⌘ K
… 读取采集状态 同步中...
雷

#语音

今日 2 条
9月23日周三
  1. 机器之心50

    4亿副耳机等待AI改造：Hojo连接传统硬件与模型能力

    Hojo恒聚愿景为传统硬件供应链提供AI全栈支持，已深度对接超过10家合作伙伴，其中5家正式签约，年度计划出货量合计超500万台。面对年出货超4亿台的耳机市场，Hojo通过自研AI Stack和Agentic OS，帮助耳机、录音笔等设备实现录音转写、AI翻译等生产力功能，并解决软硬件协同与后续服务问题。

9月22日周二
9月21日周一
9月20日周日
  3. AIGC开放社区72

    千问发布 Qwen3.8-LiveTranslate 实时同声传译模型

    千问推出实时同声传译模型 Qwen3.8-LiveTranslate，支持 60 种语言、平均滞后 LAAL 2.3 秒。该模型引入实时说话人分离、原文与译文同步输出，并通过 Interleave 架构结合音频与图像输入，利用屏幕文字和唇形辅助理解。模型采用 Hybrid-MoE 的 Thinker–Talker 双模块设计，提供热词配置、声音克隆等能力，主要通过实时 API 开放接入。

9月18日周五
9月17日周四
  1. 钛媒体AGI43

    百度智能云提出产业智能体操作系统

    百度智能云在2026智能经济论坛提出产业智能体操作系统，旨在通过系统级架构连接企业数据、知识、流程及云资源，支撑通用、专业和定制三类智能体协同作业。该体系支持通过Skill和MCP接口接入现有系统，并提供全生命周期Agent API。泰康已部署该平台上线3500多个智能体，日均消耗Tokens达200亿。

  2. AIGC开放社区73

    Google 推出 Gemini 3.8 Live 系列，语音交互升级为实时双向任务助手

    Google 于 9 月 15 日推出 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，前者支持实时低延迟语音交互、音频流及 97 种语言自动切换，后者增加后台推理与异步工具调用以处理多步骤任务。两款模型已接入 Gemini API 和 Google AI Studio，将语音交互从单向问答转向支持连续对话与工具执行。

9月16日周三
  4. Google AI Blog42

    Gemini 3.5 驱动实时语音翻译覆盖 70 种语言，TranslateGemma 支持 55 种语言端侧离线运行

    Google 推出 Gemini 3.5 Live Translate，支持 70 种语言及 2,000 以上语言对的实时语音翻译。基于 1,200 万小时音频训练的 Universal Speech Model 利用跨语言迁移学习，支持“1,000 种语言计划”。TranslateGemma 家族提供 55 种语言的轻量级开源模型，实现无网络环境下的端侧高效翻译。

9月15日周二
9月13日周日
  1. AI信息Gap30

    菲尔兹奖得主预警 AI 数学错位，Gemini 杀入 Windows，DeepSeek V4.1 Flash 降价 60%

    DeepSeek 发布 V4.1 Flash 模型，将快速、专家、识图三模式合并，空闲时段缓存命中价格降至 0.02 元/百万 token，降幅达 60%。谷歌推出 Gemini Windows 原生桌面应用，支持 Alt+空格全局唤起，全球可用。25 位菲尔兹奖得主联名声明，警告 AI 公司追求解题速度而忽视概念理解，正在侵蚀数学共同体根基。

9月12日周六
  2. 苍何52

    网易有道发布免费 AI 语音 Agent 叭哥说，作者实测对比 Typeless 与微信输入法

    网易有道于 9 月 8 日上线首款 AI 原生语音 Agent 叭哥说，完全免费且不限额度，无需自行配置模型。实测中，叭哥说在口语整理时保留了更多原话风格，而在办公室极小声场景下识别准确率优于 12 美元/月的 Typeless。该工具将语音识别、跨语言翻译和文本输入串联，支持中译英直接写入当前输入框，并承诺语音加密传输且不留存数据。

9月11日周五
9月10日周四
  1. APPSO31

    苹果发布 Apple Watch Series 12 与 Ultra 4，引入“音频智能”与“准备指数”功能

    苹果发布 Apple Watch Series 12 与 Ultra 4，两款设备均搭载 S11 芯片，支持“准备指数”健康评估及“音频智能”功能。后者包含 Live Rewind 语音回溯和 Siri Recap 对话摘要，旨在构建个人智能中枢。Series 12 售价 2999 元起，Ultra 4 售价 6499 元起，均将于 9 月 18 日正式发售。

9月3日周四
  2. Google Gemini API Release Notes66

    Google Lyria 3.5 音乐生成模型正式版上线

    Google 正式发布下一代音乐生成模型 Lyria 3.5 正式版。该模型支持全曲生成，提升音乐连贯性与自然人声表现，提供细粒度时长与结构控制，接受文本与图像输入，并生成 44.1 kHz 立体声高保真音频。

    推荐理由：Lyria 3.5 正式 GA，用户可直接调用其全曲生成、44.1 kHz 立体声音频与更细时长的官方入口。

9月2日周三
  1. 智东西79

    Meta发布实时音频感知模型Muse Voice Transcribe

    Meta推出由超级智能实验室开发的首个实时音频感知模型Muse Voice Transcribe，提供实时流式自动语音识别（ASR），支持超过20位说话人分割及1小时长音频处理。

    推荐理由：原文明确指出该模型支持超过20位说话人和1小时长音频，并展示了在流式基准测试中的排名。

8月28日周五
  1. Hugging Face Blog45

    Open ASR Leaderboard 新增首个全球南方语言：印地语评测集

    Hugging Face 与 Voice Arena 合作在 Open ASR Leaderboard 引入印地语和印度英语评测集 Monsoon en-IN 与 Monsoon hi-IN。这是该榜单首个非欧洲语言，包含 4,888 名说话人，分为公开和私有分割以限制基准优化。评测集覆盖了 9 个变化维度，并记录 12 项说话人属性，旨在解决 ASR 误差率分布不均的问题。

8月27日周四
  1. AIGC开放社区84

    Google 发布新一代语音转写模型 Gemini 3.5 Transcribe

    Google 发布 Gemini 3.5 Transcribe 语音转写模型，支持 85 种以上语言，实时版延迟低于 1 秒，非实时版词错误率 2.6%。该模型通过 Gemini API 开放，具备智能转写功能可自动清理口误，一小时录音处理成本最低约 0.30 美元。

    推荐理由：原文提供了 Gemini 3.5 Transcribe 在延迟、准确率及实时与录音模式下的功能差异，有助于评估其在不同场景的可用性。

8月26日周三
  1. Google Gemini API Release Notes65

    Google 发布 Gemini 3.5 Transcribe 及 Live 实时语音转写模型

    Gemini 3.5 Transcribe 正式推出，包含两款专用语音转写模型。Gemini 3.5 Transcribe 支持 85 种以上语言的无流式高精度低延迟转写，提供说话人分离、词级时间戳及最多 1000 条自定义词汇偏置。

    推荐理由：官方提供了两款专用模型的能力差异与技术参数，便于开发者按非流式与流式场景选型。

8月25日周二
8月24日周一
  1. 深思SenseAI72

    Wispr 完成 2.8 亿美元 B 轮融资，估值 20 亿美元并推出 Canto 语音模型

    Wispr Flow 完成由 Menlo Ventures 领投的 2.8 亿美元 B 轮融资，估值达 20 亿美元，并同步发布自研语音模型 Canto。文章分析了 Wispr 从单纯的语音听写工具向 AI 意图入口转型的战略，通过高频输入建立个性化数据飞轮和上下文记忆，试图在输入框层构建拦截和调度各类 AI 模型的能力。

8月21日周五
  2. Hugging Face Blog46

    Hugging Face 研究量化语音识别基准优化现象

    Hugging Face 发布最新研究，引入三项测试量化语音识别模型中的“基准优化”现象。评估 11 个开源 ASR 模型发现，高分模型常在音频内容与基准转录不符时仍复现错误参考文本，甚至依赖声学线索识别基准来源。这表明现有分数可能高估了模型对通用语音的实际转录能力。

8月14日周五
  2. 量子位44

    音潮音乐大模型V4.0上线，正面挑战SUNO

    国产AI音乐团队音潮于8月14日全平台上线音潮音乐大模型V4.0，基于V3.5底层全方位重构，主打指令理解与人性化语义解读升级，正面挑战SUNO。V4.0新增俄、德、葡、意、法五大语种，实现全球十大主流语种全覆盖，并将原本仅面向B端的纯音乐生成能力开放给普通会员。同时推出音潮API Platform一站式开放平台，提供歌词生成、歌曲生成、歌曲仿写、歌曲扩写四大能力，目前处于限时免费试用阶段。

  4. 机器之心54

    音潮大模型 V4.0 发布：底层重构并新增五大语种

    音潮大模型 V4.0 于 8 月 14 日全平台上线，从底层重新训练而非在旧版上打补丁，核心变化集中在指令理解、情绪落地、曲风细分三个维度。V4.0 新增俄、德、葡、意、法五大语种，实现全球十大主流语种全覆盖，并将此前仅面向 B 端的纯音乐生成向普通用户开放。

8月11日周二
  1. Hugging Face Blog70

    NVIDIA Magpie TTS 多语言语音模型发布：开放权重与全部署控制

    NVIDIA 发布 Magpie TTS 多语言版本，作为 364M 参数开放权重模型支持 12 种语言，新增阿拉伯语、韩语和巴西葡萄牙语。模型通过帧堆叠和局部 Transformer 架构改进降低推理延迟，在 B200 GPU 单流场景下 Time to First Audio 仅为 32ms，开发者可利用开放权重在自管基础设施中定制并部署低延迟多语言语音 Agent。

    推荐理由：文章解析了 Magpie TTS 在降低延迟方面的架构改进与多语言支持现状，为构建可控的语音 Agent 提供了技术选型依据。