⌘ K
… 读取采集状态 同步中...
雷

#语音

今日 0 条
10月12日周一
  2. MarkTechPost52

    TII 发布 Falcon-ASR：1.6B 阿拉伯语语音模型 WER 低至 20.92%

    阿布扎比技术创新研究所（TII）发布 Falcon-ASR，一款 1.6B 参数的阿拉伯语语音识别模型，平均词错误率（WER）达 20.92%，在 TII 内部评测中优于现有最佳模型 2.25 个百分点。该模型支持阿联酋方言及英、法、西、葡语，输出包含词级时间戳，目前仅提供 Hugging Face 演示版，未开源权重。

10月11日周日
  1. TechCrunch · AI27

    PolyAI 与 Otter 高管：语音 AI 尚未迎来其 ChatGPT 时刻

    PolyAI CTO Shawn Wen 与 Otter CMO Alex Gay 认为语音 AI 尚未达到“ChatGPT 时刻”。尽管全双工模型已实现，但行业仍面临推理速度不足及自动语音识别（ASR）准确性缺失的挑战，导致对话不自然且转录错误。Otter 强调，在会议记录场景中，需通过改进 ASR 模型和增强透明度（如明确告知 AI 存在）来建立用户信任，避免因转录错误影响下游任务。

10月9日周五
  1. 新智元41

    墨尔本大学与新南威尔士大学团队提出多会话语音记忆基准VoxMem

    墨尔本大学与新南威尔士大学团队发布多会话语音记忆基准VoxMem，包含3,196个评测实例及34,743个语音会话。评测显示，15个音频大模型在32K历史长度下整体准确率均低于40%，其中追踪语气与背景声变化的准确率仅为3.4%和1.2%。研究指出，模型在“说了什么”的记忆远优于“谁说的、怎么说的”，且长历史导致证据检索难度显著增加。

10月8日周四
  1. Hugging Face Blog46

    Falcon-ASR 发布：1.6B 参数多语言语音识别模型

    TII 发布 1.6B 参数语音识别模型 Falcon-ASR，重点优化阿联酋方言，支持英语、法语、西班牙语和葡萄牙语。该模型在六个阿拉伯语测试集的平均 WER 为 20.92%，优于最佳公开结果的 23.17%；内部阿联酋方言评测 WER 为 22.73%，CER 为 10.19%。目前已提供 Hugging Face Demo Space 供用户体验，API 接入和原生应用正在规划中。

10月7日周三
  2. The Verge · AI44

    苹果与谷歌探索“不存储”AI 硬件，技术界争论“录制”定义是否应改变

    Apple 和 Google 正在开发利用 AI 处理视觉数据但不保存视频录制的硬件，如 Apple 智能家居摄像头和 rumored AirPods。Apple 称此类功能仅生成文本摘要且原始数据在处理后删除，不保存音频。这种技术挑战了传统“录制”定义，引发关于隐私、数据保留及用户知情同意的新争议。

10月6日周二
10月5日周一
10月4日周日
  1. 极客公园75

    Tavus 发布 Griffin 模型：全双工视频交互让 48% 用户误以为是真人

    Tavus 发布 Griffin 模型，定义为全球首个「人类交互模型」（HIM）。该模型采用全双工、视频到视频架构，在一分钟测试中 48% 的参与者误认为对面是真人。其核心突破在于端到端处理视觉与听觉信号，平均延迟 0.43 秒，并能在 NVIDIA VideoFDB 基准的生成赛道领先竞品。

    推荐理由：文章拆解了 Griffin 全双工视频到视频架构的延迟数据，并客观指出了其测试样本与图灵测试定义间的统计局限。

  3. Google AI Developers Blog55

    Google ADK 发布实时语音 Agent 评测功能

    Google ADK 新增原生实时评测功能，支持通过模拟用户以语音驱动 Live Agent 并评分，在现有文本评测循环中实现。开发者可构建评估用例、配置 TTS 模型与评测指标，运行 `adk eval` 命令后将结果同步至 ADK Web，查看逐轮音频与文本转录，便于在 CI/CD 中验证语音 Agent 行为。

10月3日周六
10月2日周五
10月1日周四
  1. 机器之心35

    openJiuwen WorkSwarm 全双工多模态交互特性首发

    openJiuwen 首发 WorkSwarm 全双工多模态能力，实现“像聊天一样”与 Agent 交互。该特性基于昇腾算力原生亲和设计，使复杂 agent 任务在后台运行，同时对话在前台继续。实时模型与 Core Agent 按两种节奏配合，支持助手在回应“我查一下”等语句后继续调用工具办事。

9月30日周三
  1. Hugging Face Blog50

    Hugging Face 发布 Open TTS Leaderboard，基于客观指标评估多语言开源 TTS 与语音克隆

    Hugging Face 推出 Open TTS Leaderboard，使用 Qwen3 ASR 的 WER 及 H200 GPU 上的 RTFx 等客观指标，替代部分人工投票评估开源多语言 TTS 模型。该榜单支持语音克隆相似度（SIM）评测及流式 TTFA 性能对比，旨在解决开源 TTS 模型在现有竞技场中占比低及评估标准碎片化的问题，评测耗时从数周缩短至数小时。

  3. InfoQ CN48

    火山引擎发布全新语音内容编辑模型：支持自然语言指令修改音视频语音

    火山引擎多媒体实验室推出指令驱动的语音内容编辑模型。该模型支持用户通过自然语言指令直接修改语音中的具体信息，如口播纠错或广告改词，避免整段重新录制。技术在音频 Token 化与 CoT 语义规划架构基础上实现局部再生成，可保持原说话人的音色和韵律特征。

9月27日周日
9月25日周五
  3. 新智元81

    网易有道开源R2T2与T3PO，登顶Hugging Face语音与翻译热榜

    网易有道开源真流式语音识别模型R2T2和流式翻译模型T3PO，发布5天内双双登顶Hugging Face语音识别与翻译Trending榜。R2T2在160ms延迟下中文字错率仅为3.48%，相比Whisper的伪流式方案显著降低了输出反悔风险，适合Voice Agent场景。

    推荐理由：原文通过对比Whisper展示了R2T2在低延迟下的准确率优势，并验证了T3PO的翻译能力，揭示了流式语音Agent的关键技术路径。

  5. Microsoft Azure AI Blog66

    Microsoft Foundry 推出语音智能体与持续优化功能

    Microsoft Foundry 新增语音智能体功能（公开预览）与持续优化能力，支持 80 多种语言，可将生产链路数据用于自动评估和优化智能体质量与成本。新增 GPT-6 系列与 Claude Opus 5.5 模型，并推出 Toolboxes 工具搜索、A2A 协议和 Routines 定时调度等通用可用功能。

    推荐理由：Foundry 新增语音智能体与持续优化闭环，让团队在保留现有资产的前提下，用生产数据迭代提示词、工具与模型选型。

9月24日周四
  1. 量子位35

    TurboT2VA 实现 54 倍音视频生成加速

    TurboT2VA 团队推出联合蒸馏方案，将 LTX-2 模型的 40 步教师蒸馏为 4 步学生，在 1024×1792 分辨率下实现 54.67 倍生成器加速。该方法通过三阶段课程训练及量化策略，将生成耗时从 318.74 秒降至 5.83 秒，同时显著提升了 Javis Score 指标。

  2. 新智元89

    ChatGPT语音模式接入GPT-6与Work，支持语音执行插件和办公任务

    OpenAI为ChatGPT语音模式接入GPT-6家族模型和ChatGPT Work功能，实现通过语音指令直接操作邮件、日历、制作PPT及搭建网站。用户可通过语音使用插件，免费用户可使用桌面端Luna模型，Plus会员享有24小时3小时的语音时长额度。

    推荐理由：原文通过演示场景展示了语音直接调用插件和Work功能，读者可以直观理解免键盘交互的具体工作流变化。

9月23日周三
  3. 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