Endel vs VALL-E

Endel génère des paysages sonores personnalisés qui s'adaptent en temps réel pour vous aider à vous concentrer, vous détendre, dormir ou rester ancré pendant l'activité. Le moteur audio utilise la technologie brevetée Endel Pacific qui réagit à des entrées telles que l'heure de la journée, la météo, le rythme cardiaque et la localisation au lieu de boucler des pistes statiques. Le site marketing le décrit comme un audio fonctionnel soutenu par les neurosciences pour le bien-être quotidien.

Les applications de playlists vous donnent des chansons fixes ; Endel continue de régénérer le son sur l'appareil afin que le mix évolue avec votre contexte. Le mode concentration revendique jusqu'à 7 fois plus de concentration soutenue par rapport aux playlists dans une recherche évaluée par des pairs citée sur le site, et les modes Détente, Sommeil et Activité sont chacun accompagnés de visuels génératifs. Le même moteur fonctionne sur iOS, Android, macOS, web, Apple Watch, Alexa, Apple TV et Fire TV.

Les étudiants, télétravailleurs, personnes avec TDAH, parents et toute personne luttant contre l'insomnie sont le public implicite des pages d'atterrissage concentration et sommeil ainsi que des avis de l'App Store cités sur endel.io. Une édition gratuite existe, tandis que Premium débloque tous les modes, la lecture hors ligne, les intégrations avec les wearables et des paysages sonores en collaboration avec des artistes comme James Blake : Wind Down.

VALL-E est un modèle de synthèse vocale de Microsoft Research qui clone la voix d'un locuteur à partir d'un court extrait audio et génère un nouveau discours à partir de texte. Il appartient à la catégorie de la génération audio car il synthétise un discours naturel plutôt que d'éditer des enregistrements existants. La page du projet héberge des exemples audio pour le modèle original VALL-E et ses variantes ultérieures dans la même famille de recherche.

La plupart des systèmes de synthèse vocale régressent directement des formes d'onde continues ou des mél-spectrogrammes. VALL-E considère plutôt la parole comme une tâche de modélisation linguistique conditionnelle sur des codes discrets issus d'un codec audio neuronal. Microsoft l'a entraîné sur environ 60 000 heures de discours en anglais, bien plus que les ensembles de données TTS habituels. Un enregistrement de 3 secondes d'un locuteur inconnu suffit pour une synthèse zéro-shot, et le modèle peut conserver l'émotion et l'ambiance de la pièce présentes dans cet extrait.

La famille VALL-E s'est étendue au-delà du premier article. VALL-E X gère la synthèse vocale zéro-shot multilingue, VALL-E R ajoute un alignement monotone des phonèmes pour une génération de discours plus stable, et VALL-E 2 associe un échantillonnage conscient de la répétition à une modélisation groupée des codes pour atteindre la parité humaine sur les benchmarks LibriSpeech et VCTK. Des variantes comme MELLE, FELLE et PALLE explorent les tokens mél continus et un décodage hybride autoregressif plus parallèle.

Chercheurs, ingénieurs du son et auditeurs curieux utilisent VALL-E pour découvrir ce que les grands modèles linguistiques de codec peuvent faire avant de construire leurs propres chaînes. Les exemples publics sont des démonstrations de recherche, pas une API hébergée que l'on peut intégrer dans un produit sans licence et revue éthique séparées.