跳到正文

#语音

今日 0 条
11月19日周四
  1. The Verge · AI58

    ChatGPT 上线 Live Dictation 边说边转写功能

    ChatGPT 新增 Live Dictation 功能,可在用户说话时实时转写,不再等录音结束,已在网页版、桌面端及 iOS、Android 应用面向所有 ChatGPT 套餐全球推送。用户可点击音频波形查看实时生成的文字,并在提示框中编辑;OpenAI 同时取消了语音听写的 10 分钟录音上限,并表示该功能正变得“更可靠”。

  2. 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17日周二
  1. TechCrunch · AI40

    Jordan Belfort 的 AI 语音公司 Tone 推出自助平台,把书变成 AI 有声旁白

    “华尔街之狼”Jordan Belfort 创办的 AI 语音平台 Tone 推出自助服务,内容创作者和作者可将书籍转为“富有表现力的 AI 生成旁白”,并可选平台音色或克隆自己的声音。Tone 称其语音通过语调技巧促成交易,已用于律所、健康险等销售场景,延迟约 600 毫秒。联合创始人还包括投资人 Shervin Pishevar。

11月14日周六
11月13日周五
  1. The Decoder67

    Meta 的 Muse 可为用户代打美国商家电话

    Meta 的 AI 智能体 Muse 现已能为美国付费订阅用户代打商家电话,该功能在 9 月测试后向全美付费用户开放。Meta AI 负责人 Alexandr Wang 称 Muse 用户已超过 1000 万,可处理打给有线电视公司、DMV 和餐厅的繁琐电话,并将很快获得免费邮箱地址。许多商家一旦识别出 AI 来电就会挂断,Meta 因此在 9 月临时测试了人工接线员。

11月12日周四
  1. The Verge · AI22

    我评测了 Apple HomeView,欢迎提问

    The Verge 高级智能家居评测员 Jen Tuohy 用一周时间测试了 Apple 首款智能显示屏 HomeView,售价 $299,涵盖桌面版与壁挂版。她在厨房、床头、办公室、茶几和玄关等场景中测试了烹饪、智能家居控制、通话以及新的 Siri AI 能力。Verge 订阅者可在评论区提问,她将于美国东部时间今天下午 2 点开始回答。

11月11日周三
  1. AWS Machine Learning Blog34

    Amazon SageMaker AI 双向流式推理推出按用量计费

    Amazon SageMaker AI 双向流式推理新增按用量计费,模型提供商可向 AWS Marketplace 上报实时流中的实际用量。Deepgram 作为首发合作伙伴,将按用量计费的语音转文字(STT)和文字转语音(TTS)账单带入 AWS Marketplace。该能力通过一条伴随 WebSocket 元数据连接上报计量记录,SageMaker AI 端点基础设施费用仍单独收取。

11月10日周二
  1. TechCrunch · AI42

    Spotify AI DJ 新增多种语音与个性,并可减少解说

    Spotify 为 AI DJ 新增可选的多种语音与个性,Premium 用户可在英语和西班牙语共九个新声音间切换,并能关闭歌曲之间的解说。该功能已覆盖超 95 个市场,AI DJ 目前有超 9400 万 Premium 用户使用。新语音于 11 月 10 日起向已支持市场的 Premium 用户推送。

  2. TechCrunch · AI40

    Otter.ai 新增多语言转写:可跨 30+ 种语言跟随对话

    Otter.ai 宣布扩展多语言能力,新增可在同一场会议中跟随说话人语言切换的多语言转写功能,并新增 27 种语言支持,全部上线后共支持 31 种语言。其中 13 种语言已可用,包括中文普通话、粤语、韩语、德语、意大利语等,其余 14 种即将推出。新语言基于 Otter 自研语音模型,使用公开数据集训练并由母语志愿者校对转写准确率。

11月6日周五
  1. Hugging Face Blog23

    Open ASR Leaderboard 新增埃及与尼日利亚英语口音私有数据

    Hugging Face 的 Open ASR Leaderboard 与 Liva AI 合作,新增埃及和尼日利亚两种英语口音的私有评测数据,时长分别为 1.34 小时和 1.55 小时,均为带标点、大小写和不流畅标记的对话式自发语音。榜单私有标签页现按 Kachru 三圈模型细分口音,区分美国与非美国、内圈与外圈及扩展圈。

  2. 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。

  3. TechCrunch · AI58

    Meta 向全美用户开放 Muse AI 虚拟形象视频通话

    Meta 宣布 Muse Voice 功能已向全美用户开放,用户可通过手机、网页和 Mac 与 AI 智能体 Muse 进行语音通话和视频聊天。该功能由 Muse Realtime Avatar 和 Muse Realtime Voice 技术驱动,虚拟形象默认是名为 Jolly 的动画角色,用户可自定义外观,对话时形象会配合语气做出细微表情和手势。

11月5日周四
  1. The Verge · AI36

    我的心理医生建议我把 Amazon Bee Frontier 扔出窗外

    Verge 编辑佩戴 Amazon Bee Frontier 进行心理治疗录音三周后,其心理医生要求她把这台设备扔出窗外。这款持续录音的 AI 可穿戴设备会转录并总结对话,但常把玩笑误记为事实,例如凭空生成六只猫的名字,还把童年创伤事件以"Reclaiming Reality from Manipulative Power"为标题做成摘要,让她不得不右滑确认为真。

11月4日周三
  1. AWS Machine Learning Blog38

    Cartesia 如何在 AWS 上构建超低延迟语音 AI 应用

    Cartesia 基于自研 State Space Model(SSM)架构的 Sonic 文本转语音与 Ink 语音转文字模型,在 AWS 上实现低于 100ms 的首字节延迟。Sonic 首音频字节约 90ms,支持 44 种以上语言、10 秒音频样本克隆音色;Ink 原生支持对话轮次检测与流式转写。两者面向实时语音智能体,可在 AWS 上部署以满足数据主权与合规需求。

11月3日周二
10月31日周六
10月30日周五
  1. TechCrunch · AI42

    Granola 推出听写功能,与 Wispr 正面竞争

    以会议记录工具起家的 Granola 上线听写功能,用户按 Fn 键即可在 Mac 任意应用中语音输入,工具会自动清理并格式化文本,且不限字数、免费使用。该功能将陆续登陆 iOS 和 Windows。此前 Wispr 已从听写工具扩展至会议记录,Fireflies、Speechify、Monologue 等语音应用也在走向多功能融合。

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。