferuje wyraźną przewagę. Twórcy pracujący nad projektami narracyjnymi, podcastami lub tworzeniem gier mogliby jednocześnie generować lektury i podkłady muzyczne, usprawniając swój przepływ pracy. Kontrastuje to z wieloma istniejącymi rozwiązaniami, które często specjalizują się w jednym lub drugim, lub wymagają znacznie większych modeli, aby osiągnąć porównywalną jakość. Podczas gdy ElevenLabs skupiało się na publikowaniu dźwięku w chmurze, podejście Underdog wskazuje na przyszłość, w której tworzenie odbywa się bliżej użytkownika.
Najbardziej bezpośrednią korzyścią dla twórców sztuki AI jest elastyczność przepływu pracy i redukcja kosztów. Uruchamianie modeli lokalnie eliminuje opłaty za każde żądanie i minimalizuje opóźnienia związane z transferem danych do i z serwerów chmurowych. Oznacza to więcej eksperymentów, szybsze prototypowanie i ostatecznie bardziej płynny proces twórczy w generowaniu treści audio wspomaganych AI. Dla niezależnych artystów i małych studiów może to być decydujący czynnik w szerszym przyjęciu narzędzi AI.
„Dokładny cytat, co najwyżej jedno zdanie.”
— TechCrunch
Chociaż konkretne metryki jakości i zakres stylów osiągalnych za pomocą modelu Underdog pozostają w tajemnicy, samo istnienie tak kompaktowego, wszechstronnego modelu audio sugeruje przyszłość, w której narzędzia AI są nie tylko potężne, ale także dostępne i wydajne. Przejście na mniejsze, bardziej wydajne modele jest powracającym tematem w rozwoju AI, co widać na przykładzie niektórych modeli generowania obrazu, które mogą teraz skutecznie działać na konsumenckich procesorach graficznych. Ten trend demokratyzuje dostęp do zaawansowanych możliwości AI, przenosząc moc tworzenia z scentralizowanych centrów danych w ręce indywidualnych twórców. Następne kroki będą polegały na tym, jak Underdog skomercjalizuje ten model i jakie narzędzia dla deweloperów zaoferuje, aby zintegrować go z istniejącymi kreatywnymi potokami.
