←搜索结果

搜索“语音”

按匹配度 · 共 1394 条结果 清除搜索

星期四

  1. Sundar Pichai

    来认识 Gemini 3.5 Transcribe！

    Gemini 3.5 Transcribe 现已开放 API，可用于构建理解用户语音和意图的应用，并支持多说话人场景。它可自动检测 85+ 种语言、适配专业术语词汇，现可通过 Google AI Studio、Gemini Enterprise、macOS 版 Gemini 应用或 Android 版 Rambler 使用。

    Gemini 3.5 Transcribe 现已开放 API，可用于构建理解用户语音和意图的应用，并支持多说话人场景。它可自动检测 85+ 种语言、适配专业术语词汇，现可通过 Google AI Studio、Gemini Enterprise、macOS 版 Gemini 应用或 Android 版 Rambler 使用。 · Gemini 3.5 Transcribe is now available via API for building apps that understand user speech and intent, including conversations with multiple speakers. It automatically detects 85+ languages, supports custom vocabulary adaptation for specialized jargon, and is available through Google AI Studio, Gemini Enterprise, the Gemini app on

    匹配字段摘要

    #editorial#模型发布#语音#多模态

星期三

  1. VentureBeat AI

    AI 智能体时代 CX 的新挑战：从自动化转向编排

    Tata Communications 客户交互套件全球负责人 Gaurav Anand 指出，企业在消息、语音和数字渠道快速部署 AI 智能体、语音 AI 与自动化，但多数只是把对话式 AI 硬接到并非为此设计的遗留系统上，真正集成、可扩展并支持无缝编排的平台很少。他认为企业战略重心正从自动化转向编排，并需要共享的企业本体与上下文层，让 AI 智能体、应用和人工坐席基于同一套客户与业务理解协同工作。Tata Communications 的应对方案是 Interaction Fabric 编排层，统一联络中心、消息、协作、AI 与客户数据，并实时协调 AI 智能体、渠道和企业系统。

    匹配字段摘要

    #tech-media#行业动态#Agent#部署/工程
  2. Google Research

    AgentHands：为 XR 空间对话智能体生成同步交互手势

    Google Research 发布 LLM 驱动的 XR 原型 AgentHands，为对话智能体配上与语音同步的表达性手势，把抽象指令变成贴合用户物理空间的动作演示，论文发表于 CHI 2026。系统通过眼动与场景重建把兰花、笔记本等物体注册进 3D 边界框，LLM 在回复中内联 GestureEvents，头显本地解析器用词级时间戳让手势与 TTS 精确同步。在 N=12 的被试内研究中，AgentHands 与纯语音基线对比，验证了 XR 与共语手势结合在兰花养护和 3D 打印机操作任务中的效果。

    匹配字段摘要

    #lab#论文/研究#多模态#Agent

星期二

  1. SpaceXAI

    Grok Voice Think Fast 2.0 开放 API

    Grok Voice Think Fast 2.0 现已可通过 API 或我们的 Agent Builder 使用。前往 https://t.co/ZKLH1N6rs4 构建、调优和部署你的语音智能体。 了解更多：https://t.co/XUiX1CnWV1

    Grok Voice Think Fast 2.0 现已可通过 API 或我们的 Agent Builder 使用。前往 https://t.co/ZKLH1N6rs4 构建、调优和部署你的语音智能体。 了解更多：https://t.co/XUiX1CnWV1

    匹配字段摘要

    #ai-news#产品更新#语音#Agent
  3. Mistral AI

    Mistral 与 HUMAIN 达成战略合作，推进沙特及中东主权 AI

    Mistral 与 HUMAIN 宣布在 AI 基础设施、先进模型开发和 AI 解决方案部署上展开战略合作，初期聚焦网络安全与语音，并计划开发阿拉伯语表现强劲的前沿模型，合作规模达数亿欧元。Mistral 将探索使用 HUMAIN 的数据中心基础设施，双方还计划在沙特面向受监管行业制定联合市场策略。

    匹配字段摘要

    #lab#行业动态#部署/工程#开源生态

星期五

  1. OpenRouter：Announcements

    OpenRouter 推出 Visual Image Benchmarks，横向评测全部图像模型

    OpenRouter 上线 Visual Image Benchmarks，用于快速评估其平台上的全部图像模型（截至 2026 年 8 月共 39 个），结果以网格展示并可按价格和生成时间排序。评测提示词分为七类：不可能场景、计数、文字、空间关系、否定、编辑和一致性，同一套并排格式也覆盖视频与语音模型。用户随后可通过 OpenRouter API 或 Chat 用自己的提示词测试这些模型。

    匹配字段摘要

    #company#评测/基准#图像生成#多模态
  2. OpenRouter：Announcements

    OpenRouter 推出 Visual Image Benchmarks，覆盖 39 个图像模型

    OpenRouter 上线 Visual Image Benchmarks，用一组挑战性提示词横向对比其平台上的全部图像模型（截至 2026 年 8 月共 39 个），结果以网格展示并支持按价格和生成时间排序。提示词分为七类：不合理场景、计数、文字、空间关系、否定、编辑和一致性。同一并排对比格式也覆盖视频与语音模型，新图像模型上线后会加入网格。

    匹配字段摘要

    #company#产品更新#图像生成#评测/基准

星期三

  1. xAI News

    xAI 将 Grok Build 推向网页、iOS 和 Android 全量用户

    xAI 宣布 Grok Build 从 7 月的 SuperGrok Heavy 限定 Early Beta 转为面向所有用户开放，覆盖网页、iOS 和 Android。用户在对话中描述应用、游戏、网站或仪表盘，Grok 即可实时生成可运行版本，并可通过 grok.me 链接发布分享。新增能力包括 Remix 复刻、自定义域名、导出到 GitHub、密钥存储和连接器，应用还可按需调用 Grok 的对话、图像和语音 API。

    匹配字段摘要

    #lab#产品更新#Agent#部署/工程

星期二

  1. Grok

    Grok 提示：用 @bot 当制作助手

    小技巧：用 @bot 当你的制作助手。 写场景、锁定对白、拆成分镜，再用提示词让 Imagine 生成语音、视频和图像。然后完成剪辑。

    小技巧：用 @bot 当你的制作助手。 写场景、锁定对白、拆成分镜，再用提示词让 Imagine 生成语音、视频和图像。然后完成剪辑。

    匹配字段摘要

    #company#教程/实践#视频#语音

星期五

  1. LiveKit 产品与工程博客

    LiveKit 如何处理零数据保留（ZDR）

    LiveKit 宣布其 Inference 平台上的所有 LLM、STT、TTS 模型默认启用零数据保留（ZDR），无需设置开关、升级套餐或配置控制台，且适用于所有 LiveKit 套餐。ZDR 要求不保留、不记录日志、不训练、不聚合用户数据，LiveKit 通过合同承诺、账户或工作区配置以及每次请求的参数来强制第三方提供商遵守，无法达标的提供商不会接入。Agent 可观测性保留转录和音频 30 天，Egress 录制存入用户自有云存储，语音克隆样本在最后一次使用 12 个月后删除。

    匹配字段摘要

    #company#产品更新#语音#Agent

星期二

  1. Sarvam AI Blog

    Sarvam AI 与 AI4Bharat 发布 Indic DiarBench：覆盖 22 种印度语言的多说话人 ASR 与说话人分离基准

    Sarvam AI 联合 AI4Bharat 推出 Indic DiarBench，这是首个覆盖全部 22 种印度法定语言、联合标注 ASR 与说话人分离的开源基准数据集，包含 108 小时自然对话语音。数据集涵盖 2-9 名说话人、近场与远场会议及 YouTube 真实场景，并提供人工校验的转写文本与说话人时间戳，支持 DER 等指标对说话人归属 ASR 进行联合评测。

    Indic DiarBench: A Joint Diarization-ASR Benchmark Dataset for Indian Languages

    匹配字段摘要

    #company#评测/基准#语音#开源生态
  2. Cartesia 产品与研究

    Cartesia 为 Ink-2 新增 keyterm prompting 与可配置轮次检测

    Cartesia 为 Ink-2 语音转文字模型新增 keyterm prompting 和可配置轮次检测。keyterm prompting 支持在连接时传入最多 100 个关键术语（共 1,200 字符），在 Earnings22 基准上关键词召回率提升 20%，漏检率降至 6.2%，低于 Deepgram Flux 的 13.5%。可配置轮次检测允许在低延迟与高轮次准确性之间调节，可在连接时或通话中调整。两项功能已对所有 Ink-2 用户开放。

    Hard-to-transcribe names such as enclomiphene, zuclopenthixol and pityriasis curving around a microphone, with aminophylline resolved in focus beside it

    匹配字段摘要

    #company#产品更新#语音

星期五

  1. Sarvam AI Blog

    Sarvam AI 在 Sarvam Epoch 发布 105B 模型更新、Vision 2.0、Saaras V4 与 Indus 智能体平台

    Sarvam AI 在首届 Sarvam Epoch 上公布全栈更新，包括 Sarvam 105B 面向对话与工作智能体的新变体、Sarvam Vision 2.0、Saaras V4 语音识别模型和 Bulbul V4 语音合成研究预览。Sarvam 105B 在自建印度对话生产基准上四项指标均领先 GPT 5.4 Mini 和 Gemini 3.5 Flash，混合 token 价格为每百万 0.80 美元，并已通过 Sarvam API 提供。公司同时推出印度本地推理层 Sarvam Inference、自服务智能体平台 Indus（含 Voice Agents、Work Agents、Content Studio）、早期测试的 Sarvam Code、安全智能体 Sarvam Cyber 预览，以及 Mac 版语音应用 Kivi。

    Voice Agents analytics dashboard with call distributions, conversation insights, and language breakdown

    匹配字段摘要

    #company#产品更新#语音#多模态

星期三

  1. Sarvam AI Blog

    Sarvam AI 推出 Sarvam Circle 合作伙伴计划

    Sarvam AI 宣布推出 Sarvam Circle 合作伙伴计划，联合云厂商、OEM、系统集成商、咨询公司、ISV 和投资机构，把印度自研前沿 AI 推向全国机构。其全栈模型目前每天支撑超 200 万次语音对话、3500 万页文档数字化和约 1 千万次 API 调用。AWS、HCLTech、Thoughtworks、IBM、HP、MoEngage 等已加入该计划。

    Introducing Sarvam Circle

    匹配字段摘要

    #company#行业动态#部署/工程#开源生态

星期二

  1. 腾讯混元

    腾讯混元发布 Hy ASR 3.0 预览版

    终于能听懂你的 AI。👂 Hy ASR 3.0 预览版今日发布。 由 Hy3 的语言大脑驱动 → 精准 ASR + 深度语义理解 优势在于：• 通用识别 • 上下文感知 • 多场景鲁棒性 • 方言覆盖 杂乱的真实世界音频？干净、连贯、精准命中你意图的转写。 公开与内部基准：领先。多语言 WER ≈ 3%。 语音刚刚升级。🔥 #HyASR #TencentAI #Hy3

    终于能听懂你的 AI。👂 Hy ASR 3.0 预览版今日发布。 由 Hy3 的语言大脑驱动 → 精准 ASR + 深度语义理解 优势在于：• 通用识别 • 上下文感知 • 多场景鲁棒性 • 方言覆盖 杂乱的真实世界音频？干净、连贯、精准命中你意图的转写。 公开与内部基准：领先。多语言 WER ≈ 3%。 语音刚刚升级。🔥 HyASR TencentAI Hy3

    匹配字段摘要

    #company#模型发布#语音

星期六

  1. 阶跃星辰 StepFun

    阶跃星辰举办 Voice AI Night 活动

    Voice AI Night 太火了 🔥 昨晚 Mountain View 挤满了人，参加我们关于下一代端到端语音模型的主题演讲，以及与 @PLAUDAI @cresta 和 Firework 的创始人圆桌，讨论如何在全球范围内构建语音 AI。 感谢 Seamate 联合主办——也感谢所有到场、用餐并提出好问题的人 🎙️ 更多构建者，更多语音 AI，很快见 👀

    Voice AI Night 太火了 🔥 昨晚 Mountain View 挤满了人，参加我们关于下一代端到端语音模型的主题演讲，以及与 @PLAUDAI @cresta 和 Firework 的创始人圆桌，讨论如何在全球范围内构建语音 AI。 感谢 Seamate 联合主办——也感谢所有到场、用餐并提出好问题的人 🎙️ 更多构建者，更多语音 AI，很快见 👀

    匹配字段摘要

    #company#行业动态#语音

星期四

  1. Microsoft AI Blog精选

    微软发布 MAI-Cyber-1-Flash，并披露 MAI 系列模型降本数据

    微软发布针对 MDASH harness 优化的 MAI-Cyber-1-Flash，在 CyberGym 上取得 96% 的 any crash 分数，成本为当前 MDASH 最佳方案的 50%，并可在 H100 上部署。该模型设计用于高效处理最多 90% 的任务，把 GPT 5.4 等最贵模型留给 10% 的极难问题。微软同时披露上季度已交付十余个覆盖图像、语音、转写、编码和安全的新模型，其中 MAI-Image-2.5-Flash 在 PowerPoint 中相比 GPT-Image-2 降低最多 84% 的 GPU 成本，MAI-Voice-2-Flash 在 Dynamics 365 Contact Center 中降低最多 89% 的 GPU 成本。

    Nine app icons, including mail, JetBrains, GitHub, PowerPoint, Excel, Visual Studio Code, and Microsoft OneDrive, displayed in a row on a blurred green and pink gradient background with dotted lines.

    匹配字段摘要

    #company#产品更新#部署/工程#数据/训练

星期五

  1. Microsoft AI Blog精选

    微软发布 MAI-Image-2.5-Pro 与 MAI-Voice-2-Flash 并进入公开预览

    微软 AI 宣布 MAI-Image-2.5-Pro 与 MAI-Voice-2-Flash 进入公开预览。MAI-Image-2.5-Pro 主打高保真图像生成与精确图像内文字渲染，定价为每 1M 文本输入 token 5 美元、每 1M 图像输入 token 8 美元、每 1M 图像输出 token 106 美元；MAI-Voice-2-Flash 面向高并发语音场景，比 MAI-Voice-2 快 2 倍、便宜 32%，定价为每 1M 字符 15 美元。微软称 MAI-Image-2.5 已成为 Bing Image Creator 的默认模型，在 PowerPoint 中使 GPU 成本最多降低 84%，在 OneDrive 中使保存率提升 26%、P95 延迟降低约 25%；MAI-Voice-2-Flash 已接入 Dynamics 365 Contact Center 与 Azure Voice Live，GPU 成本最多降低 89%。

    Two overlapping speech bubbles, one pink and one green, with a flower in the center where they meet. The background is light gray.

    匹配字段摘要

    #company#产品更新#多模态#语音

星期二

  1. Vapi Blog

    Vapi 推出 Model Intelligence：基于生产数据的模型推荐

    Vapi 发布 Model Intelligence，包含 Model Presets 与 Model Performance Metrics 两项功能。Presets 按 Balanced、High Intelligence、Ultra Fast、Cost Saver 四种目标推荐 transcriber、LLM 与 voice 组合，Balanced 成为新助手默认配置。性能指标基于超 10 亿通真实通话的 P50 延迟、成本与质量数据，语音采用 0-100 分的 Humanness Index。

    匹配字段摘要

    #company#产品更新#语音#部署/工程