Apple 发布 iOS 与 macOS 27.2,带来 Siri AI 新功能和新 Music 图标
Apple 发布 iOS 与 macOS 27.2,加入新的 Siri AI 功能并更换 Music 图标。更新包含限制 Siri 可直接访问哪些应用的能力。
Apple 发布 iOS 与 macOS 27.2,加入新的 Siri AI 功能并更换 Music 图标。更新包含限制 Siri 可直接访问哪些应用的能力。
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。
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。
Jack Dorsey 旗下 Block 发布 AI 模型 Dessa,称其完全从零基于人类对话训练,是真正的语音到语音模型,可在 MacBook Pro M4 Max 或更高配置上本地运行。
Anima 利用 GPT-6 和 GPT-Live 将诊所电话等待时间降低 75%,并扩展了护理团队使用 OpenAI 模型的能力。该方案让护理团队有更多余力响应患者。
在 Amazon SageMaker AI 的实时端点上托管 Kokoro-82M 语音合成模型,把 AI 智能体生成的每个句子即时送入合成,让音频在完整回复生成前就开始播放。
Amazon Polly Generative 引擎完成升级并正式可用,语音更自然准确、延迟更低,新增 14 种语音覆盖 9 个 locale,印地语和芬兰语首次在生成式引擎上正式可用。
针对自托管 TTS 端点自动扩缩容目标值靠猜的问题,AWS 在 Amazon SageMaker AI 实时端点上部署 82M 参数的 Kokoro-82M 自定义容器,用实测的 Q_max(单实例在 SLO 内可承受的最高并发)和 T_total(一次扩容端到端耗时)推算扩容阈值、缩容阈值与两个冷却时间。
Nirva 完成 2500 万美元 pre-Series A 轮融资,加上年初的 800 万美元,累计融资达 3300 万美元。其首款吊坠可作手链佩戴,重约 8 克、续航最长 3 天,通过用户录入的语音样本建模并过滤周围他人声音,只记录佩戴者本人,处理后默认不保留音频与转写。设备定价 249 美元,11 月开启预订,年底前向早期用户发货。
IBM 发布 Granite Speech 5.0 系列三项更新:新模型 granite-speech-5.0-2b 支持英法德西葡日六种语言转写及与英语互译。
Google 面向美国 Apple CarPlay 用户上线 Google Maps 中的对话式 Gemini 导航,并称全球 rollout 也在进行中。用户可点击车机 Google Maps 中的 Gemini 图标,用语音提出多步问题,例如先询问推荐地点再要求避开收费路段导航。
Yelp 上线 Check for Me 功能,用户可在餐厅页面输入用餐人数和手机号,由 AI 语音智能体代为致电餐厅查询等位时间,并以短信回传结果。Yelp AI 助手同步接入 OpenTable 支持应用内订座,可记住历史对话偏好、查看近 30 天聊天记录并设置自定义提醒。面向商家,Yelp 推出付费产品 Smart Lead Reply,每月 30 美元,可自动回复并筛选客户线索。
会议记录工具 Otter.ai 从 General Catalyst 的 Customer Value Fund 获得 3.2 亿美元融资,资金将用于企业增长、市场推广、国际扩张和产品创新。
ElevenLabs 发布两款语音到语音模型 Eleven Realtime,其中 Max 版在 Big Bench Audio 上得分 98.8%,响应时间 0.57 秒。
Mistral AI 发布 Voxtral 3,这是一组面向实时语音智能体的语言模型,包含语音转文字模型 Voxtral Small Transcribe 3、文字转语音模型 Voxtral Mini TTS 3,以及基于 LiveKit 的语音智能体 SDK。
Mistral 发布 Voxtral 3,包含语音转写与语音合成模型以及基于 LiveKit 的语音智能体 SDK,把听、推理、工具调用和说话串成一条实时流式管线。
推荐理由:原文给出语音智能体 SDK 与转写、TTS 模型的完整能力与定价,可据此评估实时语音工作流的落地成本。
Deepgram 与 AWS 合作将 Nova-3 语音转文本模型移植到 Trainium2,用于联络中心分析、医疗转录等离线批处理场景。最终配置在单台 Amazon EC2 trn2.3xlarge 实例上运行 8 个模型副本,每美元处理的音频量比原有算力方案高 11%–70%。优化涵盖 TorchNeuron 编译、NKILib 融合内核替换及 Rust 数据并行运行时。
亚马逊旗下个人 AI 硬件品牌 Bee 发布被收购后的首批新品:可戴在手腕或别在衣服上的 Bee Frontier 售价 74.99 美元,信用卡大小、磁吸在手机背面的 Bee Eclipse 售价 99.99 美元。
亚马逊设备业务高级副总裁 Panos Panay 在 TechCrunch Disrupt 上表示,个人 AI 的未来是环境计算而非 App,用户将不再需要主动告诉设备做什么。
IBM 发布 Granite Switch 4.1,提供 8B 和 30B 两个版本,把对话、通用与专用决策、语音转写整合进一个托管端点。
推荐理由:原文说明了多个适配器如何共享同一基座与 KV cache,读者可据此判断单端点多任务的部署成本。
亚马逊发布两款 Bee 系列常听式 AI 可穿戴设备,Bee Frontier 售价 74.99 美元,Bee Eclipse 售价 99.99 美元、信用卡大小可磁吸在手机背面。
澳大利亚初创公司 Apate.ai 部署数千个 AI 智能体伪装成受害者,接听诈骗电话、回复可疑信息、点击钓鱼链接并加入社交群组,诱使诈骗者暴露银行账户、加密钱包、电话号码和仿冒品牌等信息。
Square 发布 Square Kiosk 自助点单硬件,配备 21.5 英寸触摸屏和“agentic, conversational voice layer”,能理解商家菜单并实时语音应答,顾客可提问、要求修改或替换菜品。
Ray-Ban Meta Audio 是 Meta 推出的纯音频智能眼镜,售价 $349,去掉摄像头后外观与普通眼镜无异,佩戴时不再有偷拍他人的心理负担。它本质是一副开放式耳机,音质尚可但音量高时高音发尖、低音发闷,续航长、轻便且时尚。目前搭载的是较弱的 Muse Spark 模型,更强的 Muse AI 要等到今年晚些时候,复杂提问容易出错,FDA 认证的助听功能也尚未上线。
Higgsfield 将 AI 视频生成时长从 1 分钟提升到 10 分钟以上,背后使用 GPT-6 Astra。同时它用 GPT-Image-2.5 提升画面精度,并借助 GPT-Live 探索语音电影制作路径。
Apple 发布首款智能屏 HomeView,售价 299 美元,11 月 13 日发货,首批登陆美国、英国、加拿大等八个国家。设备搭载 Siri AI,可凭面容识别与同网络 iPhone 调用短信、日历、邮件等个人上下文,并作为 Apple Home 中枢、Matter 控制器和 Thread 边界路由器。
前Plaud高管Peter Mo创办的Ambi完成2600万美元融资,由Luminous Ventures和华勤领投,并推出iPhone、Mac和Apple Watch应用。该应用可全天候监听用户,在会议中由AI智能体主动提供建议,还计划推出带屏幕、摄像头和麦克风的硬件设备。Ambi称环境采集默认关闭、不存储录音并加密数据,但披露责任仍由用户承担。
企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为,尽管全双工模型已经问世,语音 AI 仍未迎来自己的“ChatGPT 时刻”,下一步挑战是让推理足够快、对话足够自然。
Apple 向欧盟委员会披露,已同意向 Huxe AI 部分员工发出聘用邀约,并获得其知识产权的非独占许可,属于典型的反向收购式招聘。Huxe 由曾参与 NotebookLM(后更名 Gemini Notebook)AI 播客功能的开发者创立,已于 5 月 21 日宣布关停应用并删除用户数据。
Alexa Plus 是亚马逊基于生成式 AI 重构的数字助理,在 Echo 设备上需 Prime 会员或每月 19.99 美元订阅(美国),目前已在美加上线并在多国早期测试。实测中它控制智能家居、处理多步指令和厨房问答明显优于旧版 Alexa,响应时间从 2025 年的 10-15 秒缩短到 3-5 秒,但私人助理功能不成熟,Echo Show 上的广告也令人困扰。
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。
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases,可在航空公司应用中搭建语音旅行助手,让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。
Amazon Alexa Plus 出现 bug,部分 Echo 智能音箱会在对话中反复说唱“lalala”长达数分钟,被追问时 Alexa 对自身行为毫无察觉。该问题近几周在 Reddit 上被多次报告,涉及多款 Echo 音箱,并有用户上传视频。Amazon 确认这是影响“少数 Alexa Plus 用户”的 bug,正在修复。
Google 的「Call for Me」AI 功能可能从商务通话扩展到亲友通话。Android Authority 在 APK 拆解中发现「Gemini Calling」引导页,示例包括「打电话给妈妈说我晚到 15 分钟」和「打电话问 John 是否来吃晚饭」,Gemini 预计仍只限于类似短信的简短通话。
Napster 联合创始人 Sean Parker 正把 Stability AI 重塑为面向音乐专业人士的 AI 工具厂商。两年前他参与了对这家濒临崩溃的图像生成初创公司的 8000 万美元救助,如今与出任 CEO 的好友 Prem Akkaraju 一同公布新方向。
AI 音乐生成器 Suno 新增 Speech 功能,可将口述文本与匹配的背景音乐合成为单条音轨,用户输入想法或文字并描述想要的音色与音乐风格。Suno 产品负责人 Jack Brody 称该功能已在小范围测试一个月,可用于诗歌、冥想和睡前故事,但 beta 版仍有 bug,例如英式口音有时听起来像澳式口音。
微软 AI 发布实时转写模型 MAI-Transcribe-2-Streaming,支持 60 种语言,首个部分结果延迟略超 100 毫秒,微软称其在 Artificial Analysis 准确率排名第一,年底前音频价格为每小时 0.54 美元。
AI 音乐平台 Suno 上线 Speech 功能,进入公开测试,覆盖网页端和移动端,可根据脚本或提示词生成语音,并同时生成配套背景音乐。该功能提供 Simple 和 Advanced 两种模式,后者支持自定义脚本、调整 AI 声音性别、语音风格和生成多样性,单次最长约 8 分钟,背景音乐可用开关关闭。
Google 在 Gemini Live 中上线 Guided Vision,今天起在兼容的 Android 设备上可用,通过共享摄像头对镜头中的内容给出实时语音描述,可帮助阅读小字、描述周围环境、寻找或识别物体。
Tavus 推出 Griffin,公司称其为首个 Human Interaction Model(HIM),可在接收和生成视频的同时处理语音、面部表情、语调、手势和停顿。