←搜索结果

搜索“语音”

按匹配度 · 共 1380 条结果 清除搜索

星期四

  1. Larsen Cundric

    Larsen Cundric 感叹语音模型进步惊人

    Larsen Cundric 就 xAI 发布 Grok Voice 3.0 评论称“语音正变得好得吓人”。被引用的发布帖介绍，Grok Voice 3.0 是号称全球最智能的语音到语音模型，擅长处理客服通话，响应时间不到一秒，成本低于其他前沿模型。

    匹配字段标题、摘要

    #analysis#模型发布#语音#xAI
  3. Unite.AI

    xAI 发布 Grok Voice 3.0 语音到语音模型，Voice Agent API 每分钟 0.08 美元

    xAI 于 10 月 14 日发布 Grok Voice 3.0 语音到语音模型，已在 Voice Agent API 上线，定价每分钟 0.08 美元，与上一代相同。xAI 引用 Artificial Analysis 10 月 13 日的独立测试称，该模型以 86.9 分位列 Speech-to-Speech Index 第一，高于 GPT-Live-1（Astra, Medium）的 83.2 和 Gemini 3.8 Live 的 82.6，延迟低于一秒。xAI 还称其在 ServiceNow 的 EVA-Bench 上取得 74% 的最高准确率，并已在 Tesla 车辆和 Starlink 呼叫中心部署，后者每天处理 2 万通客户来电。

    匹配字段标题、摘要

    #hot-signal#模型发布#语音#xAI
  4. Unite.AI

    Square 发布旗舰智能 Kiosk：支持智能体 AI 语音点单，售价 1999 美元

    Square 于 2026 年 10 月 14 日推出旗舰自助点单 Kiosk，搭载智能体对话式语音层，可实时回答菜单问题、推荐菜品并支持语音与触屏随时切换，售价 1999 美元加每台每月 99 美元软件费，当天起在美国上市，仅支持英语。设备配备 21.5 英寸触屏、飞行时间传感器和三麦克风 AI 降噪，集成 tap、dip、PIN 支付与礼品卡扫描，并同步推出面向大型连锁快餐的多账户管理方案。

    匹配字段标题、摘要

    #hot-signal#产品更新#语音#部署/工程
  5. Testing Catalog

    xAI 发布 Grok Voice 3.0 语音对语音模型

    xAI 发布 Grok Voice 3.0，官方称其为全球最智能的语音对语音模型，在多项基准和 Artificial Analysis Speech-to-Speech Index 上达到 SOTA，延迟降低 40%，响应时间不到一秒，并强调其成本低于其他前沿模型，擅长处理客户来电场景。

    匹配字段标题、摘要

    #hot-signal#模型发布#语音#xAI
  6. Lingxi Li

    Lingxi Li 推荐在 Grok 语音中试用

    Lingxi Li 发帖推荐在 Grok 的 @Bot 语音中试用。该帖引用了 SpaceX Super Intelligence 宣布 Grok Voice 3.0 的推文，称其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，且成本低于其他前沿模型。

    匹配字段标题、摘要

    #analysis#模型发布#语音#xAI
  8. Rohan Paul

    Grok Voice 3.0 登顶 Artificial Analysis 语音到语音指数

    Grok Voice 3.0 在 Artificial Analysis 的 Speech-to-Speech Index 上排名第一，得分为 86.9，超过 OpenAI 和 Google。该指数综合口语推理、模拟客服通话、盲测偏好投票和任务成功率，GPT-Live-1（Astra，Medium）为 83.2。在 τ-Voice 上，Grok 的成功率从 Grok Voice 2.0 的 56.5% 提升到 71.6%；其响应速度比 GPT-Live-1 快 40%，在 Big Bench Audio 上每任务成本为 0.025 美元，低于 GPT-Live-1 的 0.030 美元和 GPT-Realtime-2.1（High）的 0.055 美元。Grok Voice 3.0 已在 Tesla 中每天处理数百万次对话，并驱动 Grok Bot 的语音模式。

    匹配字段标题、摘要

    #ai-news#评测/基准#语音#xAI
  9. Artificial Analysis

    Artificial Analysis 评测：Grok Voice 3.0 登顶语音到语音指数 86.9

    Artificial Analysis 评测显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分登顶其 Speech to Speech Index，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，每分钟 0.08 美元，输入音频每小时 4.80 美元；在 Speech Agent Arena 任务成功率上以 94.8% 居首，Big Bench Audio 音频推理得 98.5%，Big Bench Audio 平均首音频延迟 0.81 秒，慢于 Grok Voice 2.0 的 0.70 秒。

    匹配字段标题

    #editorial#评测/基准#语音#Agent
  10. Rohan Paul

    xAI 发布 Grok Voice 3.0，语音到语音指数 86.9 超过 OpenAI 和 Google

    xAI 发布 Grok Voice 3.0，在 Artificial Analysis 的语音到语音指数上以 86.9 登顶，超过 OpenAI 和 Google，GPT-Live-1（Astra, Medium）为 83.2。在 τ-Voice 模拟通话任务中，Grok 的成功率从 Grok Voice 2.0 的 56.5% 升至 71.6%。速度上它比 GPT-Live-1 快 40%，后者 1.34 秒约合 0.8 秒，略慢于 Grok Voice 2.0 的 0.70 秒；在 Artificial Analysis 的 Big Bench Audio 上每任务成本 0.025 美元，低于 GPT-Live-1 的 0.030 美元和 GPT-Realtime-2.1（High）的 0.055 美元。

    匹配字段标题、摘要

    #ai-news#模型发布#语音#评测/基准
  11. Apple Machine Learning Research

    Apple 研究：用语音基础模型的语言选择性维度检测语码转换

    Apple 提出一种直接从语音中检测语码转换（CS）的轻量方法，利用预训练语音编码器帧级的语言信息判断一句话中是否同时出现两种语言。在 CS-FLEURS 的 14 个语言对上，Whisper-small 编码器取得平均 F1 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。该方法只需少量 CS 数据调整决策规则，可用于筛选多语言语料。

    匹配字段标题、摘要

    #lab#论文/研究#语音#数据/训练

星期三

  1. Analytics India Magazine

    Gnani AI 发布 Timbre v3.0：AI 语音可低语、大笑与喊叫

    Gnani AI 推出文本转语音模型 Timbre v3.0，支持通过音频标签控制语音的低语、大笑、叹气、喊叫以及停顿、放慢或加快语速，无标签时模型会根据语义、语气和标点自动调整表达。该模型可在 200 毫秒内生成首段音频，支持流式播放与长文本合成，并具备跨语言保持音色一致和文本规范化能力，目前 Timbre 已驱动超过 10 万小时语音通话。

    匹配字段标题、摘要

    #hot-signal#模型发布#语音#多模态
  2. Analytics India Magazine

    Sarvam AI 发布 Bulbul V4 Flash：11 种印度语言实时语音，首音频延迟低于 250 毫秒

    Sarvam AI 推出文本转语音模型 Bulbul V4 Flash，支持 11 种语言，首音频延迟低于 250 毫秒，定价 ₹20/1 万字符，较 Bulbul V3 的 ₹30 降价三分之一。该模型提供 83 种音色和 224 种音色与风格组合，在可比负载下比 V3 快最多 40%，已通过 Sarvam API、Playground 和 Content Studio 开放，现有 Bulbul 用户可经原 API 迁移。Sarvam 还预览了主打情感表达的 Bulbul V4 Pro，但未公布发布时间与价格。

    匹配字段标题、摘要

    #hot-signal#模型发布#语音#部署/工程

星期二

  1. Baseten 工程博客

    Baseten 上线 Gradium TTS：TTFA 快于人类语音响应

    Gradium TTS 已在 Baseten Model Library 以专用部署形式上线，面向实时语音智能体，其 TTFA 快于人类语音响应时间。在 Coval TTS 基准（截至 2026 年 9 月）上，Gradium TTS 中位 TTFA 为 214 ms。该模型采用 Kyutai 的 Delayed Streams Modeling 架构，以 80 ms 帧对齐文本与音频流，并通过 kernel fusion 与 CUDA Graphs 优化 GPU，官方基准显示启用 CUDA Graphs 后小批量下中位 TTFA 降低超过 2.5 倍。

    Delivering real-time text-to-speech with Gradium

    匹配字段标题、摘要

    #editorial#产品更新#语音#部署/工程
  2. ElevenLabs Blog

    英国上议院首次使用 AI 生成语音发表演讲

    英国上议院议员 Baroness Campbell 使用 ElevenLabs 复刻的本人声音，在《健康法案》二读中发表演讲，这是英国议会两院首次有议员或议员使用 AI 生成语音发言。她通过上传旧录音片段克隆音色、节奏与音高，再用文本转语音生成演讲音频，经辅助设备在议事厅播放。ElevenLabs 称其技术已帮助超过 11000 名因伤病失去声音的人恢复声音，并承诺帮助全球 100 万名声音丧失者。

    Bearded man wearing glasses and a green shirt, seated indoors.

    匹配字段标题、摘要

    #company#行业动态#语音#政策/监管
  3. FireRedTeam 原创项目精选

    FireRedChat 开源全自托管全双工语音交互方案

    FireRedTeam 开源 FireRedChat，提供全自托管的实时语音 AI 智能体方案，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。2025/09/16 已发布级联系统所需的 pVAD、turn-detector 模型以及 FireRedTTS1、FireRedASR 服务，项目采用 Apache-2.0 许可。

    匹配字段标题、摘要

    #company#开源/仓库#语音#部署/工程
  4. FireRedTeam 原创项目

    FireRedVAD：支持 100+ 语言的工业级语音活动检测与音频事件检测

    FireRedTeam 开源工业级语音活动检测与音频事件检测方案 FireRedVAD，支持非流式/流式 VAD 与非流式 AED，可检测 100+ 语言的语音、歌唱与音乐。其非流式 VAD 在 FLEURS-VAD-102 上取得 97.57% F1，超过 Silero-VAD、TEN-VAD、FunASR-VAD 和 WebRTC-VAD。项目采用 Apache-2.0 许可，已发布模型权重与推理代码，并支持 NCNN 多平台运行时。

    匹配字段标题、摘要

    #company#开源/仓库#语音#端侧
  5. FireRedTeam 原创项目精选

    FireRedTeam 开源一体化语音系统 FireRedASR2S

    FireRedTeam 开源 FireRedASR2S，一套包含 ASR、VAD、LID、Punc 四个模块的一体化语音系统，各模块均称达到 SOTA。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%。四个模块可独立使用，模型权重与推理代码已放出，技术报告见 arXiv。

    匹配字段标题、摘要

    #company#开源/仓库#语音#多模态
  6. FireRedTeam 原创项目

    FireRedTTS3 发布：支持 24 种语言与 21 种中文方言的语音克隆

    FireRedTeam 发布 FireRedTTS3，一个基于语义增强连续语音表征的统一语音生成与编辑系统，包含 Base 和 Instruct 两个版本。Base 支持 24 种语言和 21 种中文方言的零样本语音克隆，在 MiniMax-MLS-Test 上平均 WER/CER 为 3.754%、说话人相似度 84.8%；Instruct 支持自然语言语音设计和语义、声学语音编辑。模型已在 Hugging Face 和 ModelScope 开放下载，并发布 Gradio demo，采用 Apache-2.0 许可。

    匹配字段标题、摘要

    #company#开源/仓库#语音#多模态

星期一

  1. Analytics India Magazine

    SquadStack.ai 发布 Arth V2 语音转文字模型，宣称 67ms 转写延迟

    SquadStack.ai 发布流式语音转文字模型 Arth V2，在 863 通真实印度销售电话基准上语义词错误率为 8.85%，80% 情况下在客户说完后 67 毫秒内返回最终转写。其含义改变类错误比 Sarvam Saaras v4 少 18%、比 Google Gemini 3.5 Transcribe 少 26%、比 OpenAI gpt-live-transcribe 少 28%。该模型已用于其企业语音 AI 智能体，并以封闭测试形式向其他团队开放。

    匹配字段标题、摘要

    #hot-signal#模型发布#语音#评测/基准