Vapi：为耳朵而设计——语音 AI 对话设计指南
Vapi 发布语音 AI 对话设计指南，指出语音 AI 落地最关键的一步是选对用例：密码重置、订单查询等以链接或验证码收尾的场景应留给聊天，而症状描述、账单争议等紧急或难以打字的场景才适合语音。文章给出拆分话轮、复述关键信息、压缩选项列表、逐项确认、约束开放式提问和设置重试上限等具体方法，其中一家公司借此将下游安置错误减少 30%，另一团队将平均通话时长缩短 40 秒。
匹配字段标题、摘要
←搜索结果
搜索“语音”
Vapi 如何用代码引导生成主页上的语音智能体
Vapi 主页运行着 15 个语音智能体，覆盖 3 类场景、5 种语言，它们并非在控制台逐个手工搭建，而是从一份 ROUGH_DRAFT.md 草稿出发用代码批量生成。其框架分 plan、draft、bootstrap、harden 四阶段，默认使用 OpenAI gpt-4.1（温度 0.5）、ElevenLabs 与 Deepgram nova-3 等组件，通过幂等 upsert 循环把状态存入 .env.local，重复运行不会重复创建。克隆仓库并配置 VAPI_PRIVATE_KEY 后运行 bun run bootstrap 即可复现。
匹配字段标题、摘要
Gemini 3.5 Live Translate 发布，支持 70 多种语言近实时语音互译
Google DeepMind 发布 Gemini 3.5 Live Translate，可自动识别 70 多种语言并持续生成近实时译音，同时保留说话者的语调、节奏和音高。该模型仅落后说话者数秒，支持嘈杂环境和多语言输入。它正向 Android、iOS 版 Google Translate 全球推送，Google Meet 将于本月面向部分企业 Workspace 客户开启私密预览。
匹配字段标题
Higgs Audio v3 TTS 在 SGLang-Omni 上实现端到端实时语音服务
Boson AI 的语音合成模型 Higgs Audio v3 TTS 已在 SGLang-Omni 上实现端到端服务，支持 100 种语言达到个位数 WER/CER，并可通过输入文本中的控制标签调节情绪、风格、语速和音效。该模型约 4B 参数，基于 Qwen3-4B 骨干，采用多阶段解码架构，专为流式对话语音智能体设计。
匹配字段标题、摘要
微软发布 MAI-Voice-2 语音模型，支持 15 种语言与情感控制
微软 AI 发布文本转语音模型 MAI-Voice-2，从仅支持英语扩展到 15 种语言，并新增 sad、whispered、excited 等情感标签控制。该模型支持用 5-60 秒参考音频做零样本声音克隆，在对比测试中被 72% 的偏好选择优于前代 MAI-Voice-1，现已上线 Microsoft Foundry，并正在集成进 VSCode 和 Dynamics 365 Contact Center。
匹配字段标题、摘要
微软 AI 发布七款新 MAI 模型，覆盖推理、编码、图像、语音与转录
微软 AI 发布七款自研 MAI 模型，覆盖图像、语音、转录、编码与推理，包括旗舰推理模型 MAI-Thinking-1、面向 GitHub Copilot 的 MAI-Code-1-Flash、MAI-Image-2.5、MAI Transcribe-1.5 和 MAI-Voice-2。MAI-Thinking-1 在盲测人工对比中优于 Sonnet 4.6，MAI Transcribe-1.5 支持 43 种语言且速度是竞品的五倍，MAI-Image-2.5 的 Arena 分数超过 Nano Banana Pro。模型将在 Foundry、OpenRouter、Fireworks 和 Baseten 上提供，开发者首次可以自行微调模型权重；微软同时宣布与 Mayo Clinic 合作共建医疗前沿模型。
匹配字段标题、摘要
Microsoft 发布 MAI-Transcribe-1.5 语音转写模型
Microsoft 发布 MAI-Transcribe-1.5 多语言语音转写模型，语言覆盖从 25 种扩展到 43 种，在 FLEURS 基准上取得 43 种语言的最佳词错误率，Artificial Analysis 榜单 WER 为 2.4%、排名第 3。该模型一小时音频转写耗时不到 15 秒，长音频速度最高为 Gemini 3.1、Scribe v2、GPT-4o-Transcribe 的 5 倍，并新增关键词偏置功能，在 FLEURS 上可将 WER 最多降低 30%。模型已接入 Copilot、Teams、GitHub 和 Dynamics 365 Contact Centre，并在 Foundry 与 MAI Playground 提供。
匹配字段标题、摘要
Together AI 如何构建全球最快的语音转文字技术栈
Together AI 优化 ASR 全链路，使 NVIDIA Parakeet-TDT 0.6B v3 可在不到 10 秒内转录约 20 小时语音，并与 OpenAI Whisper Large v3 一同成为 Artificial Analysis 排名中延迟最低的两款模型。其方案采用多配置 TensorRT、条件 CUDA 图、Unix 域套接字、共享内存和 epoll，解码器提速 2–3 倍。通过 gc.freeze() 排除预分配对象的 GC 扫描后，约 200 ms 的 p95 延迟尖峰也随之消失。
匹配字段标题、摘要
让账算得过来：把语音 AI 接入 ACCESS 项目
Vapi 提出用语音 AI 承接 ACCESS 慢性病管理项目的工作流，理由是 65% 的患者在复杂健康对话中仍选择语音，Hiya 2025 报告显示医疗场景语音偏好从 33% 升至 42%。Spring Venture Group 用 Vapi 语音智能体自动完成 Medicare 线索资格审核，4 名工程师一周上线，转成交率提升 3%，节省与新增收入合计超 580 万美元。
匹配字段标题、摘要
Vapi 完成 5000 万美元 B 轮融资，语音 AI 智能体已处理超 10 亿通电话
Vapi 宣布完成 5000 万美元 B 轮融资，由 Peak XV 领投，YC、M12、Kleiner Perkins 等参投，总融资额达 7200 万美元。过去一年其企业收入增长 10 倍，智能体累计处理超过 10 亿通电话。Amazon Ring 在两周内从评估转为将全部呼入电话交由 Vapi 运行，且 CSAT 有所提升。
匹配字段标题
Together AI Voice Finder 可搜索 10 个 TTS 模型的 600+ 种语音
Together AI 推出 Voice Finder，开发者可通过自然语言描述或上传音频样本，搜索并比较 10 个 TTS 模型中的 600+ 种语音。系统使用 omni-model 为每种语音生成涵盖音高、口音、语言、情绪等 15+ 个维度的元数据，支持排序推荐、试听和筛选；其语音智能体平台端到端延迟低于 500ms。
匹配字段标题、摘要
xAI 推出 Custom Voices，可克隆声音并接入 Grok 语音 API
xAI 推出 Custom Voices，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。
匹配字段标题、摘要
Sakana AI 发布 KAME：实时语音对话的串联架构，让 AI 边说话边思考
Sakana AI 提出 KAME（Tandem Architecture for Enhancing Knowledge）架构，被 ICASSP2026 接收，让语音到语音模型负责快速响应、后端 LLM 异步生成候选回答并作为“oracle”信号实时注入，把范式从“先想后说”变为“边说边想”。后端 LLM 可自由替换 GPT-4.1、Claude Opus 或 Gemini 2.5 Flash，实验中 Claude 在推理类任务得分更高，GPT 在人文类任务表现更好。
匹配字段标题、摘要
小米开源语音识别模型 MiMo-V2.5-ASR
小米 MiMo 开源 MiMo-V2.5-ASR，作为 MiMo-V2.5 语音系列的识别基础模型，面向中英文真实语音场景。官方称其覆盖吴语、粤语、闽南语、四川话等中文方言，以及 AMI 等复杂英文音频、中英混说、中英文歌词识别、高噪声与远场、多说话人会议与重叠对话，并可直接生成标点无需后处理。官方表示该模型在中英文、方言、混说和歌词识别上达到 SOTA 或具备较强竞争力，Demo、代码、权重和 Hugging Face Space 均已开放。
匹配字段标题、摘要
小米 MiMo 发布 MiMo-V2.5 Voice 语音系列，开源 MiMo-V2.5-ASR
小米 MiMo 发布 MiMo-V2.5 Voice 语音系列，包含 MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign 和 MiMo-V2.5-TTS-VoiceClone 三款 TTS 模型，并开源 MiMo-V2.5-ASR。TTS 系列支持指令跟随、内联音频标签控制和文本理解，VoiceDesign 可用自然语言描述生成全新音色，VoiceClone 只需几秒参考音频即可高保真克隆音色。ASR 覆盖中英双语、中文方言、语码转换、噪声环境、多说话人和歌词识别，并原生生成标点。TTS 系列在小米 MiMo API 平台限时免费，MiMo TTS Skills 已开源以便集成到智能体应用。
匹配字段标题、摘要
小米发布 MiMo-V2.5-ASR 语音识别模型
小米 MiMo 推出 MiMo-V2.5-ASR，作为 MiMo-V2.5 语音系列的听觉基座，面向中英文真实场景识别，覆盖吴语、粤语、闽南语、四川话等方言、AMI 等复杂英文音频、中英混说、歌词识别、高噪声与远场、多人重叠对话及诗词术语等知识密集语音，并原生输出标点无需后处理。官方称其在中文、英文、方言、混说和歌词识别上达到 SOTA 或极具竞争力。
匹配字段标题、摘要
小米发布 MiMo-V2.5-TTS 系列语音模型
小米 MiMo 发布 MiMo-V2.5-TTS 系列语音模型，包含内置高质量音色的 MiMo-V2.5-TTS、用自然语言描述生成全新音色的 VoiceDesign，以及只需几秒参考音频即可克隆音色的 VoiceClone。三款模型共享三项能力：可靠遵循情绪、语气、节奏与风格等指令，支持在文本中插入音频标签精确控制情绪与状态，以及仅凭纯文本理解停顿、情绪转折和角色线索。VoiceClone 无需额外训练或微调，并能保留呼吸、节奏和停顿等个人细节。
匹配字段标题、摘要
xAI 发布旗舰语音模型 grok-voice-think-fast-1.0
xAI 发布旗舰语音模型 grok-voice-think-fast-1.0，主打复杂多步工作流中的高精度数据录入与高频工具调用，原生支持 25 种以上语言。该模型在评估全双工语音智能体的 τ-voice Bench 榜单上排名第一，并在 Starlink 电话销售与客服中落地，销售询单转化率 20%、客服自主解决率 70%，单个智能体调用 28 个工具。
匹配字段标题、摘要
xAI 发布 Grok 语音转文字与文字转语音 API
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。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 $0.10 每小时、流式 $0.20 每小时；TTS 支持 [laugh]、[sigh]、[whisper] 等语音标签控制语气与情感，定价 $15.00 每 100 万字符。
匹配字段标题、摘要
Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型
Google DeepMind 推出 Gemini 3.1 Flash TTS，通过 audio tags 精细控制语音风格、节奏和表达，并支持 70 多种语言及原生多说话人对话。该模型在 Artificial Analysis TTS 排行榜获得 1,211 Elo 分，正逐步上线 Google AI Studio、Vertex AI 和 Google Vids；生成的音频均带有 SynthID 水印。
匹配字段标题、摘要