语音与音频
AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
已收录 129 条 · 近 30 天 104 条 · 第 2 / 7 页
与Amazon Bedrock AgentCore、托管知识库和Nova Sonic建立语音旅行礼宾服务
将语音旅行礼宾添加到航空公司应用程序中，其中包含Amazon Bedrock AgentCore、Amazon Nova Sonic用于实时语音以及Amazon Bedrock Knowledge Bases用于政策解答。旅客更改座位、检查延误并通过语音询问政策问题，而座席则通过HCP工具到达您的后台，并在更改之前确认每一项更改。
双子座呼叫我可能会告诉你妈妈你迟到了
谷歌可能会将其“Call for Me”人工智能功能扩展到商务电话之外，以便您可以使用它向朋友和家人发送消息。Android权威报告称，在APK拆解中发现了“Gemini Calling”介绍性屏幕，其中示例包括“打电话给妈妈并告诉她我会迟到15分钟”和“打电话[.]
美股异动| Cerebras大涨近9%，与OpenAI正展开“深度合作”；SPCX涨近4%，微软涨近2% 港美股资讯 - hstong.com
我们在2026年9月公布的最新AI新闻
展示九月份人工智能更新的视频
微软人工智能为语音代理发布新的转录和文本转语音模型
微软AI发布了MAI-Transcribe-2-Streaming，这是一种实时转录的新模型。文章Microsoft AI为语音代理发布了新的转录和文本到语音模型，首次出现在The Decoder上。
EP192 · Gemini Argon 推进长程任务、Anthropic 衡量机器人工作、Eleven v4 升级语音
📝 今日导语 Gemini Argon 推进长程任务，Anthropic 衡量机器人工作，Eleven v4 升级语音：看懂落地取舍。 🏷 今日关键词： Gemini 4 Argon 机器人就业 Eleven v4 发布 Harness AI 研发效能 📰 今日精选内容 Gemini 4 Argon：前沿智能的新阶段 Google DeepMind · 文章
人工智能语音初创公司ElevenLabs估值翻倍至220亿美元
3亿美元的员工招标由惠灵顿和T.共同牵头。罗·普莱斯。
开放TTC排行榜：多语言文本到语音和语音克隆的可扩展评估
CLARRES-TTC：用于情感语音生成的剩余增强型载体引导
作者：黄宽波、刘昊和、彭朴元|以情感为条件的文本到语音（TTS）模型可能无法可靠地表达所请求的情感，并且通过额外的训练来提高可控性在计算和情感标记的语音训练数据中都是昂贵的。因此，我们研究了载体转向，这是一种无需训练的方法，可以修改冻结模型的内部表示。CoCoCoEmo，一种用于e的传统载体引导方法
OpenAI DevDay 2026实时博客
我今天在旧金山梅森堡参加OpenAI DevDay。与去年一样，我将在白天实时撰写主题演讲和一些其他笔记。OpenAI为我提供了一张免费门票和一个主题演讲“创作者”区域的座位。标签：ai、openai、generative-ai、llms、编码代理、live-blog
ElevenLabs的新v4语音模型使人工智能语音更具表达力和一致性
Elevenlabs的新语音模型Eleven v4可以更准确地跟踪笑声和低语的线索，并在有声读物等长篇作品中保持声音一致。其涡轮变体在150毫秒内开始说话，专为实时语音代理而构建。在Armed Analyze的Voice Arena排行榜上，v4排名领先于Cartesia和Google的Gemini。ElevenLabs的新v4语音模型使人工智能语音更具表达
阿里巴巴Qwen发布Qwen-Audio-3.1-Realtime：一个经过思考、行动和决定何时说话训练的高保真语音模型
阿里巴巴的Qwen团队发布了Qwen-Audio-3.1-Realtime，这是一种经过推理、调用工具和决定何时说话的全速语音模型。在调整tau-Voice时，任务成功率从78.4%上升到82.0%。背景言论的回复率从73%下降到13%。它现在可以作为QwenCloud上的API提供。阿里巴巴Qwen发布Qwen-Audio-3.1-Realtime：经过思
在SageMaker AI上使用vLLM-Omni构建实时语音应用程序-第1部分
使用AWS vLLM-Omni Deep Learning Container在Amazon SageMaker AI上部署文本到语音模型，并通过持久双向连接流式传输生成的语音。本教程第1部分部署Qwen 3-TTS并通过Gradio应用程序传输语音。
在一个Deepfake的声音欺骗了她的祖父后，这位创始人采取了行动
在她的祖父被哥哥的深度伪造声音欺骗后，Tarini Padmanabhuni创立了DetectifAI，这是一家旧金山初创公司，它构建了足够小的人工智能模型，可以直接在智能手机上运行并实时标记虚假声音，它现在是TechCrunch Disrupt的Startup Battlefield竞争的公司之一。
Modulate为其语音模型和分析套件筹集2500万美元
Modulate部署其模型来检测深度造假、欺诈和骗局
阿里Qwen-Audio-3.1-TTS拿下权威语音榜全球冠军
9 月 28 日，在全球权威 AI 评测平台 Artificial Analysis 的语音排行榜（Controlled Voice Arena）上，阿里巴巴最近发布的语音大模型 Qwen-Audio-3.1-TTS 以 1177 的 Elo 评分位列全球第一。 图说：权威三方评测Artificial Analysis显示，Qwen-Audio-3.1-TT
Nvidia推出了免费的100兆参数模型，可实时识别多达八个扬声器
Nvidia发布了Nemotron 3 Diaration，这是一个人工智能模型，可以识别对话中的任何特定时刻哪个说话者正在说话。Nvidia放弃了一个免费的100 M参数模型，该模型可以实时识别多达八个扬声器，该模型首先出现在The Decoder上。
Google Research的MSEB编码指南：根据基准合同编写声音编码器并在分类，聚类，检索和分割中对其进行评分
关于Google Research的Massive Sound Embedding Benchmark（MSEB）的全面编码教程，演示如何实现自定义声音编码器、驱动分类、集群、检索和分段评估器，以及分析多任务基准性能。谷歌研究院MSEB编码指南：为基准合同编写声音编码器并在分类、集群、检索和分段中对其评分这篇文章首先出现在MarkTechPost上。
Sarvam AI发布Saaras V4：适用于所有22种印度语言和全球英语的语音到文本模型
Sarvam AI的Saaras V4是一个语音转文本模型，涵盖所有22种印度语言和全球英语。它将音频编码器与3B混合状态空间解码器配对。它添加了多达50个术语的关键词提示、1个型号的5种输出模式以及第一个令牌延迟低于150 ms的流媒体。今天可以通过Sarvam的API以每小时30的速度提供。Sarvam AI发布Saaras V4：适用于所有22种印度语