跳到正文

#语音

今日 0 条
11月19日周四
  1. The Decoder80

    微软在 Ignite 发布七款自研 MAI 模型,以更低价格替代外部模型

    微软在 Ignite 上一口气发布七款 MAI 自研模型,覆盖代码、安全、图像、语音、路由与检索,主打性价比。微软称 MAI Code 2 在四项基准上平均达到 GPT-6.1 Sol 性能的 98%,成本为其 40%;对比 Claude Opus 5.5 则达到 96% 的性能、5% 的成本。

    推荐理由:微软一次发布七款自研模型,并给出与 OpenAI、Anthropic 同档模型的性能与价格对照,可据此判断企业智能体的成本结构。

11月12日周四
11月6日周五
  1. TechCrunch · AI55

    Underdog 发布 32MB 语音模型 Woof 并推出浏览器演示游戏

    Underdog 发布仅 32MB 的语音生成模型 Woof,参数量 31 million,开放所有人下载,并配套推出一个可在浏览器中运行的游戏演示。该游戏包含打字机朗读输入内容和旋钮生成音乐等交互,公司称模型可在多数设备上离线运行。此前 Underdog 还发布了 167MB 的端侧语音转文字模型 Bark,以及一个可在笔记本上运行的 27-billion-parameter 模型。

10月30日周五
10月29日周四
  1. Hugging Face Blog71

    NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线

    NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe,把转写、说话人分离、翻译和音频问答整合进同一个 checkpoint,支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人标注,可处理最长 1 小时录音并标注最多 8 位说话人。

    推荐理由:原文给出多语言转写、说话人分离与翻译的统一模型,并附开放数据管线和微调配方,可据此判断落地方式。

10月28日周三
  1. The Decoder78

    Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe,整合转写、翻译与说话人识别

    Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe,可用文本指令在单一模型中完成转写、翻译和说话人识别,并支持就录音内容提问。该模型支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别,可处理最长 1 小时、最多 8 名说话人的录音;模型总参数 30B、每步约 4B 激活,可在单张 Nvidia GPU 上运行。

    推荐理由:读者可了解这款开源语音模型在转写、翻译与说话人识别上的能力边界,以及配套数据集和微调流程。

  2. Google DeepMind87

    Google DeepMind 发布世界模型 Genie 4

    Google DeepMind 发布世界模型 Genie 4,可实时生成带原生音频的可交互模拟世界,支持用自然语言实时修改天气、镜头和人物。Genie 4 首次在实时世界模型中原生生成音频,包括环境音与可随输入变化的角色对话,并借助 Gemini 模型维持模拟的连贯性。

    推荐理由:读者可了解 Genie 4 在实时世界模拟中加入原生音频与人物交互的能力边界,以及它与 Gemini 模型协同完成多步任务的方式。

10月25日周日
  1. TechCrunch · AI66

    Block 发布全双工语音模型 Dessa,可在本地运行

    Block 研究实验室发布语音模型 Dessa,完全基于人类语音训练,可在单块 NVIDIA GPU 上本地运行,并能同时说话和倾听。该模型能表现笑声、停顿和哭腔等情绪,Block 称情绪内建于模型而非依赖语音标签驱动,目前尚未公开开放,正邀请安全研究者测试。Dessa 可在 MacBook M4 Max 或更高配置的消费级电脑上运行。

10月24日周六
  1. The Decoder58

    Block 发布语音模型 Dessa,完全用人类语音训练、不依赖文本

    Block 发布语音模型 Dessa,称其完全基于人类语音数据从零训练、不使用任何文本数据,直接以音频形式处理语音,可实时捕捉情绪、讽刺、笑声和停顿。该模型支持全双工交流,可在 MacBook Pro M4 Max 本地运行,训练使用单台 NVIDIA GB200 NVL72。Dessa 目前尚未公开,团队先招募 AI 安全研究人员测试潜在风险。

10月22日周四
10月21日周三
10月16日周五
10月9日周五
  1. Hugging Face Blog40

    TII 推出 Falcon-ASR:1.6B 参数阿拉伯语语音识别模型

    阿布扎比技术创新研究院(TII)发布 Falcon-ASR,一款 1.6B 参数的语音识别模型,重点覆盖阿联酋方言,同时支持英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均 WER 为 20.92%,优于所用榜单快照中最佳公开结果 23.17%;内部阿联酋方言评测 WER 22.73%、CER 10.19%,比次优的 Qwen3-Omni 低 4.07 个百分点。

10月2日周五
9月29日周二
9月25日周五
  1. Google DeepMind67

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成,实现带唇形同步、自然表情和流畅轮次的视觉化对话,已在 Gemini Enterprise 上线。

    推荐理由:官方给出 Live Avatar 的实时视频对话能力、97 种语言同步与异步工具调用细节,可据此判断企业级多模态交互的落地形态。

9月23日周三
9月16日周三
8月27日周四
7月30日周四
6月9日周二
4月16日周四