Kotoba 语音 API 上线 fal 平台
fal 宣布 Kotoba 的语音 API 已上线，支持实时语音翻译（文本与音频输出）、流式音频转写、预设音色语音生成，以及带可选词级时间戳的录音转写。
匹配字段标题
←搜索结果
搜索“语音”
什么是原生音频模型？语音到语音 AI 如何跳过转录环节
原生音频模型直接处理或生成声学表示，保留时间、语调、说话人线索等文本转录会丢弃的信息。它与“先转写成文本再合成语音”的流水线有本质区别：后者改变了因果链条，成功证据、成本来源和风险控制方式都不同。文章按波形转音频 token、建模语音与非语音上下文、推断语义与对话状态、生成音频 token、解码自然语音五个环节拆解其工作流程。
匹配字段标题
马斯克回应 Grok 语音设置建议
有用户建议把 Grok 机器人语音设为 Ara、速度调到 1.25x，马斯克转发回应称自己也是这么做的，但用的是 1.5X。
匹配字段标题
ElevenLabs 博客：AI 语音智能体集成 Salesforce、HubSpot、Zendesk
ElevenLabs 发布指南，介绍如何将 ElevenAgents 语音智能体接入 Salesforce、HubSpot、Zendesk 等 CRM 与客服系统，实现通话中读取客户记录、创建工单和更新联系人等双向数据操作。文中称接入实时上下文后，智能体解决查询的速度比脚本化聊天机器人或固定电话树等传统方式快最多 10 倍，并可通过通话中与通话后 webhook 自动记录工单历史、减少人工录入。
匹配字段标题
LiveKit 如何构建生产级 AI 语音智能体
LiveKit 发布指南，分享其解决方案架构师和前线部署工程师帮助客户将语音智能体 POC 转为生产系统的经验，核心围绕智能体是否足够聪明自然、能否观测生产表现、能否可靠且低成本扩展三个问题。指南给出 7 种方法，包括单独测量首轮响应延迟、将上下文拆成问候所需与后台加载两部分，并默认启用 turn_detection=inference.TurnDetector() 与自适应打断处理。
匹配字段标题
GPT Live 1.1 发布，强化多语言语音支持
OpenAI 发布 GPT Live 1.1，重点提升多语言支持，更新了法语、德语、印地语、墨西哥西班牙语、韩语和日语的语音，并减少了“checking...”等待。该版本正在 Codex、ChatGPT 和 Dots 中推送，API 即将上线。
匹配字段标题
Bland 推出 Blandie 公开演示，可基于企业网站生成品牌语音与短信智能体
Bland 推出新工具 Blandie 的公开演示，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。智能体可记住客户是否拨打过 Bland 的电话号码，并在文字聊天中引用。
匹配字段标题
OpenAI 为 ChatGPT 等语音模式升级 GPT-Live-1.1
OpenAI 为 ChatGPT、Codex 和 dots 的语音模式推出升级，新模型 GPT-Live-1.1 新增法语、德语、印地语、墨西哥西班牙语、韩语和日语语音，并修复了持续显示“Checking..”的问题。API 支持即将推出。
匹配字段标题
OpenAI 发布 GPT-Live-1.1 语音更新
OpenAI 宣布 GPT-Live-1.1 为 ChatGPT、Codex 和 dots 的语音功能带来新声音、更好的口音以及更少的“checking...”停顿，新增法语、德语、印地语、墨西哥西班牙语、韩语和日语声音。今日起向所有用户推送，API 即将上线。
匹配字段标题
Meta 联合米兰布雷拉美术馆推出 AI 眼镜无障碍导览，支持艺术品识别及语音讲解
Meta 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，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。
匹配字段标题
IBM 发布 Granite Switch 4.1：一个端点提供对话、决策与语音能力
IBM 发布 Granite Switch 4.1-8B 和 4.1-30B，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 + 4 个专用 aLoRA）快于 Jev-27B（冻结基座 Qwen + 1 个通用决策 LoRA）；其 3B 版本在 Doom 游戏中达到 60-100 次决策/秒，并可在游玩时进行叙述和回答问题。IBM 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。
匹配字段标题
GPT-Live-1.1 系统卡：OpenAI 发布新一代语音模型
OpenAI 发布 GPT-Live-1.1 与 GPT-Live-1.1 Quip 两款全双工语音模型，前者接替 GPT-Live-1，后者接替 GPT-Live-1 mini。GPT-Live-1.1 成为 Plus 及以上用户（含 Codex 和 Dots）的默认语音模型，GPT-Live-1.1 Quip 为其他用户默认。在合成音频评测中，GPT-Live-1.1 在性内容、心理健康、情感依赖和血腥类别上相较 GPT-Live-1 出现统计显著退步，OpenAI 表示需进一步研究并在后续版本改进。
匹配字段标题
NAVER Cloud 发布 Sommelier：面向全双工语音语言模型的实时对话数据管线
NAVER Cloud 在 ACL 2026 发布论文，提出 Sommelier——一个可扩展的开源多轮音频预处理管线，用于全双工语音语言模型。该管线把真实对话中的重叠语音、插话和反馈保留下来，而非当作噪声删除，从而让模型学会实时打断与回应。部分管线已开源供研究使用。
匹配字段标题
马斯克称 Grok 是最佳对话语音模型
马斯克发帖称 Grok 是全球最好的对话语音模型。他所引用的帖子介绍 Grok Voice 3.0 为全球最智能的语音到语音模型，擅长处理客户来电，响应时间不到一秒，成本低于其他前沿模型。
匹配字段标题
François Chollet 推荐 Gakku：K-12 语音 AI 写作辅导应用
François Chollet 推荐 Annie 团队打造的 Gakku，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。他认为对话式 AI 能实现无法规模化的 1 对 1 辅导，带来这一代人最大的教育跃升。
匹配字段标题
xAI 发布 Grok Voice 3.0，登顶 Artificial Analysis 语音对话指数
xAI 发布实时语音对话模型 Grok Voice 3.0，在 Artificial Analysis 的 Speech-to-Speech 指数上以 86.9 分登顶，高于 OpenAI GPT-Live-1 的 83.2 分和 Google Gemini 3.8 Live 的 82.6 分，前代 Grok Voice 2.0 为 81.3 分。该模型在 τ-Voice 客服对话基准上成功率从 56.5% 升至 71.6%，位列第二，落后 GPT-Live-1（Astra, Medium）的 74.5%；人类盲测偏好排名第三，语音输出平均延迟 0.81 秒，价格维持每分钟 0.08 美元。xAI 称其已在特斯拉车辆中每天处理数百万次对话，并在 Starlink 工作日接听约 2 万通客户来电，其中约 70% 无需人工介入，现已通过 API 开放。
匹配字段标题
SpaceXSI 发布 Grok Voice 3.0，语音到语音指数超过 OpenAI 与 Google
SpaceXSI（原 xAI）发布语音到语音模型 Grok Voice 3.0，用于其 Voice Agent API。Artificial Analysis 的 Speech-to-Speech Index 给它 86.9 分，高于 GPT-Live-1 的 83.2 和 Gemini 3.8 Live 的 82.6；Full Duplex Bench 得分 97%。在 Tau-Voice 上 OpenAI 模型以 74.5% 略高于 71.6%，但 SpaceXSI 称其首次出声快约 40%。该模型现已在 Voice Agent API 上线，每分钟 8 美分，与 Grok Voice 2.0 同价。
匹配字段标题
Fish Audio 发布 Drama 3：35B 开源权重 MoE 文本转语音模型
Fish Audio 本周发布 Drama 3，一个 35B 参数的混合专家（MoE）文本转语音模型，每 token 约 3B 参数激活，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。
匹配字段标题
SpaceXAI 发布 Grok Voice 3.0，登顶 AA 语音对话指数
SpaceXAI 发布语音到语音模型 Grok Voice 3.0，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。该模型通过 /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。其 τ-Voice 得分 71.6%，仍低于 GPT-Live-1 的 74.5%。
匹配字段标题
xAI 发布 Grok Voice 3.0 语音模型，登顶 Artificial Analysis 语音到语音榜
xAI 发布 Grok Voice 3.0 语音到语音模型，在 Artificial Analysis Speech to Speech Index 上以 86.9 分登顶，高于 GPT-Live-1（Astra, medium）的 83.2 和 Gemini 3.8 Live Extended Thinking（High）的 82.6，较 Grok Voice 2.0 的 81.3 提升 5.6 分。该模型通过 SpaceXAI Realtime API 提供，价格与 Grok Voice 2.0 相同，为每分钟 0.08 美元、每小时输入音频 4.80 美元；Big Bench Audio 音频推理得分 98.5%，平均首音频延迟 0.81 秒，Tau Voice 得分 71.6%。
匹配字段标题