Gemini 如何为无法书写的学生发声
一位特殊教育教师用课堂 Chromebook 上的 Gemini 为无法阅读的学生生成简单视觉指南，并让无法书写的学生通过语音提示与 Gemini 对话、生成自己的图像来表达想法。她正与同事一起构建一款 AI 应用，用于统一特殊教育规划与课程编排。
匹配字段摘要
←搜索结果
搜索“语音”
ElevenLabs 详解带时间戳的音频转写：词级时间戳如何工作
ElevenLabs 介绍了其 Scribe 模型的原生词级转写能力：模型在单次 API 调用中直接输出带时间戳的结构化 token 数组，每个 token 标记为 word、spacing 或 audio_event，可识别笑声、掌声等非语音事件，无需二次强制对齐。Scribe 的词级转写最多支持 5 个声道，各声道独立转写，可用于字幕、可搜索音频档案和自动社交切片等场景。
ElevenLabs 介绍了其 Scribe 模型的原生词级转写能力：模型在单次 API 调用中直接输出带时间戳的结构化 token 数组，每个 token 标记为 word、spacing 或 audio event，可识别笑声、掌声等非语音事件，无需二次强制对齐。Scribe 的词级转写最多支持 5 个声道，各声道独立转写，可用于字幕、可搜索音频档案和自动社交切片等场景。
匹配字段摘要
Google 2026 年 9 月 AI 更新汇总：Gemini 4 Argon 领衔
Google 发布 9 月 AI 更新汇总，最新前沿模型 Gemini 4 Argon 主打高级推理与 100 万 token 输出上限，面向网络安全防御，目前通过 Fairwind Program 向受信任的防御方逐步开放。同期还推出 Gemini 3.8 Flash 与 3.8 Flash Cyber、Gemini 3.8 Live 语音模型、Lyria 3.5 音乐生成模型，并将 Gemini 应用带到 Windows。
匹配字段摘要
Vapi 向所有客户开放 GPT-Live 测试版
Vapi 宣布 GPT-Live 测试版向所有 Vapi 客户开放，此前仅限上月开始的限量测试与等待名单。GPT-Live 是 OpenAI 的全双工语音到语音模型，在 Vapi 上分为 speaker 和 reasoner 两个角色，speaker 全程保持通话并在需要查询或执行操作时把任务交给 reasoner，交接条件由提示词控制。迁移时需把原有单一系统提示词拆成 speaker 与 reasoner 两份，转写配置取消，语音改用 OpenAI 的 22 种音色，电话、工具、测试和可观测性等下游能力保持不变。
匹配字段摘要
Google 在 Gemini Live 上线 Guided Vision 实时视觉描述功能
Google 在 Gemini Live 中推出 Guided Vision，可在兼容 Android 设备上通过共享摄像头，对镜头所拍内容进行实时语音描述，支持读取小字、描述周围环境、寻找或识别物体等。该功能面向盲人、低视力用户及需要特定场景协助的人群，同时可在 Google TalkBack 中使用，Android 9 及以上设备可在设置中配置无障碍快捷方式。Google 提醒不要将其用于导航、安全出行指引或障碍物检测，也不能替代手杖或行动辅助工具。
匹配字段摘要
Tavus 推出实时视频对话模型 Griffin，48% 测试者误认其为真人
Tavus 推出名为 Griffin 的 Human Interaction Model，可在实时视频通话中同时接收和生成语音、面部表情、语气、手势与停顿。Tavus 研究显示，48% 的参与者在一次一分钟视频通话后认为 Griffin 是真人，此前系统最高为 2%。在 Tavus 称为 Nvidia 独立测试的拟人度评分中，Griffin 得 3.83 分，真人为 3.92 分，此前最佳 AI 模型为 2.80 分。名为 Griffin-Lite 的预览版已向部分测试者开放，能力更强的版本将在安全问题解决后推出。
匹配字段摘要
车载实体机器人为何在2026年集中爆发
作者竺大炜在橙竹洞见撰文分析，车载实体机器人在2026年集中出现，真正驱动力是智能座舱在屏幕、芯片和语音上日趋同质化，实体形象成为差异化载体，而非大模型成熟。文中对比三条路径：小米智能表盘2适配SU7、SU7 Ultra、YU7等车型，吉利Eva于2026年5月开启预售、报道定价1099元，荣威家越07把豆包屏与豆包座舱助手纳入整车方案。作者还提到2026年春运期间淘宝多款约200元车载AI机器人销量显示1万+，并认为长期价值取决于能否真正融入整车交互生态。
匹配字段摘要、正文
xAI 发布实验性 TypeScript SDK
eric zakariasson 宣布 xAI 发布实验性 TypeScript SDK，可通过 npm install @xai-official/sdk 安装，在一个 SDK 中调用文本、语音、图像和视频能力，使用最新的 Grok 模型，并支持实时 X 搜索、网页搜索、代码执行和远程 MCP 等服务器端工具。Roshan Sadanani 转述称“我们有了新的 TS SDK”。
匹配字段摘要
Google 在 Gemini Live 上线 Guided Vision 实时视觉辅助
Google 在兼容 Android 设备上为 Gemini Live 推出 Guided Vision，用户共享摄像头即可获得实时语音描述和取景提示。该功能与盲人和低视力社区共同开发，Google 与 Aira 合作处理了数万小时视觉解读数据，超过 1000 名 Aira 测试者参与压力测试与安全护栏评估。Google 说明它属于辅助工具，可能出错，不是医疗设备、行动辅具或白手杖替代品，也不用于导航和避障。
匹配字段摘要
OpenAI 发布 Dots 智能体，仅限每月 100 美元 Pro 及以上用户
OpenAI 在年度 DevDay 上发布由 GPT-6 Astra 驱动的智能体 Dots，目前仅向每月 100 美元的 Pro 及以上订阅用户开放，而 Meta 的 Muse 对所有 Meta 账号免费。Dots 被定位为可承接长周期知识工作的“幕僚长”，支持文本、语音和电话多模态交互，并计划推出会计、法律等专业版本，同时与 Microsoft 合作接入 Agent 365。Altman 称 Dots 因算力消耗大而先做高端产品，未来会推出面向数十亿人的大众版本。
匹配字段摘要
助听科技初创公司 Legato 推出 AI 助听眼镜 Legato Frames
助听科技初创公司 Legato 宣布其旗舰 AI 助听眼镜 Legato Frames 正式开售，起售价 999 美元，面向轻中度听力损失成年人。该眼镜把助听技术集成在镜腿中，用 AI 区分人声与背景噪声并放大语音，双扬声器系统将声音导向佩戴者，耳外几英寸处声音可降低 99%。全部处理在眼镜端完成，不含摄像头与录音，整机含镜片重 34 克，续航 10-12 小时，提供三种款式并支持处方镜片与蓝牙音频。Legato 由前 Bose 高管 Mehul Trivedi 和 Steve Romine 于 2024 年创立，此前完成 1200 万美元融资。
匹配字段摘要
ElevenLabs 在荷兰设立阿姆斯特丹办公室
ElevenLabs 正式进入荷兰市场并在阿姆斯特丹开设办公室，任命 Goswijn Thijssen 领导当地团队，并计划今年将荷兰团队规模扩大两倍。荷兰最大电信公司 KPN 部署其语音智能体后，邮编识别准确率从 64% 提升至 82%，验证智能体已扩展至每周约 6 万通电话、成功率 62%。目前平台上有 100 个荷兰语声音，客户已生成超过 2 亿条音频片段。
匹配字段摘要
NVIDIA Nemotron 3.5 ASR 微调适配沙特阿拉伯方言
NVIDIA 用 NeMo 框架对 Nemotron 3.5 ASR 进行微调，在 133.7 小时 Najdi 和 Hijazi 语音上把词错误率从 55.05% 降至 29.96%，同时英语 WER 从 11.04% 改善到 10.42%，其他阿拉伯方言未退化。方案结合最小化数据筛选、与 FLEURS 数据的加权回放混合、按长度分桶和部分编码器解冻；改用 13 帧前瞻注意力上下文与 beam-8 MALSD 解码可在不重训的情况下再降 2.71 个绝对点 WER，代价是约 800 ms 延迟。
匹配字段摘要
字节 Seed 发布 Seed Audio 1.0 音频创作模型
字节 Seed 发布 Seed Audio 1.0，这是一个在统一框架内生成语音、音效、环境音等场景级音频元素的音频创作模型，现已通过 BytePlus 开放使用。模型支持提示词级对话时间控制，当前精度为 100 ms 间隔，单次可生成最长两分钟音频并支持续写，覆盖中文、英语、日语等 20 多种语言。评测显示多数场景可用音频率超过 90%，多语言自然度 MOS 多数高于 4.0。
匹配字段摘要
Rox 如何用 Cerebras 推理为智能体销售工作流提速
Rox 在其企业营收智能体平台中采用 Cerebras Inference 作为低延迟推理路径，通过按意图动态路由模型，让 Command 对话、语音免手操作和实时研究查询即时响应，深度研究任务则交给后台大模型处理。Rox 创始工程师称响应速度比此前方案快 10-20 倍，且输出质量保持出色。Cerebras Inference 现已上线 AWS Marketplace，按 token 付费、无需自建基础设施，可在原有 AWS 账单与安全框架内通过 API 接入。
匹配字段摘要
Baseten 工程博客：模型性能优化实践汇总
Baseten 工程博客的模型性能栏目汇总了多项推理优化工作，包括让 pyannote 的说话人分离（diarization）模型提速 9.6x、让 Kimi K3 的 tokenization 在百万 token 智能体负载下提速 18x，以及为 DeepSeek V4 Pro 0813 做推理工程优化。该栏目还涵盖托管 RL rollout 的 delta 权重同步优化、Coval 语音 AI 基准测试，以及为 Kimi K3 和 GLM-5.2 构建 API 的实践。
匹配字段摘要、正文
Baseten AI 工程博客：MCP 与技能、DeepSeek Harness、Qwen3-TTS 微调等
Baseten 工程博客发布面向编码智能体的新 MCP 与技能，让编码智能体可直接使用 Baseten。博客还包含如何在 DeepSeek Harness 中运行任意开源模型、微调 Qwen3-TTS 实现高质量语音克隆，以及在任意 harness 中运行 Kimi K3、GLM-5.2 等内容。
匹配字段摘要、正文
Baseten 工程博客：LLM 推理可观测性、DeepSeek V4 Pro 0813 与 NVIDIA Nemotron 3.5
Baseten 工程博客列出多篇推理工程与模型文章，包括《领先平台如何保障 LLM 推理可观测性》、面向 DeepSeek V4 Pro 0813 的推理工程，以及 Baseten 为 You.com 提供开源推理。博客还介绍 NVIDIA Nemotron 3.5 Lightning 与 Nemotron 3.5 ASR Streaming，并收录 Laguna S 2.1、Qwen3-TTS 微调语音克隆、Kimi K3 路由等内容。
匹配字段摘要、正文
Baseten 工程博客：pyannote 说话人分离模型提速 9.6 倍
Baseten 让 pyannote 的说话人分离（diarization）模型推理速度提升 9.6 倍。该博客还介绍了面向托管 RL rollout 的 delta 权重同步优化、Baseten 在 Coval 语音 AI 基准测试中领先，以及供编码智能体使用 Baseten 的新 MCP 与技能。
匹配字段摘要、正文
OpenAI 为 Codex 推出可跨设备复用的云开发环境
OpenAI 在 DevDay 上为软件工程智能体 Codex 推出可复用的云开发环境，开发者可在电脑、手机或云端运行 Codex，任务启动更快，团队还能共享带审批设置和权限的工作区。Codex CLI 更新支持用语音启动和指挥任务，新增 /agents 视图便于同时委派和跟踪多个任务，并可在 ChatGPT 桌面应用内进行代码审查。OpenAI 还推出 Codex Security Cloud，可按需或定期扫描整个 GitHub 仓库，并在新提交到达时自动检查、去重和准备修复。
匹配字段摘要