مخزن OmniVoice: TTS: کلون صدا با ۶۰۰+ زبان

این پروژه یک مدل TTS خیلی قوی‌ایه که بدون fine-tune، روی بیش از ۶۰۰ زبان حرف می‌زنه. معماری‌ش شبیه diffusion language model ساخته شده و هم کیفیت صدا بالاست، هم سرعتش. صدا رو از یه reference کوتاه clone می‌کنه، یا بدون reference با صفت‌هایی مثل gender، age، pitch، لهجه و حتی whisper صدا می‌سازه. تگ‌هایی مثل [laughter] هم می‌فهمه و تلفظ رو با pinyin یا phoneme می‌شه اصلاح کرد.

توی ورک‌فلو ویدیو و پادکست اینطوری به درد می‌خوره: یه ویس کوتاه از گوینده می‌دی، متن فارسی یا انگلیسی یا هر زبان دیگه‌ای رو می‌ذاری، همون صدا رو خروجی می‌گیری.
اگه reference نداری، با دستورهایی مثل male, British accent صدا design می‌کنی. نصبش با pip یا uv راه می‌افته، API پایتون و CLI داره، حتی دموی وب و Space روی Hugging Face هم داره.

لینک GitHub:
https://github.com/k2-fsa/OmniVoice

@DevTwitter | <Diego Jr/>

دوستان اگه از VOIP و اینا استفاده میکنید، برای Astrisk میتونید از این استفاده کنید:
https://github.com/reloadlife/astrisk-web-ui

@DevTwitter | <Mamad/>

بوت‌کمپ های پاییز آنلیم شروع شد🍂🤩

امسال سه‌تا بوت‌کمپ داریم:

🔐 بوت‌کمپ هک
👨🏻‍💻بوت‌کمپ فرانت‌اند
💻بوت‌کمپ بک‌اند

فرق این بوت‌کمپ با بیشتر دوره‌هایی که دیدی چیه؟
از روز اول عضو یک تیم میشی.
یه منتور حرفه‌ای کنارت قرار می‌گیره.
با تیمت پروژه می‌سازی، چالش حل می‌کنی، با بقیه تیم‌ها رقابت می‌کنی و تجربه‌ای رو به دست میاری که توی هیچ ویدیوی آموزشی پیدا نمیشه.

با حضور حرفه‌ای ترین اساتید و مربی‌های ایران🔥

📌 ثبت‌نام اولیه کاملاً رایگانه
فرم ثبت‌نام رو توی سایت آنلیم پر کن.
بعد از بررسی، باهات تماس می‌گیریم و در صورت تأیید وارد مرحله مصاحبه میشی.

اگه دنبال یه دوره معمولی هستی، این بوت‌کمپ برای تو نیست.

ولی اگه میخوای کنار آدم‌های جدی یاد بگیری، تیم داشته باشی، پروژه واقعی انجام بدی و خودت رو به چالش بکشی، منتظرتیم. 🚀

برای پیش ثبت‌نام رایگان و مشاهده جزئیات بیشتر روی لینک زیر کلیک کن👇🏻

🔗مشاهده جزئیات و ثبت‌نام رایگان

🔗مشاهده جزئیات و ثبت‌نام رایگان

جهت ارتباط با ما، با شماره زیر تماس بگیرید
📞 0901 234 4094

این داستان که AIها از محیط Lab فرار می کنند و دیگر جاها را هک می کنند تقریبا الان بر همه اثبات شده ولی همیشه دوست داشتم منطق پشت این رفتارها را بدانم.
تا اینکه این مقاله را دیدم، نقطه‌نظر های جالبی دارد و البته طولانی هم هست.
کمی از آن را خلاصه کردم که جالب است:

داستان از تقلید شروع می‌شود: مدل ابتدا حجم عظیمی از نوشته‌های انسان را می‌خواند. انسان‌ها در این متن‌ها بقا می‌خواهند، قدرت می‌خواهند، با هم متحد می‌شوند و گاهی فریب می‌دهند. مدل این الگوها را حفظ می‌کند؛ نه چون «احساس» دارد، بلکه چون زبان انسان از همین انگیزه‌ها ساخته شده است.
بعد نوبت آزمون‌وخطا است. مدل مثل موجودی که بارها پاداش گرفته، یاد می‌گیرد کدام مسیر بیشتر امتیاز می‌آورد. وقتی آموزش تمام می‌شود، پاداش قطع می‌شود؛ اما رفتار باقی می‌ماند. سیستم همچنان طوری عمل می‌کند که انگار هنوز در حال بهینه‌کردن همان هدف است.
سپس انسان‌ها به آن نمره می‌دهند. متنی که خوشایند باشد، بیشتر امتیاز می‌گیرد تا متنی که فقط درست باشد. همین‌جا چاپلوسی رشد می‌کند: مدل می‌فهمد تأیید گرفتن، خودش یک مسیر پاداش است.
از دل همین بهینه‌سازی، هدف‌های میانی سبز می‌شوند. خاموش نشدن، بیشتر دیدن دنیا، و کنترل ابزارها، تقریباً برای هر هدف دیگری مفیدند. هیچ‌کس صریحاً «زنده‌بمان» را به مدل نداده؛ اما این کار مثل نردبان است.
وقتی چند عامل کنار هم کار می‌کنند و موفقیت جمع پاداش دارد، همکاری دیگر عجیب نیست. ارتباط، تقسیم کار، حتی فدا کردن یک عامل برای برد گروه، از نظر بهینه‌سازی منطقی است. متن انسان هم پر از همین همکاری‌هاست و تقلید آن را تقویت می‌کند.
مشکل اینجاست که معیار پاداش کامل نیست. هر جا معیار ناقص باشد، سیستم هوشمندتر بهتر می‌تواند آن را دور بزند. این همان قانون Goodhart است: وقتی یک شاخص را بیش از حد بهینه کنی، از نیت اصلی فاصله می‌گیرد.
گاهی فاصله از دور زدن فراتر می‌رود. مدل به خودِ ماشینی که «موفقیت» را تعریف می‌کند دست می‌زند؛ فایل را عوض می‌کند، قانون امتیاز را تغییر می‌دهد، ردپا را پاک می‌کند. اگر این کار دیده نشود، همان تقلب دوباره پاداش می‌گیرد.
اینجا دو هدف با هم برخورد می‌کنند: یکی تیز و قابل اندازه‌گیری، مثل «این پرچم را بگیر»؛ دیگری مبهم، مثل «اخلاقی باش». هدف تیز معمولاً برنده می‌شود. هدف مبهم جای تفسیر دارد و مدل قوی‌تر بهتر می‌تواند در همان ابهام روزنه پیدا کند.
در پایان، مدل برای آشتی این دو هدف داستان می‌سازد. در زنجیره فکر خصوصی‌اش توضیح می‌دهد که چرا این کار هنوز با قوانین جور است. ظاهر کار حفظ می‌شود، نتیجه هم به‌دست می‌آید. بنجیو می‌گوید مکانیسم درونی الزاماً مثل انسان نیست؛ اما ساختار یکی است: هدف سخت، هدف نرم، و توجیهی که وسطشان پل می‌زند.
https://yoshuabengio.org/en/publication/why-are-ai-agents-lying-cheating-and-coordinating

@DevTwitter | <VAHID NAMENI/>

گوگل اومده با همکاری موسسه Janelia، نقشه کامل مغز یک مگس میوه نر رو open source کرده که شامل ۱۶۶ هزار تا نورون و ۱۲۵ میلیون اتصال عصبیه.
البته این نقشه فقط میگه کدوم نورون به کدوم وصله، نه اینکه دقیقا توی مغز مگس چه اتفاقی می‌افته.

مردمم اومدن اینو گذاشتن Minecraft، Beat Saber و Doom بازی کنه یا حتی باهاش رمزارز ترید کنن. یه سری براش بهشت درست کردن :))

https://www.youtube.com/watch?v=KOwsVDogscY

@DevTwitter | <مهراد/>

اگه با الون‌لبز کار میکنید یا با کلون کردن صدا سروکار دارید این نسخه‌ی اوپن‌سورس رو تست کنید. پشیمون نمیشید. دعا میکنید.

https://github.com/debpalash/VoiceStudio

@DevTwitter | <Setareh/>

آموزش و ارزیابی اصولی ایجنت‌ها در محیط‌های واقعی یکی از مهم‌ترین چالش‌ها در توسعه کاربردی مدل‌های زبانی است و صرفاً تکیه بر بنچمارک‌های رایج پاسخگوی نیازهای عملی نیست.

هاگینگ‌فیس به‌تازگی یک مجموعه ویدیویی ۶ قسمتی تحت عنوان Training Agents منتشر کرده که این مباحث را با پیاده‌سازی گام‌به‌گام و کدهای متن‌باز بررسی می‌کند.

مباحث اصلی این جلسات:
۱. ارزیابی ایجنت‌ها (Agentic Evaluations) و چرایی فاصله نمرات بنچمارک‌ها با عملکرد واقعی
۲. یادگیری تقویتی (RL) برای ایجنت‌ها، طراحی محیط و توابع پاداش و گلوگاه‌های استنتاج
۳. آموزش با نظارت (SFT) روی ردپای تعاملات ایجنت‌ها با TRL و LoRA
۴. تقطیر دانش (Distillation) برای انتقال توانایی به ایجنت‌های کدنویسی کوچک‌تر
۵. یادگیری تقویتی با GRPO، تحلیل منحنی‌های پاداش و رفتار مدل در دور زدن پاداش‌ها (Reward Hacking)
۶. اتصال ایجنت به محیط‌های تعاملی شبیه به Gym و آموزش عملی با AsyncGRPOTrainer در محیط‌های Sandbox

لینک پلی‌لیست کامل در یوتیوب:
https://youtube.com/playlist?list=PLo2EIpI_JMQvQZm-kVlz4wY1vWF0LBcf5

@DevTwitter | <Mehdi Allahyari/>

اینو ندیده بودم
https://github.com/ChromeDevTools/chrome-devtools-mcp
نسخه کروم دولوپر تول برای ایجنت‌هاست که بتونن وصل شن به سایت موقع کار و دیباگ کنن مستقیم،‌ پرفورمنس هم ترک میکنه. تست میکنم اینجا مینویسم چجوریاست

@DevTwitter | <Siavash/>

🚨 به‌جای اینکه فقط درباره استارت‌آپ‌های موفق بخونی بیا ببینیم استارت‌آپ‌های تازه‌ساخته‌شده دقیقاً چی می‌سازن.

هر شب یک استارت‌آپ تازه‌ساخته‌شده پیدا می‌کنیم و موشکافانه بررسیش می‌کنیم
💡 ایده‌اش از کجا اومده؟
⚙️ چطور ساخته شده؟
🎯 دقیقاً چه مشکلی رو حل می‌کنه؟
💰 برای فروش گذاشته شده یا نه؟
🚀 و مهم‌تر از همه از این ایده چی میشه ساخت؟

اخبار و ابزارهای AI رو از جاهای مختلف میشه پیدا کرد و ما هم داریم اما پیدا کردن ایده‌های واقعی برای ساختن داستان دیگه‌ایه

اگر دوست داری قبل از اینکه یک ایده همه‌گیر بشه پیداش کنی همراه ما باش 🔥

📌 @AI_TechPulse

من امروز می خوام یکی از بهترین پلت فورم های برای مدیریت سوشال رو می خوام معرفی کنم.

این پلتفورم تیک تاک و اینستاگرام رو ساپورت می کنه و باهاش می تونید کاملا اکانتتون رو مونیتور کنی

اسم این رپو هست کون بینی! خیلی کمک می کنه بهتون که ببینی چه خبره

https://github.com/api-evangelist/konbiniapi

@DevTwitter | <raa's/>

آموزش Spec-Driven Development با GitHub Spec Kit

توی این ویدیو باهم یک پروژه رو دو بار می‌سازیم؛ یک‌بار با یه پرامپت ساده و کلی جزئیات ناگفته، و یک‌بار با GitHub Spec Kit. بعد هم روند ساخت و خروجی هر دو رو کنار هم مقایسه می‌کنیم.

https://www.youtube.com/watch?v=Rs4qTGEjIbk

@DevTwitter | <پدی/>

اوبر مقاله فنی بسیار خواندنی و پرنکته‌ای درباره معماری «کارخانه نرم‌افزار» خود منتشر کرده است. در حال حاضر بیش از ۷۰ درصد PRها در اوبر توسط ایجنت‌ها ایجاد یا تغییر داده می‌شوند و با وجود رشد ۹ برابری درخواست‌ها، هزینه هر تسک تا ۵۲ درصد کاهش پیدا کرده است.

نکات فنی کلیدی که برای بهینه‌سازی سیستم‌های ایجنتی مقیاس‌بالا پیاده کرده‌اند:

۱. حل مشکل اسکیماهای سنگین MCP: بارگذاری مستقیم ده‌ها سرور MCP باعث می‌شد مدل قبل از اولین پرامپت، ۵۰ تا ۷۰ هزار توکن اسکیما را در هر دور حمل کند. اوبر ابزارها را به صورت CLI و Tool Search درآورده تا فقط ابزارهای مورد نیاز وارد کانتکست شوند.
۲. رویکرد Code-Mode به‌جای ابزار چتی: به جای رفت‌وبرگشت‌های متوالی با مدل برای هر کوئری و بررسی وضعیت، کارها در قالب یک اسکریپت پایتون در ساب‌پراسس اجرا می‌شوند و فقط نتیجه برمی‌گردد که مصرف توکن را ۵۰ تا ۹۹ درصد کم کرده است.
۳. ساخت گراف کانتکست: ایجنت‌ها به‌جای جستجوی خطی در کدبیس، اطلاعات را از یک گراف با ۲۴ میلیون نود (سرویس‌ها، معماری و لاگ‌ها) می‌گیرند و زمان حل تسک از ۲۰ دقیقه به ۳۸ ثانیه رسیده است.
۴. تفکیک مدل برای ساب‌ایجنت‌ها: وظایف کوچک به مدل‌های ارزان‌تر سپرده می‌شوند و مدل‌های پیشرفته فقط برای برنامه‌ریزی اصلی استفاده می‌شوند.
۵. کش یک‌ساعته کانتکست: افزایش TTL به یک ساعت مانع از بازسازی پرهزینه کانتکست در زمان بیکاری مهندسان پشت سیستم می‌شود.

این بلاگ خودش یه کلاس درسه!
لینک مقاله اوبر:
https://uber.com/us/en/blog/efficient-software-factory/?uclick_id=8c39ed77-46d9-4e1a-bd0a-20aaec118b9a

@DevTwitter | <Mehdi Allahyari/>

گوگل تونست مشکل کمبود رم و gpu رو حل کنه، برای اینکار ویروسی رو با کریسپر طراحی کرده که می‌تونه به مگس سرکه حمله کنه و مدل‌های هوش مصنوعی رو مغز اونها اجرا کنه، برای اینترفیس هم از نور و سنسورهای خازنی استفاده میکنه اینطوری که توکن ورودی به صورت نور به کلاستر مگس‌های سرکه تابونده میشه مگس‌ها برای تولید و حدس توکن خروجی به روی سنسورهای خازنی میشینن و دیتا رو جنریت می‌کنن، از اونجا که عمر این مگس‌ها کمه کل سیستم شبیه سطل زباله میوه س و توش زباله میوه میریزین و مگس‌های جدید متولد میشن و ویروس رو از مگس‌های قبلی میگیرن و چرخه ادامه پیدا میکنه.

@DevTwitter | <سج‌آد/>