跳到正文
实时
#语音
11月6日周五
  1. The Verge · AI65

    Meta Muse AI代理新增语音模式与动态表情头像

    Meta允许用户实时与Muse AI代理进行语音对话，CEO马克·扎克伯格宣布该功能已向部分用户推送。在iOS应用中，Muse代理的头像会根据对话内容实时动画，用户可通过询问代理或浏览头像设置中的选项来调整语音语调。该语音模式在美国地区现已上线，并将很快应用于Meta的AI眼镜和即将推出的Muse Charm设备。

11月5日周四
  1. TechCrunch · AI65

    硅谷初创公司 Aina 发布智能戒指 Aina AI Ring，集成屏幕、摇杆和麦克风用于与 AI 智能体交互

    硅谷初创公司 Aina 发布智能戒指 Aina AI Ring，售价 399 美元，集成屏幕、摇杆和麦克风，可通过麦克风与 AI 智能体交互、记录笔记、接听电话，并作为 AI 和非 AI 应用的控制器。该戒指支持手势操作，可与 Mac 和手机屏幕交互，控制音乐或智能家居设备。Aina AI Ring 已开始预售，将于 2027 年 1 月发货。

  2. Hugging Face Blog72

    Phonon TTS 发布端侧语音模型，登顶 Hugging Face 开放 TTS 榜单多项指标

    Phonon 发布可在本地设备运行的小型 TTS 模型，无需服务器和网络，提供约 65 MB 和 75 MB 两个版本，覆盖英语、法语、德语、西班牙语和葡萄牙语。

    推荐理由: 原文交代了端侧 TTS 的模型规格、开源许可与榜单表现，可据此判断小模型在本地语音场景的可用边界。

11月4日周三
  1. MarkTechPost65

    Soniox STT v6 发布：新增智能体文本输入与回声过滤功能

    Soniox STT v6 是其语音转文本 API 的最新版本，通过读取智能体语音并实时分析其文本内容，实现更精准的对话识别和回声消除。该模型支持 60 多种语言，提供 stt-rt-v6（流式）和 stt-async-v6（文件）两种版本，运行于 Soniox 云 API（仅 WebSocket 流式和异步 REST），无自托管或设备端选项。

  4. AWS Machine Learning Blog38

    Cartesia 如何在 AWS 上构建超低延迟语音 AI 应用

    Cartesia 利用专为实时语音 AI 设计的状态空间模型（SSM）和 AWS 基础设施，实现亚 100ms 的文本转语音和语音转文本，支持 44 种语言语音克隆，适用于虚拟助手、客服中心等场景。Sonic 模型在约 90ms 内生成首个音频字节，Ink 模型具备原生话轮检测和噪声鲁棒性，API 接口支持实时流式输出。

11月3日周二
11月2日周一
11月1日周日
10月31日周六
10月30日周五
  1. MarkTechPost58

    Edge0 发布 0.6B 参数语音克隆 TTS 模型 Audio8-TTS-Realistic

    Edge0 发布开源文本转语音模型 Audio8-TTS-Realistic，0.6B 参数量支持 23 种语言零样本语音克隆，在 CV3 基准测试中平均误差率 4.86% 优于 Qwen3-TTS-1.7B 和 VoxCPM2，但低于 4B 级别的 Higgs TTS 3。模型采用双自回归架构，包含 24 层宽度 896 的慢分支和 4 层并行预测快分支，并使用学习型真实感评论家进行训练。

  3. TechCrunch · AI50

    Granola 推出语音转文字功能以应对 Wispr 的竞争

    Granola 在 Mac 上推出语音转文字功能，用户可按“Fn”键说话并自动生成文本，支持跨应用使用且免费。该功能将在 iOS 和 Windows 平台上线。Granola 和 Wispr 分别估值 15 亿美元和 20 亿美元，均聚焦语音应用，但前者专注会议自动化和笔记，后者则通过研究实验室探索人机界面。

10月29日周四
  1. TechCrunch · AI65

    亚马逊更新 Alexa 以帮助用户管理购物清单、订阅和更新配送说明

    亚马逊在节假日前为 Alexa 增加了 100 多项新的购物相关功能，包括订阅和清单管理、更新配送说明、解决支付问题和回答有关 Prime 订阅的问题。该更新允许用户使用 Alexa 创建、注册、查看清单内容以及添加或编辑项目，管理订阅，例如将物品的配送频率从每月一次改为每三个月一次，并编辑配送说明，如更改地址或添加提货详情。

  4. MarkTechPost

    AssemblyAI 发布 AssemblyAI-TTS-1：首个文本转语音模型，API 价格为每 1M 字符 15 美元

    AssemblyAI 发布了其首个文本转语音模型 AssemblyAI-TTS-1，面向实时电话呼叫中的语音代理，价格定为每 1M 字符 15 美元，无年度合同且支持无限并发。该模型在 AssemblyAI 的测试中实体准确率达 93.7%，与 ElevenLabs v4 相当，但价格仅为其五分之一，首次字节中位时间 47 毫秒，但在 Cekura 的独立基准测试中流式延迟中位数为 159 毫秒。

  5. MarkTechPost

    Block 发布仅基于语音训练的全双工语音模型 Dessa

    Block 宣布仅基于人类对话语音训练的全双工语音模型 Dessa，该模型无需文本或预训练模型，在 1 个包含 72 个 Blackwell GPU 的 NVIDIA GB200 NVL72 机架上进行训练，可在 MacBook Pro M4 Max 上本地运行且速度超实时，目前仅提供研究预览和等待名单。

    同一件事 · 5 家

    各家口径不同：The Verge 提及模型对话偶有'生硬和诡异'表现；The Decoder 和 TechCrunch 没有提到这一点。

  6. IT之家 · AI78

    英伟达开源语音转录模型 Nemotron 3.5 Transcribe，支持 40 种语言与 8 人说话人分离

    英伟达于 10 月 28 日推出开放权重语音转录模型 Nemotron 3.5 Transcribe，整合转录、说话人归属、翻译和音频问答，采用 MoE 架构，总参数约 340 亿、激活参数约 43 亿，可处理最长 1 小时录音，支持 40 种语言转录、最多区分 8 名说话人。

    同一件事 · 4 家

    推荐理由: 英伟达开源语音转录模型，公开了参数规模、多语言与说话人分离能力及榜单成绩，可对照现有开源 ASR 方案。

  7. MarkTechPost71

    NVIDIA 发布 Nemotron 3.5 Transcribe 开源语音模型，支持 40 种语言转写

    NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开放权重的语音大模型，单模型支持 40 种语言、最长 1 小时音频，并可输出逐字稿、书面体、说话人标注和翻译结果。

    同一件事 · 4 家
10月28日周三
  1. The Decoder71

    Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe，整合转写、翻译与说话人识别

    Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别，可处理最长 1 小时、最多 8 人的录音。

    同一件事 · 4 家
  2. TechCrunch · AI

    英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe

    英伟达发布开源语音转写模型 Nemotron 3.5 Transcribe，支持 40 种语言转写，含 30 亿参数，可在 Jetson AGX Thor 和 DGX Spark 芯片上运行。该模型能翻译 31 种语言、区分 8 个说话人，并在 Hugging Face Open ASR Leaderboard 基准测试中超越竞品，但仅支持录制音频。

    同一件事 · 4 家
  3. Hugging Face Blog78

    NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线

    NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合入同一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。

    推荐理由: 原文给出多语言转写、说话人分离与翻译的统一权重模型，并附开放数据管线和微调配方，可据此判断语音场景的适配路径。

10月27日周二