什么是 IVR？交互式语音应答系统详解
IVR 通过按键输入或基础语音识别自动接听电话、播报菜单，并将来电转接至相应部门或处理简单请求。它能缩短等待时间、降低单次通话成本并提供全天候服务，但僵化菜单和识别错误会损害体验；对话式 AI 则以开放对话取代传统按键菜单。
匹配字段标题
←搜索结果
搜索“语音”
Gemini 语音能力上线，可对话式搜索 Gmail、整理 Keep 并创建 Docs
Google 正在向 Google AI 订阅用户推送新的 Gemini 语音能力，用户可以通过对话搜索 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，并附上了演示视频和了解更多信息的链接。
匹配字段标题
微软发布 MAI-Transcribe-2 语音识别模型
微软发布 MAI-Transcribe-2 语音识别模型，称其在 FLEURS 基准 60 种语言上平均词错误率为 5.2%，并在 Artificial Analysis 准确率与延迟帕累托前沿居首。该模型支持说话人分离、词级时间戳、关键词偏置、可配置转写风格和语码转换，官方称比 OpenAI GPT-Transcribe 快 10 倍、比 ElevenLabs Scribe v2 快 7 倍、比 Gemini 3.5 Transcribe 快 5 倍。模型已在 Microsoft Foundry、MAI Playground 和 Open Router 提供试用，年底前限时定价为每小时 0.10 美元。
匹配字段标题
AI 语音智能体如何区分真人接听与语音信箱
Vapi 发文解释 AI 语音智能体如何通过语音信箱检测（AMD）区分真人接听与录音，核心信号是静默、问候语长度和节奏等时序特征，而非音色本身。智能体需在接通后约 3 到 5 秒内完成分类，2026 年一篇 arXiv 预印本显示仅靠时序特征即可媲美提示音和关键词方案且延迟更低。Vapi 支持选择检测服务商、调整时序，并在真人接听时切回对话。
匹配字段标题
LiveKit 推出非生产部署：用同一镜像测试语音智能体
LiveKit 为非生产部署（non-production deployment）上线新能力：智能体可在同一项目下以不同名称运行与生产相同的容器镜像，共享密钥，通过 --deployment 标志切换，创建只需一条命令。非生产部署空闲时休眠且不计费，唤醒后算力并入现有账单；需 livekit-agents 1.6+（Python）或 @livekit/agents 1.7.1+（Node）。该功能在 Ship 及以上套餐可用，每个智能体分别允许 2 个（Ship）和 5 个（Scale）非生产部署。
匹配字段标题
Meta 发布 Muse Voice Transcribe 实时语音转写模型
Meta 发布 Muse Voice Transcribe，这是 Meta Superintelligence Labs 的首个实时音频感知模型，今日起通过 Meta Model API、Meta AI for Mac 和 Muse Code 提供。该模型支持实时流式 ASR、20 人以上说话人分离和端点检测，多语言并支持无缝语码切换，可通过语言、关键词和上下文偏置提升准确率。它属于 Muse Spark 家族的自回归多模态 LLM，音频按 80ms 分块（12.5 Hz）处理，每块一个 token，并用词错误率与延迟奖励的 RL 实现自适应延迟。
匹配字段标题
Meta 发布 Muse Voice Transcribe 实时语音模型
Muse Voice Transcribe 是 Muse Spark 系列的自回归多模态 LLM。 音频以 80ms 分块（12.5 Hz）处理，每块一个 token，模型在每个分块决定是继续听还是输出文本。 结合词错误率和延迟奖励的 RL 赋予其自适应延迟：在难词上等待更久，在易词上更早确定，逐词权衡准确率与延迟。
匹配字段标题
Meta 推出 Muse Voice Transcribe 实时语音模型
借助自适应延迟，Muse Voice Transcribe 在以最终转写时间为衡量标准的速度-准确率权衡上达到了帕累托前沿。
匹配字段标题
LiveKit 发布 Connectors，让语音智能体接入 Twilio 与 WhatsApp 通话
LiveKit 发布 Connectors，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、Scale 为 $0.003，各套餐分别包含 5、20、100 路并发连接器通话。
匹配字段标题
Cartesia 发布语音模型 Sonic-3.6
Cartesia 发布语音模型 Sonic-3.6，在 15 个地区的盲测中听众偏好度最高达 93%，并在 Artificial Analysis 排行榜的 controlled 和 provider voice 两个榜单上均排名第一。该模型支持 44 种语言，新增 Odia 和 Urdu，并改进了口音保持和 Hinglish 代码切换能力。
匹配字段标题
Google 发布 Gemini 3.5 Transcribe 语音转文字模型
Google 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，支持 85 种以上语言，具备智能纠错和自定义词汇功能。作者用该模型开发了一个类似 Wispr Flow 的应用，并公开了演示和开源代码。
匹配字段标题
Gemini 3.5 Transcribe 语音转文字模型发布
了解更多，开始构建： https://t.co/JaOZzmktiB
匹配字段标题
Google 发布 Gemini 3.5 Transcribe 语音转文字模型
Google AI Developers 发布 Gemini 3.5 Transcribe，一款面向代码场景的语音转文字模型，可在转写时过滤口语中的犹豫停顿，并依据当前上下文精确对齐技术术语、文件名和代码变量。该模型通过视觉偏置为复杂开发者工作流提供屏幕感知上下文，官方同时给出了开始构建的入口链接。
匹配字段标题
LiveKit接入Grok语音模型
在 LiveKit 中使用 Grok Voice 模型，构建实用的语音智能体，并全面支持 ZDR。
匹配字段标题
Pydantic AI 上线实时语音智能体
Pydantic AI 发布实时语音智能体支持，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。
匹配字段标题
Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文本模型
Google DeepMind 发布 Gemini 3.5 Transcribe，一款面向实时转写的语音转文本模型，已在 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform 向开发者开放。相比此前的 Chirp 3，其最终转写时间据 Artificial Analysis 测量提升 70%，在 FLEURS 基准上流式模式 WER 为 5.50%、非流式模式为 5.04%，并支持多说话人区分、词级时间戳和实时语言切换。该模型同时接入 Gboard、Antigravity、Gemini app 和 Chrome 等产品，LangChain、LiveKit、Vercel 等平台通过 Gemini Live API 提供支持。
匹配字段标题
自建还是采购：Vapi 解析语音智能体的真实决策
Vapi 博客以一家为医院提供 Medicare 预约排程的软件公司为例：其自建语音智能体六周做出单路通话 demo，但扩展到 200 路并发后，团队花了一整季度处理基础设施问题，第六个月预算耗尽，最终发现语音智能体本身只占约 20%，其余 80% 是管道与基础设施。文章认为，选择自建语音智能体实质是在决定是否自建编排层，涉及实时音频、语音识别与合成多供应商故障切换、SIP 中继与编解码等电话技术，以及打断处理、轮次检测和状态管理。
匹配字段标题
LiveKit 如何排查语音智能体对短语音（"yes"、"no"）无响应的问题
LiveKit 发文梳理语音智能体对 "yes"、"no"、"ok"、"42" 等短语音无响应的常见原因：STT 未生成 final_transcript 时回合无法关闭，而 EOU 需要 final_transcript 与 end_of_speech 同时具备。文章建议不要过度缩短 endpointing 延迟，并给出新增的 transcription_timeout 设置用于优雅恢复，以及排查噪声抑制误杀短语音的步骤。
匹配字段标题
Hugging Face 研究：语音识别模型存在基准优化行为
Hugging Face 发布研究，用共识分歧、掩码实体检索和拼写切换三类探针测试语音识别模型，发现部分模型会依据声学线索识别基准来源并复现参考文本中的错误。在 VoxPopuli 上，方法标记出约 40% 测试片段可能存在参考错误，涉及约 3% 的参考词；表现基准优化的模型有 18–30% 的概率复现错误参考文本，且 WER 最低的模型反而最容易复现这些错误。在 LibriSpeech 上，部分强模型在数字被静音后仍有约 30–40% 的样本还原出被掩码的数字，拼写切换探针中多个模型超过 50% 随机基线，部分达到约 90% 切换准确率。研究建议使用完全留出的评测集，Open ASR Leaderboard 已新增 Benchmark fitting 标签页，相关脚本与未归一化模型输出已在 GitHub 开源。
匹配字段标题
如何评估最佳 AI 语音客服智能体：Vapi 提出七项标准
Vapi 发布一套七项评估标准，用于区分可量产的 AI 语音客服智能体与仅演示可用的原型，涵盖问题解决率、实时语音质量、系统内执行动作、升级转人工、模型灵活性、生命周期信任与平台控制。文章引用 ContactBabel 数据称，复杂交互场景下的电话偏好从 2018 年的 28% 升至 2024 年的 47%，并指出行业平均首次解决率约 70%、世界级水平为 80% 以上。Vapi 将自身定位为团队自有、模型无关的平台层，内置解决率与生命周期控制。
匹配字段标题