AI-новини: звук у Runway, голоси Voxtral 3 і Helix World
Що змінилося в AI-інструментах 9–22 жовтня: звукові ефекти й озвучка в Runway, голоси Mistral Voxtral 3 і світ, яким можна пройтися з картинки.
Олена, me20 Studio · 2 хв читання
Головна тема AI-новин останніх двох тижнів — звук. Runway тепер додає звукові ефекти й озвучку через свого агента, Mistral випустив Voxtral 3 з виразними голосами для 35+ мов, а дослідники показали Helix World, де одна картинка стає сценою, якою можна пройтися, ще й зі звуком.
Агент Runway тепер додає звукові ефекти й озвучку
Runway додав у Runway MCP дві аудіомоделі для платних тарифів. Fish Audio Drama 3 (14 жовтня) перетворює сценарій на виразну озвучку: сім голосів і підказки для шепоту, сміху та драматичних моментів. Mirelo SFX 2.0 (15 жовтня) отримує кліп і опис — від кроків до атмосфери — і повертає окрему доріжку зі звуковими ефектами для монтажу.
Видалення фону й швидкі зображення за референсами
Також у Runway MCP для платних тарифів: BiRefNet v2 (15 жовтня) сам знаходить головний об'єкт і прибирає фон — Runway називає для цього фото товарів, ілюстрації та елементи для композицій. Seedream 5.0 Flash (12 жовтня) генерує зображення 1K або 2K з тексту чи з до 10 референсних зображень.
Mistral Voxtral 3: виразні голоси для 35+ мов
Mistral AI випустив Voxtral 3 — сімейство мовленнєвих моделей і SDK для голосових агентів. Модель синтезу мовлення Voxtral Mini TTS 3 підлаштовує емоцію, темп і наголоси під контекст і підтримує 35+ мов і 50+ діалектів, серед них польську й українську. Ціна — $13 за мільйон символів, а Pro Voice може відтворити стиль мовця приблизно з 30 хвилин аудіо. Працює через API Mistral — з європейськими, американськими й глобальними серверами — або на власних серверах компанії.
Helix World: одна картинка стає світом зі звуком
Noiz AI та Гонконгський університет науки й технологій 12 жовтня представили Helix World. З початкового зображення й необов'язкового промпту модель створює сцену, якою можна рухатися з клавіатури, а стереозвук іде слідом за картинкою — 768×512 зі швидкістю 24 кадри на секунду на одному серверному GPU. Це дослідницька превʼю-версія з публічним демо й кодом, а не готовий продукт.
Хочете використати нові аудіоінструменти? Подивіться, як локалізувати відеорекламу за допомогою AI-дубляжу, і наші роботи з AI-відео. Плануєте кампанію зі звуком? Розкажіть нам.
P.S. Підпис під обкладинкою — це готовий промпт. Скопіюйте його в Midjourney, Higgsfield чи інший генератор зображень і створіть власну версію.