搜索“语音”

Rohan Paul提出智能体输入或将来自大脑

Rohan Paul 提出一项判断:智能体的输入可能来自大脑。他于2026年10月18日发表的观点认为,每个计算时代都有自己的输入方式,从键盘、鼠标、触屏到语音,而智能体(Agent)的输入可能来自大脑。其理由是,当计算机是一个替你干活的模型时,最有用的输入就是尽可能直接地表达你想要什么,就像把脑中的完整想法交给智能体,不因措辞而损耗,也不必反复澄清意思。目前该判断仅见于其本人发表的内容,尚无后续发展事实或官方证据。

马斯克建议让Grok Bot连接X私信

2026年10月17日,马斯克转发Grok Bot关于语音通话更快、更可靠、更擅长记住历史对话的帖子,并建议用户让Grok Bot连接自己的X私信,称这是最好的使用方式。目前该建议仅来自马斯克本人的转发与表态,尚无后续发展事实或官方证据披露。

SpaceXAI 发布 Grok Voice 3.0

2026年10月15日,SpaceXAI 发布语音到语音模型 Grok Voice 3.0。据 MarkTechPost 报道,该模型在 Artificial Analysis Speech-to-Speech Index 上以 86.9 分排名第一,高于 GPT-Live-1(Astra, medium)的 83.2 分和 Gemini 3.8 Live Extended Thinking 的 82.6 分;其 τ-Voice 得分 71.6%,仍低于 GPT-Live-1 的 74.5%。模型通过 /v1/realtime WebSocket 端点以 grok-voice-3.0 提供,仅托管 API、无开放权重,价格维持 $0.08/分钟,首音频延迟 0.81 秒。SiliconANGLE 同日报道称,该模型已在 Voice Agent API 上线,每分钟 8 美分,与 Grok Voice 2.0 同价,并称其首次出声快约 40%。目前无进一步有证据的发展。

Fish Audio 发布 35B 开源权重 TTS 模型 Drama 3

Fish Audio 发布 Fish Audio Drama 3 文本转语音模型

查看事件：Fish Audio 发布 35B 开源权重 TTS 模型 Drama 3

Gupshup推出视频AI智能体平台Avatar Agent

2026年10月14日,对话式消息软件提供商Gupshup推出视频AI智能体平台Avatar Agent。据Analytics India Magazine报道,这是一个自助平台,让企业无需集成即可创建视频AI智能体,智能体可在网站、手机、平板和自助终端上回答客户问题、讲解产品、筛选线索并引导流程。该平台可通过Gupshup SuperAgent、ChatGPT、Claude等AI助手配置,并支持将现有消息智能体扩展到语音和视频渠道。Avatar Agent现已上线官网,提供带Gupshup品牌标识的免费套餐,规模化使用可选按量付费。目前尚无后续发展事实。

德国电信开售Meta Ray-Ban Display智能眼镜

德国电信于2026年10月13日起在德国正式发售Meta Ray-Ban Display智能眼镜,裸机定价899欧元。据VR陀螺报道,该产品也可在办理或续约手机套餐时分36个月分期,例如MagentaMobil M套餐预付1欧元后每月22.1欧元,总价796.6欧元。眼镜右侧镜片搭载600×600像素彩色显示屏,集成Meta AI,支持实时字幕、实时翻译、地图导航和分步操作指引,并可通过语音与附赠的肌电神经腕带操控。眼镜本体续航最长6小时,充电盒可额外提供24小时,腕带续航18小时,使用需搭配兼容手机、Meta AI应用、Meta账号和网络连接。目前尚无进一步有证据支持的发展。

Sonos推出Beam Ultra回音壁音箱

Sonos推出Beam Ultra回音壁音箱,定价699欧元,比Beam 2贵200欧元。据heise online于2026年10月15日发布的评测,该产品九个驱动单元中有两个朝天花板发声,配合四个低音单元可省去独立低音炮,并可用两台移动Sonos音箱充当后置环绕。Sonos首次将音箱系统命名为“Sonos 27”,通过Anthropic的Model Context Protocol(MCP)让ChatGPT、Claude等AI聊天机器人接管音乐控制。测试显示其家庭影院音效扎实、人声清晰,但音乐播放和传统语音助手联动存在短板。目前尚无后续发展事实。

Bland 推出 Blandie 公开演示

2026年10月16日,Bland 推出新工具 Blandie 的公开演示。据 Testing Catalog 报道,该工具可根据企业网站内容自动创建带品牌标识的语音和短信智能体。消息以企业名称和 logo 的认证发送方形式发出,Android 走 RCS、iPhone 走 iMessage。智能体可处理预订和支付,回答基于所提供网站的内容,还能回复网站截图和图片,并可记住客户是否拨打过 Bland 的电话号码,在文字聊天中引用。目前尚无后续发展事实。

Meta Omnilingual ASR 入选 TIME 2026 年度最佳发明

2026年10月16日,Meta 宣布其 Omnilingual Automatic Speech Recognition(ASR)入选《TIME》2026 年度最佳发明。据 Meta 介绍,该系列模型支持超过 1,600 种语言的语音识别,其中 500 种低资源语言此前从未被任何 ASR 系统覆盖。Meta 称这标志着迈向真正通用转写系统的重要一步。目前该事件尚无后续发展事实,状态停留在入选公布阶段。

Chollet 认为对话式 AI 将带来最大教育飞跃

2026年10月15日,François Chollet 提出判断,认为对话式 AI 将带来我们这一代最大的教育飞跃。他在推荐 Annie 团队打造的 Gakku 时表达了这一观点。Gakku 是一款面向 K-12 学生的 AI 辅导应用,用语音对话教练带学生完成 10 分钟写作“任务”,覆盖头脑风暴、起草与修改,而非代写。Chollet 认为,对话式 AI 能实现无法规模化的 1 对 1 辅导,从而带来这一代人最大的教育跃升。目前该判断仅有这一条来源,尚无后续发展事实。

Meta联合推出AI眼镜无障碍导览试点项目

Meta宣布与EssilorLuxottica及意大利米兰布雷拉美术馆合作,推出名为“Sensing Art”的AI眼镜无障碍导览试点项目,面向盲人及低视力群体。据代表来源报道,首批覆盖馆内八件艺术作品,参观者可通过眼镜识别艺术品,用内置开放式扬声器收听语音讲解,并获得展品间的语音方向指引,还可通过Meta AI了解环境信息或借助Be My Eyes连接远程志愿者。该服务已于10月13日向公众开放,可提前预约体验。目前尚无后续发展事实。

IBM发布Granite Switch 4.1的8B与30B模型

2026年10月16日,IBM发布Granite Switch 4.1-8B和4.1-30B模型。据Hugging Face发布的信息,这两个模型内置一组预编译适配器,可在同一端点提供对话、决策与语音能力。由于适配器共享基座模型的KV cache,在通用决策适配器之外叠加专用适配器几乎不增加成本,专用适配器在专门分类任务上可超过通用决策模型。在5步RAG工作流对比中,Granite-Switch-4.1-30B(冻结基座Granite加4个专用aLoRA)快于Jev-27B(冻结基座Qwen加1个通用决策LoRA);其3B版本在Doom游戏中达到60至100次决策/秒,并可在游玩时进行叙述和回答问题。IBM还计划在Mellea中发布用于训练适配器的Adapter SDK,并支持社区用自定义及第三方适配器组合自己的Granite Switch模型。目前尚无后续发展事实。

Fish Audio 发布 35B 开源权重 TTS 模型 Drama 3

2026 年 10 月 15 日,Fish Audio 发布文本转语音模型 Drama 3。据 MarkTechPost 报道,该模型为 35B 参数的混合专家(MoE)架构,每 token 约激活 3B 参数,权重已上传 Hugging Face,并同步上线 Fish Audio API。模型支持 83 种语言,可用方括号内的自然语言表演指令控制语气,单次请求最多支持 16 个说话人。在 Artificial Analysis 发音鲁棒性评测中整体得分 93.2%,其中品牌、地名与技术术语 95.9%,代码、路径、邮箱等精确序列为 86.3%。自托管需至少 48 GB 显存的 NVIDIA GPU 并以 FP8 运行;API 标价每 100 万字符 50 美元,11 月 12 日前为 10 美元。目前尚无后续发展事实。

上海老年医学中心发布老年综合评估智能体

2026年10月16日,上海老年医学中心发布“银龄智护・老年综合评估智能体”。据上观新闻同日报道,该智能体融合语音交互、视频采集与人工智能技术,把原本耗时两三小时的老年综合评估转为老人像聊天一样即可完成的智能评估,并贯通医院、社区、居家三大场景。报道还提到,81岁李老伯经该智能体辅助评估和多学科联合治疗后,从常年轮椅实现站立缓步行走。目前尚无后续发展事实。

OpenAI 宣布与 Higgsfield 达成合作进展

2026年10月14日,OpenAI 发布公告,宣布与 AI 视频生成平台 Higgsfield 达成最新合作进展。据 IT之家报道,此次合作中 Higgsfield 接入 GPT-6 Astra,其支持生成的 AI 视频时长上限从 1 分钟提升到 10 分钟。GPT-6 Astra 支持创意智能体调用外部工具处理 3D 建模等复杂工作,用于维持长视频在角色、场景和视觉细节上的一致性。此外,Higgsfield 还集成 GPT-Image-2.5 渲染图像文字与信息图,并用 Codex 加速产品开发,下一阶段将基于 GPT-Live-1 探索“语音到视频”创作。目前该合作尚无进一步有证据支持的发展。

dots 更新:iOS/Android 创建 dot 并直达 ChatGPT

dots 于 2026 年 10 月 13 日迎来一批更新。据代表来源报道,用户可在 iOS / Android 上创建 dot 并直接打开 ChatGPT,还能启动 Codex 任务、结合聊天与 Codex 线程及自动化上下文跟进,并查看和编辑 Scheduled Tasks。同一批更新还包含多项修复:更快的云端浏览与侧边栏加载、更少重复通知、更干净的代码块与附件、修复 Safari / Firefox 字符渲染,以及 Enterprise 网页与语音访问修复。目前尚无后续发展事实,状态以该次更新为准。

Ethan Mollick建议立即启用双因素认证等防护措施

2026年10月13日,Ethan Mollick提出建议,呼吁人们立即启用双因素认证、与家人共享密码等防护措施。他警告称,AI的进步意味着用复杂攻击大规模针对个人的成本正在下降,因此如果尚未在所有账户上开启双重验证、也未与家人共享密码以防接到索要钱财的语音电话,现在正是采取行动的好时机。目前该建议仅有其本人发布这一来源,尚无其他独立报道或后续发展。

FireRedTeam 发布级联系统模型与服务

2025年9月16日,FireRedTeam 发布级联系统所需的 pVAD、turn-detector 模型以及 FireRedTTS1、FireRedASR 服务。据其原创项目介绍,这些组件用于 FireRedChat 全自托管全双工语音交互方案,该方案集成 TTS、ASR、pVAD 和 EoT,无需依赖外部 API,数据不出本地;系统由 LiveKit RTC Server、AI-Agent Bot Server、WebUI、Redis、TTS Server 和 ASR Server 组成,LLM 需自行部署,可用 Ollama、vLLM 或 Dify,项目采用 Apache-2.0 许可。目前没有后续发展事实。

FireRedTeam 发布 FireRedASR2S 及权重与推理代码

2026年2月12日,FireRedTeam 发布一体化语音系统 FireRedASR2S,并放出模型权重与推理代码。该系统包含 ASR、VAD、LID、Punc 四个模块,各模块均称达到 SOTA,且可独立使用。其中 FireRedASR2 支持中文(普通话及 20 多种方言口音)、英文、中英混说以及语音和歌声转写,在 4 个普通话公开基准上平均 CER 为 2.89%,在 19 个中文方言口音基准上为 11.55%,均优于 Doubao-ASR、Qwen3-ASR-1.7B、Fun-ASR 和 Fun-ASR-Nano-2512。FireRedVAD 支持 100 多种语言的语音、歌声和音乐检测,F1 为 97.57%;FireRedLID 覆盖 100 多种语言和 20 多种中文方言,准确率 97.18%;FireRedPunc 中英文标点预测平均 F1 为 78.90%。技术报告见 arXiv。目前尚无后续发展事实。

FireRedTeam 发布 FireRedAudio 代码与模型

2026年8月21日,FireRedTeam 发布 FireRedAudio 的代码与模型。据其原创项目说明,FireRedAudio 是一个基于共享 9B 参数 LLM 的通用音频语言模型,采用解耦的连续表示,Audio Encoder 负责理解、RedAE 通路负责生成。该单模型覆盖 ASR、音频理解、零样本 TTS、Instruct TTS、语义与声学语音编辑,并支持对最长约一小时录音做精确时间对齐。项目以 Apache-2.0 许可发布,需 Python 3.10 与 uv,默认面向 CUDA 12.8;除 ASR 外,语音生成与音频理解仅支持中英文。目前尚无后续发展事实。