←搜索结果

搜索“语音”

按匹配度 · 共 215 条结果 清除搜索

星期日

  1. 事件1 条新闻 · 1 个事实

    LiveKit 正式发布 Agent Simulations 语音智能体测试功能

    2026年10月9日,LiveKit 正式发布 Agent Simulations,面向所有 LiveKit Cloud 项目开放。该功能用 LLM 驱动的模拟用户跑完整个场景,再由 LLM 裁判按自定义预期给出通过或失败及原因,按任务而非逐轮对话测试。CLI 可读取智能体代码自动生成场景,文本模式默认运行并可在每次 pull request 时执行,音频模式覆盖背景噪声、打断和附和声,按更高费率计费。官方博客称 Serve AI 曾用它在切换流量前以一百通真实生产通话验证一次完整的智能体重写,10 月前免费使用。目前尚无后续发展事实。

    匹配字段标题

  2. 事件2 条新闻 · 1 个事实

    Suno推出语音生成功能Speech

    2026年10月2日,AI音乐生成平台Suno推出语音生成功能,可同时生成人声与背景音乐并合成为一条音轨。据The Verge AI报道,该功能以公开测试形式在网页端和移动端开放,提供Simple和Advanced两种模式:前者通过提示词描述场景,后者支持自定义脚本并调整AI声音性别、语音风格和生成多样性,最长时长约8分钟。Suno首席产品官Jack Brody表示测试版仍不完善,将根据用户反馈持续改进。同日,Suno官方发布消息回应beta版输出异常,称测试版期间可能会出现一些奇怪的输出,欢迎用户反馈以帮助改进。

    匹配字段标题

  3. 事件2 条新闻 · 2 个事实

    ElevenLabs介绍v4情感语音控制

    2026年9月28日,ElevenLabs介绍Eleven v4通过音频标签控制情感语音的方法:可在脚本中用[furious]、[sarcastic]、[crying]等Audio Tags逐句指定情绪,模型据此调整语气、节奏和停顿,并加入叹息、笑声等非语言声音。官方建议一次生成整段文本以建立场景上下文,TTS应用单次最多支持10,000字符,每个句段只用一个情绪标签,效果不理想时优先替换标签而非改写文本。同日,ElevenLabs发布Eleven v4及低延迟版本Eleven v4 Turbo,称其为目前最具情感表现力的文本转语音模型;Eleven v4在Artificial Analysis排名第一,盲测中约75%听众更偏好它;Eleven v4 Turbo面向智能体等低延迟场景,中位推理延迟约100ms,中位首次发声时间约150ms。两款模型支持90多种语言,可用[laughs]等内联标签控制语气与音效,Instant Voice Clones仅需10秒音频,并新增Professional Voice Clones支持,现已在ElevenAgents、ElevenCreative

    匹配字段标题

  4. 事件1 条新闻 · 1 个事实

    LiveKit发布Connectors语音连接器

    2026年9月1日,LiveKit发布Connectors语音连接器,在LiveKit房间与Twilio Programmable Voice、WhatsApp Business Calling之间建立直连。通话以普通参与者身份进入房间,无需配置SIP trunk或网关。Twilio通话会带上call SID和自定义TwiML参数作为参与者属性,WhatsApp来电以手机号作为参与者身份;连接器通话与SIP、网页会话一样出现在LiveKit Cloud仪表盘中。Connectors已在LiveKit Cloud正式可用,连接器分钟计费与SIP相同,Ship为每分钟0.004美元、Scale为0.003美元,各套餐分别包含5、20、100路并发连接器通话。

    匹配字段标题

  6. 事件1 条新闻 · 1 个事实

    xAI推出Custom Voices语音克隆功能

    2026年4月30日,xAI推出Custom Voices语音克隆功能。据xAI官方信息,用户录制约一分钟自然语音即可克隆自己的声音,并在两分钟内生成可用于生产的语音模型。该功能接入Grok Text to Speech和Voice Agent API,支持语音标签、多语言输出以及REST和WebSocket流式传输,使用自定义声音不额外收费。创建前需通过两阶段验证:先朗读验证短语由STT引擎实时比对,再比对说话人嵌入向量确认同一人,因此无法用已有录音或他人声音进行克隆。目前该功能已随发布上线,暂无后续发展事实。

    匹配字段标题

  7. 事件1 条新闻 · 1 个事实

    xAI发布Grok语音转文字与文字转语音API

    2026年4月17日,xAI发布两个独立音频API:Grok Speech to Text(STT)和Grok Text to Speech(TTS),基于驱动Grok Voice、Tesla车辆和Starlink客服的同一套技术栈。据xAI官方信息,STT支持REST批量转写与WebSocket实时转写,具备词级时间戳、说话人分离、多声道和逆文本归一化,覆盖25+语言,批量定价每小时0.10美元、流式每小时0.20美元;TTS支持[laugh]、[sigh]、[whisper]等语音标签控制语气与情感,定价每100万字符15.00美元。目前尚无后续发展事实,状态为发布当日。

    匹配字段标题

  9. 事件1 条新闻 · 1 个事实

    Cartesia发布语音代理开发平台Line

    2025年8月19日,Cartesia发布语音代理开发平台Line。该平台采用代码优先设计,开发者可通过SDK、CLI和GitHub集成快速构建和部署语音代理。Line集成Sonic和Ink模型,提供低延迟、可扩展的基础设施,并支持企业本地部署和模型微调。

    匹配字段标题

星期五

星期一

星期六

  1. 事件1 条新闻 · 1 个事实

    Google面向AI订阅用户推出Gemini语音新能力

    Google 面向 Google AI 订阅用户推出新的 Gemini 语音能力。用户可通过对话搜索 Gmail 收件箱、在 Keep 中整理想法和任务,以及创建新的 Docs。Sundar Pichai 特别提到 Docs Live 会比较实用,并附上演示视频和了解更多信息的链接。目前尚无后续发展事实。

    匹配字段标题

星期二

星期一

  1. 事件1 条新闻 · 1 个事实

    Pydantic AI 发布实时语音 Agent 支持

    2026年8月26日,Pydantic AI 发布实时语音 Agent 支持。据其官方文章,该支持采用 speech-to-speech 方式,通过统一的 provider-agnostic API 接入 OpenAI Realtime、Azure OpenAI、Gemini Live 和 xAI Grok Voice,中间不再有转写、生成、合成的流水线。语音会话复用同一个 Agent 对象,服务端工具、消息历史和 API key 都留在后端;浏览器场景可用 WebRTC 直连并在服务端以 sideband 接入,目前浏览器 WebRTC 支持 OpenAI 和 Azure OpenAI。语音与文本共享同一份消息历史,可把通话交给文本 Agent 做结构化抽取,也可用 message_history= 为语音会话续接此前的文本对话;会话的 token 用量、usage_limits 和 OpenTelemetry 追踪与文本运行一致。目前尚无后续发展事实。

    匹配字段标题

星期三

星期三

星期五

星期四

星期二