Zvukové AI modely
Zvuková AI není jen čtení textu nahlas. Patří sem také přepis nahrávek, živý rozhovor s asistentem a tvorba hudby nebo zvukových efektů. Proto jsou modely rozdělené podle hlavního použití.
Tvorba hlasu
Modely, které převádějí napsaný text na mluvené slovo.
| Firma | Model | Typ | Hlavní využití |
|---|---|---|---|
 OpenAI | GPT-4o mini TTS | Text-to-speech | Převod textu na řeč |
 ElevenLabs | Eleven v4 / v4 Turbo | Text-to-speech | Expresivní hlas, dialogy a klonování |
 Google | Gemini-TTS | Text-to-speech | Řízený jednohlasý i vícehlasý výstup |
 Microsoft | MAI-Voice-1 | Text-to-speech | Expresivní hlas a řízení stylu |
 Mistral AI | Voxtral TTS | Text-to-speech | Vícejazyčný hlas a adaptace hlasu |
 Deepgram | Flux / Aura-2 | Text-to-speech | Rychlí hlasoví agenti |
 Cartesia | Sonic 3.6 | Text-to-speech | Nízká latence pro hlasové agenty |
Přepis řeči
Modely pro převod nahrávek nebo živé řeči na text.
| Firma | Model | Typ | Hlavní využití |
|---|---|---|---|
| OpenAI | GPT-Transcribe / Live Transcribe | Speech-to-text | Přepis nahrávek a živé řeči |
| ElevenLabs | Scribe v2 | Speech-to-text | Přepis, diarizace a časové značky |
| Google | Chirp 3 | Speech-to-text | Vícejazyčný přepis a diarizace |
| Mistral AI | Voxtral Mini Transcribe 2 | Speech-to-text | Přepis nahrávek a živé řeči |
| Deepgram | Flux / Nova-3 | Speech-to-text | Živý přepis a rozpoznání konce repliky |
Hlasová konverzace
Modely pro plynulé rozhovory s hlasovým asistentem v reálném čase.
| Firma | Model | Typ | Hlavní využití |
|---|---|---|---|
| OpenAI | GPT-Realtime-2.1 | Speech-to-speech | Hlasoví asistenti a živá konverzace |
 xAI | Grok Voice API | STT, TTS a speech-to-speech | Hlasová konverzace v reálném čase |
Hudba a zvukové efekty
Modely pro tvorbu skladeb, ruchů a celých zvukových scén.
| Firma | Model | Typ | Hlavní využití |
|---|---|---|---|
| ElevenLabs | Music v2.5 | Hudba | Kompletní skladby, vokály a editace |
| Google | Lyria 3.5 | Hudba | Celé skladby z textu nebo obrázku |
 Stability AI | Stable Audio 3.0 | Hudba a efekty | Hudba, remixování a zvukový design |
 ByteDance | Seed Audio 1.0 | Kompletní zvuková scéna | Řeč, ruchy, prostředí a zvukové efekty |
Ceny nelze srovnat jedním číslem: Tvorba hlasu se účtuje podle znaků či zvukových tokenů, přepis většinou podle minut a hudba podle generování, délky nebo kreditů.
Aktuální data k 7. 10. 2026