2025年4月22日,Vapi 宣布其语音 AI 智能体现已支持 SMS。据 Vapi Blog 当日发布的信息,该功能可在通话中发送外呼短信、实时接收并回复来信,并在用户停止说话转为打字时从语音切换到文本。启用方式为导入 Twilio 号码并在 Vapi Dashboard 创建 Send Text 工具,美国用户需注册 A2P 10DLC 或验证 toll-free 号码。Vapi 同时表示,后续将支持更多服务商、MMS 富媒体、自动消息模板及跨语音与文本的多渠道对话历史。目前该故事尚无后续发展事实,状态停留在上述发布。
匹配字段摘要
2024年8月23日,Sarvam AI 发布多语言文本转语音(TTS)模型 Bulbul v1。据 Sarvam AI Blog 介绍,该模型支持 10+ 语言,采用单一紧凑多语言架构,支持跨语言音色一致,可处理 Hinglish 等代码混合输入、领域术语、专有名词和缩写。模型提供 Meera、Arvind、Maitryee、Amol、Pavithra、Amartya 六种音色,面向客服、金融、医疗、电商、有声书等场景。目前尚无后续发展事实。
匹配字段摘要
2024年8月13日,Sarvam AI 发布全栈生成式 AI 平台,支持 10 种印度语言并具备语音能力。据其官方博客,该平台同时推出 Sarvam Agents、Sarvam 2B、Shuka 1.0 等产品:Sarvam Agents 可通过电话、WhatsApp 或应用内调用,语音智能体价格从每分钟 1 卢比起;Sarvam 2B 称是印度首个开源 2B 小规模 Indic LLM,基于 4 万亿 token 内部数据集从零训练;Shuka 1.0 为基于 Llama 8B 扩展的开源 AudioLM,支持印度语言语音输入与文本输出。目前尚无后续有证据的发展。
匹配字段摘要
2024年6月5日,Vapi 在 Launch Week 期间推出 Tools 集成。据 Vapi Blog 介绍,该集成可将已有的 GHL 工作流和 Make 场景导入 Vapi,并作为 Tools 添加到语音助手中,通过语音指令触发这些自动化流程。用户可在 Vapi 控制台的 Tools 板块完成导入与配置,实现日程安排、CRM 更新、发送邮件等操作。目前该事实仅有 Vapi Blog 这一第一方来源,尚无后续发展事实。
匹配字段摘要
2025年3月28日,Cartesia发布Python SDK v2.0.0,围绕主客户端重构开发体验,支持异步客户端、流式输出、WebSocket、自动重试与指数退避,默认超时60秒。用户可通过pip安装并调用Cartesia语音API。
匹配字段摘要
2024年12月12日,Cartesia宣布完成2700万美元种子轮融资,由Index Ventures领投,Lightspeed、Factory、Conviction等参投。公司基于S4和Mamba等新架构开发实时智能模型,已推出语音生成模型Sonic,并预览了新的端到端语音模型,可精细控制文本以减少幻觉。
匹配字段摘要
2024年10月13日,Cartesia举办多场黑客马拉松,吸引2000多名开发者参与,发放2万美元奖金。50多个项目基于Sonic语音模型构建语音优先应用,获奖项目包括Form Wizard Pro、Story Narrator AI、SheBeTalking、SpeakEasy等,覆盖表单、教育、游戏、机器人等场景。
匹配字段摘要
2024年10月8日,Cartesia宣布其Sonic Multilingual模型新增8种语言的Alpha版本,包括印地语、意大利语、韩语、荷兰语、波兰语、俄语、瑞典语和土耳其语,使支持的语言总数达到15种。该模型基于状态空间模型架构,提供低延迟、高对话质量的语音生成,并支持语音设计。用户可通过API或应用选择sonic-multilingual模型使用。
匹配字段摘要
2024年5月14日,OpenAI发布GPT-4o,并将其免费提供给ChatGPT用户。该模型配套推出新的语音和视频模式,强调接近人类的响应速度与表现力。Sam Altman称,这类交互快速、自然且实用;未来还计划加入可选的个性化、信息访问以及代用户执行操作等能力。
匹配字段摘要
Sarvam AI 发布 Bulbul v1 多语言文本转语音模型
English translation is being prepared.
匹配字段摘要
2023年9月8日,Replit Blog发文介绍,Steve Moraco借助Replit构建了iPhone数字助手DATA。该助手通过Apple Shortcuts以语音调用OpenAI GPT替代Siri,并集成Apple Maps、Mail、Calendar与Notion;内置Data Mems设备端长期记忆、Whisper音频转写等快捷指令,仅需手机号和OpenAI API key即可完成设置。文章称该服务在几个月内做到超过216,000美元ARR。目前尚无后续发展事实。
匹配字段摘要
Cohere 在 Model Vault 与 Model Vault Encrypted 中上线第三方开源模型，企业可在全托管加密推理平台上同时运行 Cohere 自家模型和 DeepSeek V4.1 Flash、GLM 5.3 Flash、Gemma 4、GPT-OSS、Phi 等开源模型。Model Vault 默认对提示词和输出实行零数据保留，Encrypted 版本借助机密计算让 Cohere 和云厂商都无法看到数据。Model Vault 已在美国、欧盟和加拿大上线，Encrypted 版本目前仅限美国，欧盟和加拿大即将支持。
s Munteanu，RWS 研究与产品开发副总裁 为每项任务选择合适的模型 没有单一模型在所有方面都最出色。Model Vault 让您为每项任务选择最合适的模型，并以相同的保护措施运行每一个模型。 Cohere 的模型。 Command 用于生成式和智能体工作，Embed 和 Rerank 用于搜索和检索，Parse 用于文档，Transcribe 用于语音，Translate 用于多语言工作流。 高性能开源模型。 除了我们自己的模型，Model Vault 还运行最常用的开源模型，包括 DeepSeek V4.1 Flash（OpenRouter 上最常用的开源模型）、GLM 5.3 Flash、MiMo V2.6 Pro、Gemma 4 和 NVIDIA Nemotron。GPT-OSS 和 Phi 模型也可用。 借助 Model Vault，您可以为每项任务选择最合适的模型，并在统一的、生产级推理栈中运行它。 探索 Model Vault 可用地区 Model Vault 今日已上线，并在美国、欧盟和加拿大提供区域化服务。Model Vault Encrypted 已在美国上
匹配字段正文
Sarvam AI 发布 Sarvam Prism，一个基于 Sarvam 105B 的 System One 决策模型，在 B200 GPU 上以 44 ms 中位响应时间取得 71.8 的平均分，是其测试的 25 个决策模型中 100 ms 以内得分最高的。模型在 90% 以上置信度下实际错误率低于预期，英语为 2.2% 对 3.3%，印度语为 4.4% 对 5.4%，并在 2000 道题的选项乱序测试中保持答案不变。权重以 Apache 2.0 协议开源在 Hugging Face，需单卡至少 120 GB 显存以 FP8 运行，同时上线 Sarvam API。
的答案发生变化，在打乱时有12.3%的答案发生变化。Prism按发送顺序读取选项，对同一请求给出相同答案，在打乱时有4.0%的答案发生变化。Prism通过在评分前将选项放入一个固定顺序（无论它们以何种顺序到达），并以原始选项名称返回每个概率，从而弥合了这一差距。经过这一步，它在2,000道题中有0道题的答案发生变化。 我们已在真实场景中测试了Prism，例如语音到语音测试框架、轨迹评估、提示注入防护、客户支持意图路由、模型路由和文档智能。 我们正在分享一些早期基准测试结果，并将在未来陆续发布更多。 智能体轨迹评估 智能体的工作需要核查，既要判断任务是否成功，也要判断该次运行是否需要人工复核。我们使用了三组已记录的运行数据。AgentRewardBench包含在AssistantBench、VisualWebArena、WebArena和WorkArena上的网页智能体运行记录，由专家标注。τ-bench包含客户服务对话，按任务是否完成进行标注。Who&When和TRAIL包含失败的运行记录，标注了出错的步骤和负责的智能体。所有五个模型都在相同的700次运行（1,770道题）上进行了评分
匹配字段正文
女性占比七成的黑客松“SheNicest裂变”上，团队展示了找厕所应用 TOILER、面向成年子女的家庭认知健康观察工具“见微”、孕晚期智能床垫“荷眠”等产品。TOILER 可按隔间门、挂钩、干手等条件筛选厕所，目前仅收录国家会议中心二期、798、国贸、三里屯等区域的部分厕所，尚未实时更新。多数项目仍处原型阶段，如“她先”输入法输入超过四个字会无法显示对应汉字。
着背带裤，总是发出爽朗的笑声，是一家私企的设计师。我在“她先”的展台前，见到了她。 “她先”是一款把女字旁人称放在联想词前列的输入法。 打开“她先”，输入法内置了三种模式：她先、自然、常规。输入“ta men”，在她先模式下，出现的第一个词是“她们”。用自然模式的话，“TA们”则会显示在第一位。 又又在一家同事多为女性，老板、领导也都是女性的公司工作。她喜欢语音输入，聊天时，她总得把语音识别的结果从“他”一个个手动改成“她”。 “我再也受不了笨蛋输入法了”，因此“她先”诞生，未来，她想夸赞入围《财富》榜单的领导时，就再也不用逐一将“他”改为“她”了。 现代医学发达的今天，常见的妇科疾病，仍有相当高的概率无法被医疗服务及时识别。 比如，多囊卵巢综合征。相关数据是，多囊卵巢综合征的患者中，多达70%的人未被诊断。 慢性病往往起病隐匿，同时，病程长、病情迁延不愈、需长期治疗和管理。确诊后，更需要医患协同，长时间监督身体，才能让病情得到更及时的控制。 多囊卵巢综合征患者Claire对此深有体会。 首先，多囊卵巢综合征这一名称，暗含对患者生育功能的过度关注，而许多人忽略了内分泌系统的长期平衡，导
匹配字段正文
36氪旗下硅星人Pro 报道，成立不到一年的数据公司 UniPat 被曝正洽谈约 3 亿美元融资，阿里领投、腾讯和红杉中国参与，投后估值 25 亿美元。文章称带用户行为轨迹的数据一条报价可达 1000 至 3000 元，带完整操作过程的工作场景数据可卖到 1 万元左右，Mercor 估计前沿实验室所需数据目前只完成 2% 到 5%。随着模型厂商收紧采购、核算 ROI 并对供应商数据做消融，行业已出现拉黑数据商、数据质量难验证等问题。
采购在补眼前的缺口，另一部分是在为后面的实验备货。 一位研究员告诉我们，遇到热门数据，大厂例如字节还愿意支付数倍价格，换取半年到一年的独家使用安排，避免数据流入市场。还有公开报道称，字节有时还会阶段性“买断”供应商的核心人员。 在这些数据公司与模型厂商的合作里，还有很强的关系因素，下一批数据需要什么，消息会先在采购和供应商的小圈子里流动，医疗、3D、实时交互语音，哪一类需求开始出现，先听到的人便先去找专家。方向有时一个月就变一轮，供应商还要不断送样碰客户的标准。 所以，供应商们也在拼命扩产，一家最近被投资人追着跑的“数据新贵”也设计了新的方式，给员工开低底薪、高提成，每生产一条数据，就多拿一份钱。 “不知道。”一家数据公司的负责人被问到交付的数据怎么证明有效时这样回答。 再问模型厂怎么判断，他说“也不知道”。另一家公司收到过相反的反馈，同一批数据，一个模型厂说好，另一个说不行。 事实上，连层层审核过的公开数据也会出错。SWE-bench Verified 曾是各家发布模型时最常引用的编程测试之一，题目经专业工程师逐题筛选，每道都有三人独立审核。今年2月，OpenAI 宣布不再用它报告成
匹配字段正文
Hugging Face 提出 Transformers 模型集成契约（MIC），用缩小后的 fixture 模型、可运行的 Markdown 用法示例和人工审核的基线输出三部分打包模型测试，在 CPU 上跑快速集成测试。团队用冻结的 MIC 回放五个月的 Transformers 提交，UMT5 的 fixture 从 2026 年 7 月 30 日引入回归到 9 月 28 日修复期间一直报出 log-probability 偏差 1.22、训练损失偏差约 0.20。Llama 4 Scout 的缩小报告显示 108.6 亿参数被缩到 4470 万，视觉栈从 34 层减到 2 层、语言栈从 48 层减到 4 层。截至 2026 年 11 月 1 日，该 CI 任务只报告失败、不阻塞 PR。
MIC。当它们遇到边缘情况时，我们在模型专家的帮助下修复配方本身，而不是修复单个 fixture。已发布的模型和剩余缺口在覆盖空间中。 随机权重与过拟合 使用随机权重时，我们的 Whisper fixture 对音频变化几乎没有响应。它能运行，但这使它成为音频路径的糟糕测试。 因此，我们用几个音调与“red”和“green”等词配对来训练它。我们并不是在教它语音识别，只是让音频变化在其输出中可见。在我们的权重初始化研究中，随机 Whisper fixture 捕获了 24 个注入故障中的 18 个。过拟合 fixture 捕获了全部 24 个。 这给了我们两种构建权重的方法： 从随机权重和固定种子开始。 在几个示例上过拟合，比如“The capital of France is” = “Paris”。 Whisper 的结果并不能决定哪种更好。那些是合成故障，我们还没有发现只有过拟合版本才能捕获的真实回归。两个版本都漏掉了真实 Whisper 检查点暴露的一个辅助解码 bug。 因此，当随机权重通过检查时，我们保留它们；当我们需要更好的灵敏度或可读答案时，我们使用过拟合。训练只需几秒钟
匹配字段正文
NVIDIA 及其合作伙伴正把物理 AI 与 AI 智能体扩展到全球城市，覆盖西班牙、美国湾区、波兰、马来西亚、尼日利亚、台湾和摩洛哥等地。西班牙 1MillionBot 结合 ALIA 与 Nemotron 模型服务 150+ 部署；马来西亚 ITMAX 的 SamurAI V2 计划到 2027 年支持 17,000+ 摄像头，其 TeraSim 仿真将高峰走廊通行时间最多缩短 26%。
哥丹吉尔地中海港， Cires Technologies正在扩展一个主权AI工厂，用于工人安全、拥堵分析、货物路由和港口运营等计划应用。Cires Technologies还在构建应用提供商生态系统，为港口和城市开发本地模型和应用。 除城市服务外，巴塞罗那超级计算中心的 AI工厂加速器计划 为初创企业提供主权计算、技术支持和培训。BSC AI工厂还支持初创企业的研究与创新——涵盖农业、医学影像、知识获取和语音服务。 了解NVIDIA及其生态系统如何将物理AI、智能体AI和本地AI工厂带到世界各地的城市，请参加11月3日至5日在巴塞罗那举行的Smart City Expo World Congress，NVIDIA EMEA副总裁Paolo Guglielmini将发表 主题演讲 ，随后是由NVIDIA EMEA智慧城市与空间总监Charbel Aoun主持的 专题讨论 。 类别： AI 标签： 智能体AI AI工厂 人工智能 Cosmos 客户案例 数字孪生 活动 Metropolis Nemotron NVIDIA蓝图 Omniverse 开源 物理AI 公共部门 智能空间 主权AI
匹配字段正文
Google 在 10 月将前沿推理模型 Gemini 4 Argon 全球上线，覆盖 Google AI Studio、Gemini API、Google Cloud、Search 和 Gemini 应用，两周后公布主打长周期工程与网络安全防御的 Gemini 4 Carbon，目前通过 Fairwind Program 与美国政府及部分可信网络安全方进行预发布测试。同期发布实时交互世界模型 Genie 4，支持原生音频与自然语言操控场景；SynthID Detector 以英文全球开放，可识别 OpenAI、NVIDIA、Kakao、Apple 等合作方的 AI 内容。
生成。生成式 AI 仍处于实验阶段。 使用 EmbeddingGemma 2 构建隐私优先的多模态搜索这款全新的开放嵌入模型基于 Gemma 4 架构打造，拥有 7.4 亿参数，它超越了文本，可直接在日常设备上将代码、图像、视频和音频映射到单一统一空间。其模块化设计将本地向量存储最多削减至原来的六分之一，让开发者能够轻松构建私密、离线的应用，这些应用可以从语音备忘录中找到特定的视频片段，或用文本查询搜索数小时的音频。 阅读从我们的 Project Suncatcher 卫星传回的第一条 AI 回复。在 将 TPU 发射到近地轨道我们的首颗 Project Suncatcher 原型卫星传回了有史以来第一条由数据中心级 Google TPU 在太空中生成的 AI 回复：一首由 Gemma 4 在轨创作的俳句。这一里程碑证实了我们的硬件经受住了发射考验，并能够在轨道上运行 AI 工作负载。我们的团队将继续测试这些芯片如何应对辐射和极端温度，同时利用太空中丰富的太阳能，作为迈向可扩展轨道 AI 基础设施的长期登月计划的一部分。 了解我们的最新研究如何加速科学发现在我们一年一度的 Resea
匹配字段正文
ElevenLabs 博客对比了呼叫中心暖转接（warm transfer）与冷转接（cold transfer）的区别：暖转接会在接通前向接收方提供来电者背景信息，冷转接则直接接通、不提前告知。文章建议复杂或敏感问题用暖转接，简单、高频的路由用冷转接，并指出 ElevenAgents 支持三种转接类型，其原生 Twilio 集成上的 Conference Transfer 可向人工坐席传递暖转接信息。
在为您转接我们的技术支持团队。他们会了解您登录问题的详细信息，因此您无需重复说明。” 接收方听到：“Jordan Lee 正在线上。身份已核实。其账号在三次密码重置失败后被锁定，他们需要今天恢复访问权限。” 在 ElevenAgents 中，第一条消息对应 client message，第二条对应 agent message，这两项将在下一节中介绍。 AI 语音代理如何路由和转接通话 AI 语音代理 通过在其触发的工具来转接通话，触发条件是满足某个既定条件，例如来电者要求转接人工。在 ElevenAgents 中， transfer to number 系统工具 会将实时电话通话转交给外部电话号码或 SIP URI。 该工具支持三种转接类型，每种类型对暖转接的支持程度不同： 会议转接：默认类型。代理拨打目的地号码，将参与者加入会议，然后退出，只留下来电者和人工坐席。在 原生 Twilio 集成上，它会向人工坐席播报暖转接消息。 盲转接：通话直接转至目的地，不发送暖转接消息。它会保留原始来电显示，并且需要使用通过原生 Twilio 集成导入的号码。 SIP REFER 转接：通话使用 S
匹配字段正文
Air Street Press 的 Nathan Benaich 在 MAD Podcast 与 Matt Turck 讨论 State of AI Report 2026，并重申他关于 2027 年实现 AGI 的预测，判断依据是 AI 在投资、AI 研究、金融、法律等知识工作上已能接近他的水准。他还谈到图像、视频、音频正融合为世界模型，以及智能体带来的网络安全风险；ElevenLabs 的智能体每周已处理超过 1500 万次对话，是 2 月量的三倍。
AI现状 AI现状 2026：我与Matt Turck的对话 关于2027年的AGI、科学超级智能、世界模型，以及让AI投入实际工作。Air Street Press与Nathan Benaich，2026年10月30日文章语音版0:00-5:44 如今AI市场变化如此之快，以至于了解一家公司及其产品有何特别之处都等不得。对于我最近考虑的一个机会，我的智能体和LATO设计了一项研究，然后完全自动化了专家招募、AI语音访谈和转录分析。运用我的评估方法（也就是品味），系统识别出了缺口，并为下一轮访谈更新了问题。两天内，我们在美国、印度和欧洲收集了12次访谈、共计14小时的交谈时间。我没有和任何人交谈，全是LATO的语音智能体完成的。 我在MAD Podcast上与Matt Turck的最新对话中分享了这个例子。连续第三年，我们在纽约演播室坐下来讨论《State of AI Report 2026》，从AI构建AI到世界模型、网络安全，以及我对2027年实现AGI的预测。 AGI与科学超级智能 AGI 2027：我的预测基于我所看到的快速进展——AI在我从事的知识工作中提供帮助，即投资、AI
匹配字段正文