Cartesia опенсорснула итальянскую модель . Основана на sesame/csm-1b. Последние - пионеры идеи моделировать и оценивать генерацию фразы не только изолировано, но и в диалоговом контексте. Начали с интересной миссии At Sesame, our goal is to achieve “voice presence”—the magical quality that makes spoken interactions feel real, understood, and valued продолжили ее декомпозицией Key components Emotional intelligence: reading and responding to emotional contexts. Conversational dynamics: natural timing, pauses, interruptions and emphasis. Contextual awareness: adjusting tone and style to match the situation. Consistent personality: maintaining a coherent, reliable and appropriate presence. Ну и реализовали контекстный промптинг, когда для генерации подается текст и звук из предыдущих реплик. Результат показывает, что для окончательного успеха - еще есть куда расти. Если в изолированном side-by-side сравнении достигнут паритет с живой речью, то в контекстном - 2/3 опрошенных все еще предпочитают живую генерацию.