hiw3c 日报精选

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 3 / 6 页

星期五 · 9 条
  4. arXiv cs.AI/CL/LG信号源（脚本内置抓取）01:50快照

    信任还是不信任：言语中的检索增强事实核查

    作者：Debajyoti Mazumder、Mamta、Abhirama Subramanyam Penamakuri|在线错误信息越来越多地以新闻片段、播客、采访、政治演讲和社交媒体视频等语音形式出现，这就需要能够直接通过语音验证主张的事实核查系统。我们引入VeriSpeak，这是一个用于研究大型音频语言模型（LALM）中基于语音的事实验证的探测基准。Ve

    快照阅读原文 ↗
  7. AWS ML Blog海外官方00:20快照

    SageMaker AI上使用WhisperX进行扬声器标记的转录

    AWS WhisperX深度学习容器将Whisper、wav2vec 2强制对齐和扬声器拨号打包到可支持GOP的图像中。了解如何将其部署到Amazon SageMaker AI实时和同步端点，以进行字级、扬声器标记的转录，以及重要的生产细节：图形处理器AMI引脚、扩展和成本控制。

    快照阅读原文 ↗

星期四 · 9 条
  2. BestBlogs·每日早报BestBlogs 精选14:00中文原文

    EP185 · GPT-6 缓存、Gemini 语音、Grok 4.7 · 09-24 早报

    📝 今日导语 GPT-6 缓存降重复成本，Gemini 3.8 TTS 设计声音，Grok 4.7 强化长任务：看清各自适用场景。 🏷 今日关键词： GPT-6 提示缓存 Gemini 3.8 TTS Grok 4.7 Agent 排障 AI Native 研发 Harness 验证 📰 今日精选内容 GPT-6 的改进提示缓存 OpenAI News ·

    原文 ↗
  5. MarkTechPost国际媒体02:17快照

    英伟达发布Nemotron 3 Diaration：100兆参数开放重量模型，实时跟踪8个扬声器

    英伟达在Hugging Face上发布了Nemotron 3 Diaration，这是一款开放重量扬声器Diaration模型。它回答了有关任何对话的一个问题：谁什么时候说话。100 M参数模型最多可跟踪8个扬声器，包括语音重叠时的情况。一个检查点处理离线录音和实时流媒体。它可以部署吗？是的这些权重是在[.]下发布的NVIDIA发布Nemotron 3 Di

    快照阅读原文 ↗
  6. The Decoder国际媒体01:57快照

    ChatGPT Voice通过电子邮件、日历和Slack访问权限更接近“她”

    ChatGPT Voice现在运行在OpenAI的新GPT-6 Astra、Sol和Luna型号上，并且可以访问电子邮件、日历和Slack等插件。用户只需通过交谈即可管理约会、发送电子邮件或构建网站。这次更新使OpenAI更接近于Sam Altman长期以来一直以来所推崇的日常人工智能助手，而不是科幻电影《她》中的助手。ChatGPT Voice通过电子邮件

    快照阅读原文 ↗
  7. The Decoder国际媒体01:39快照

    谷歌的新Flash TTC模型让您使用文本描述从头开始设计人工智能语音

    谷歌正在推出两种新的文本转语音模型：Gemini 3.8 Flash TTC和Flash Lite TTC，支持100多种语言。Flash TTC可以从文本描述中创建新的声音，这两种模型都允许用户将舞台指示添加到单独的台词中，并从单个脚本生成双语音对话。语音克隆功能可以根据30秒的样本构建语音配置文件。谷歌新的Flash TTC模型让您可以使用文本描述从头开

    快照阅读原文 ↗
  8. Simon Willison个人技术博客01:12快照

    双子座3.8 TTC游乐场

    工具：Gemini 3.8 TTC Playground谷歌今天发布了两款新的Gemini文本转语音模型- gemini-3.8-flash-tts和gemini-3.8-flash-Lite-tts。他们配备了一个超过2,000个声音的库，加上创建一个自定义声音的能力，“只是一个30秒的音频样本，你的声音或你有权使用的声音”。我用GPT-6 Astra编写

    快照阅读原文 ↗

星期三 · 10 条
  3. BestBlogs·AI 高分精选BestBlogs 精选23:24中文快照

    Gemini 3.8 文本转语音模型你好

    📌 One-Sentence Summary Google 推出了 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，这两款先进的文本转语音模型提供了生成式语音设计、逐行性能控制以及多语言支持。 📝 Summary Google 宣布了 Gemini 家族中的两个新文本转语音模型：Gemini 3.8 Flash TTS 和 Gem

    快照阅读原文 ↗
  5. The Decoder国际媒体20:31快照

    阿里巴巴推出Qwen音频3.1新型号，AI音频价格大幅下调95%

    阿里巴巴人工智能团队Qwen发布了Qwen-Audio-3.1，这是语音识别（ASB）、文本转语音（TTC）和实时交互五种型号的阵容。ASB模型改进了多语言和方言识别，并自动清理填充词和重复内容。ASR-Next添加了具有时间戳的多扬声器识别，并检测情感、环境声音和机器噪音。TTC处理多语言合成[.]阿里巴巴推出了Qwen Audio 3.1以及新型号，并将

    快照阅读原文 ↗
  7. BestBlogs·AI 高分精选BestBlogs 精选17:11中文原文

    Qwen-Audio-3.1 发布！

    📌 One-Sentence Summary Qwen-Audio-3.1 是一个完整的音频堆栈，包括五个模型，用于理解、生成、交互和创造，价格大幅下降。 📝 Summary Qwen-Audio-3.1 是 Qwen-Audio 系列的重大升级，包括五个模型，分别是 ASR、TTS、Realtime、TTS-Next 和 ASR-Next，每个模型都有自己

    原文 ↗
  8. MarkTechPost国际媒体14:33快照

    Kyutai发布理性之声：用强化学习解决口语数学的语音原生模型

    Kyutai发布了Voice of Reason，这是两个基于GLM-4-Voice-9 B的开重语音到语音模型。监督微调和强化学习将语音GSM 8 K准确率从27.3%提高到77.1%。循环中没有转录步骤，也没有文本LLM。两个检查站都位于Hugging Face上，并使用一台H100运行。Kyutai发布《理性之声：用强化学习解决口语数学的语音原生模型》

    快照阅读原文 ↗
  9. MarkTechPost国际媒体12:50快照

    SpeakON自带麦克风推出MagSafe AI语音按钮

    手机上的语音输入问题多年来一直得到解决。没有解决的是输出。用大多数口述工具说话，你会准确地回到你所说的内容，包括填充物和错误开头，然后你必须在笔记中清理并转移到其他地方。SpeakON攻击了与硬件的差距：[.] SpeakON推出带有自己麦克风的MagSafe AI语音按钮的帖子首先出现在MarkTechPost上。

    快照阅读原文 ↗
  10. MarkTechPost国际媒体12:29快照

    SpeakON配备自带麦克风的MagSafe AI语音按钮：将您的语音转化为精致的沟通，并在应用程序中执行操作

    手机上的语音输入问题多年来一直得到解决。没有解决的是输出。用大多数口述工具说话，你会准确地回到你所说的内容，包括填充物和错误开头，然后你必须在笔记中清理并转移到其他地方。SpeakON攻击了与硬件的差距：一个[.]帖子SpeakON配备了自己的麦克风的MagSafe AI语音按钮：将您的语音转化为精致的通信，以及跨应用程序的操作首先出现在MarkTechPo

    快照阅读原文 ↗