跳到正文
  1. IT之家81

    OpenAI 开放 GPT-Live-1.1 API:支持实时双向对话,智能体可边聊天边处理复杂任务

    OpenAI 宣布向开发者开放 GPT-Live-1.1 API 语音模型,第三方应用可集成全双工实时语音交互能力。该模型为 GPT-Live-1 升级版,能识别说话中的停顿、打断与语速变化,并可将推理或工具调用任务委托给开发者指定的后端模型,对话无需中断。GPT-Live-1.1 自 2026 年 10 月 15 日起已是 ChatGPT Plus 及更高级订阅的默认语音模型。

    推荐理由:原文讲清了全双工语音交互与后端模型委托的结合方式,开发者可据此判断现有语音方案是否值得替换。

  2. AWS Machine Learning Blog64

    Amazon Polly 推出语音克隆功能:为品牌打造专属声音

    Amazon Polly 语音克隆现已正式可用(gated release),只需几分钟的说话人录音即可生成专属克隆语音,运行在 Amazon Polly 生成式引擎上。

    推荐理由:原文给出从录音、建声到合成的完整接入方式与配额限制,读者可据此评估把定制品牌语音接入现有应用的改造量。

  1. IT之家77

    ChatGPT 新增实时听写功能:对着麦克风说话语音即时变文字

    ChatGPT 宣布新增实时听写功能,用户对着麦克风说话时语音同步转成文字,不必等录音结束再转写。该功能将陆续向全球所有用户开放,覆盖网页版、桌面客户端及 iOS 和 Android 应用,同时取消原有 10 分钟时长限制。录音结束后可直接在输入框中编辑转写文字。

    推荐理由:原文给出了实时听写的使用方式、开放范围和时长限制取消,读者可据此判断它能否替代现有语音输入工作流。

  2. The Decoder81

    微软 AI 在 Ignite 发布七款自研 MAI 模型,以更低成本替代外部 AI 模型

    微软 AI 在 Ignite 大会一次性发布七款自研 MAI 模型,覆盖代码、安全、图像、语音和路由,主打性价比,对标合作伙伴 OpenAI 的产品线。MAI Code 2 在四项基准上达到 GPT-6.1 Sol 约 98% 的表现、成本为其 40%;MAI Cyber 2 Flash 在 CyberGym-E2E 上得分超过 GPT-6 Astra,每任务成本不到其 2%。

    推荐理由:原文逐项列出七款 MAI 模型与 OpenAI 对应模型的基准得分和价格对比,读者可据此评估自建与外部调用的成本取舍。

  1. Hugging Face Blog68

    Rumble-2-Flash 开源:支持 40+ 语言的 0.5B 语音识别模型

    Rumble-2-Flash 是 Reson8 发布的 0.5B 参数语音识别模型,支持 40+ 语言并自动检测语种,已以 Apache 2.0 协议开源,原生兼容 🤗 Transformers 与 vLLM。

    推荐理由:原文给出 0.5B 语音模型与 30B 模型的基准对比,以及跨分词器的 on-policy 蒸馏方法,可作为小模型压缩的参考路径。

  2. Google Research76

    Google Duplex 如何演进为在 Gemini 中替你拨打商家电话

    Google Research 本周在 Gemini App 的 Tasks 中上线 Duplex,让智能体替用户拨打商家电话并处理真实世界请求。文章回顾其十年架构演进,从闭域 RNN 模型、LaMDA 混合栈走向完全由 Gemini 统一的对话栈,并说明亚秒级延迟与嘈杂声学环境等实时电话技术难点。

    推荐理由:文章回顾 Duplex 十年架构演进,读者可从中理解实时语音智能体在低延迟与对话节奏上的工程难点。

  1. 量子位86

    DeepSeek 开放全家桶应用 API,新增语音识别与合成接口

    DeepSeek 宣布正式开放全家桶应用 API,联网搜索、文件上传、链接阅读、OCR、ASR、TTS 等能力均有独立接口,支持单独调用、分别计费,V4.1-Flash 已在 Messages、Responses 和 Chat Completions 三类接口下支持相关对话扩展功能。

    推荐理由:原文列出各独立接口的调用方式与价格对比,开发者可据此估算语音、搜索类应用的接入成本。

  2. The Decoder80

    Meta Muse 智能体可代用户拨打美国商家电话,但许多商家会直接挂断

    Meta 的 AI 智能体 Muse 现在可以代用户拨打美国商家电话,该功能 9 月测试后已向美国所有付费 Muse 订阅用户开放。Meta AI 负责人 Alexandr Wang 称 Muse 用户已超过 1000 万,可代打有线电视公司、车管所和餐厅等繁琐电话,很快还会获得免费邮箱地址。

    推荐理由:原文既给出 Muse 通话功能的开放范围,也指出商家挂断 AI 的现实阻力,读者可据此判断智能体语音能力的实际落地边界。

  1. 爱范儿76

    微信 AI 录音笔体验:手机都能装的办公神器,免费!

    微信输入法上线「AI 录音笔」功能,免费且无需额外硬件,录音时即可边听边总结,并生成会议摘要、流程图和责任分工。整理结果可生成链接分享给未安装的同事,关联设备间还能同步历史记录。不足之处是需要手动开启、无法与微信语音通话同时录音,相比系统级通话录音还不够无感。

    推荐理由:原文把免费的 AI 录音笔与 Plaud 等专用硬件和手机系统级通话录音做了对比,读者能据此判断哪种记录方案更适合自己。

  1. 博客园76

    视频是算出来的:DeepSeek Harness 零素材全代码生成视频插件

    作者用 DeepSeek Harness 插件以纯代码程序化渲染完成一部 3 分 54 秒中文科普片,核心做法是先逐句合成旁白、用实测 PCM 时长驱动时间轴,每帧作为纯函数保证可复现,再配四层质检。

    推荐理由:作者给出了可迁移的工程方法,用实测音频时长驱动时间轴、帧作纯函数、分层质检,让程序化视频可复现可验收。

  1. IT之家76

    Cursor 推出智能体实时语音聊天功能

    AI 编程工具 Cursor 于 11 月 6 日宣布推出“与智能体实时语音聊天”功能,开发者可用语音与编码智能体双向对话,口头描述代码修改需求并询问任务进展,同时智能体在后台继续编码。

    推荐理由:原文对比了语音听写与双向语音聊天的差别,并给出入口、语音选择与隐私设置,读者可据此判断它能否并入现有编码工作流。

  1. 少数派78

    国行 Apple 智能上手实测:首批功能、适配机型与实际体验

    国行 Apple 智能随 iOS 27.3 开发者预览版开放测试,写作工具、照片消除、实时翻译等功能先在 iPhone 上启用,Siri 接入千问处理复杂请求、百度负责识图搜索。

    推荐理由:作者第一时间实测国行 Apple 智能首批功能,逐项给出可用机型、启用入口与实际表现,读者可据此判断是否尝鲜。

  2. The Verge · AI80

    Apple 开始向第三方应用开放 Siri AI 能力

    Apple 在 iOS 27.3 更新中允许 Siri AI 跨第三方应用执行操作,开发者可将 Siri AI 的个人上下文、自然语言提示词处理和屏幕感知能力整合进“所有应用”。

    推荐理由:相比此前仅开放有限能力,本次更新让 Siri AI 能跨第三方应用完成任务,读者可据此评估其对现有语音交互工作流的影响。

  3. IT之家78

    国行 Apple 智能首批核心功能上线:AirPods 实时翻译登场,iPhone 可联手千问

    苹果面向 iPhone 推送首个 iOS 27.3 开发者预览版,为国行用户带来「Apple 智能与 Siri」,首批上线实时翻译、写作工具、视觉智能、图片消除、智绘表情和通知摘要等功能。

    推荐理由:原文逐项列出首批功能的设备门槛与启用条件,读者可据此判断自己的机型能否用上这些能力。

  1. 爱范儿80

    国行 Apple 智能正式官宣,首批功能 12 月随 iOS 27.3 推出,满血 Siri AI 仍需等待

    苹果正式宣布面向中国大陆用户推出 Apple 智能,首批功能 11 月 4 日起随 iOS 27.3 开发者测试版开启测试,12 月随正式版推出。首波功能包括全新 Siri 外观与交互、写作工具、照片消除与自然语言检索、智绘表情、实时翻译、视觉智能和通知摘要,仅限 iPhone 15 Pro/Max、iPhone 16 及后续机型,iPad 与 Mac 仍待监管审批。

    推荐理由:原文梳理了首批功能清单、硬件门槛与区域规则,并说清了千问云端扩展的边界,读者可据此判断自己的设备能否用上、用哪一套。

  1. Hugging Face Blog67

    AnySpeechRecognizer 与 AnyDecisionModel 发布:Apple 平台语音与决策开源 Swift 包

    mattt 在 Hugging Face 博客发布两个开源 Swift 包 AnySpeechRecognizer 与 AnyDecisionModel,均可从 Hugging Face Hub 下载开源模型并在设备本地运行。

    推荐理由:原文把两个 Swift 包的 API 设计、可选模型与基准数据列得较细,读者可据此评估能否在 Apple 端替换现有语音与决策方案。

  1. IT之家78

    英伟达开源语音转录模型 Nemotron 3.5 Transcribe,支持 40 种语言、最多 8 名说话人

    英伟达 10 月 28 日推出开放权重语音转录模型 Nemotron 3.5 Transcribe,并公开训练数据管线 Granary v2。模型采用 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,整合转录、说话人归属、翻译和音频问答。

    推荐理由:原文给出公开评测词错误率与说话人分离基准成绩,读者可据此比较它与同类开源转录模型的能力边界。

  2. NVIDIA Blog68

    NVIDIA RTX Spark 笔记本迎来新模型、Agent 工具与游戏更新

    NVIDIA 宣布 RTX Spark 笔记本迎来多项更新,覆盖新模型、Agent 工具与游戏。Nemotron 3.5 Transcribe 是约 4.3B 活跃参数的开放权重语音模型。

    推荐理由:原文把 RTX Spark 的硬件能力落到语音模型、Agent 资源调度和游戏生态三条线上,读者可据此评估端侧 AI 的实际使用场景。

  1. Google Research69

    Google Research 将基础模型推向结核病筛查前线

    Google Research 回顾了其结核病筛查 AI 从论文到临床落地的路径,与 Nexus AI 合作的胸片工具获 CE MDR IIb 认证,在六国约 40 家机构评估超 25,000 张胸片,周转时间从数周缩至 45 秒以内。

    推荐理由:原文梳理了从论文基准到 CE 认证临床工具的落地路径,读者可看到开放模型如何支撑各国本地化医疗部署。

  1. AWS Machine Learning Blog60

    Amazon Polly 生成式引擎重大升级:新增 14 个语音,首次支持印地语和芬兰语

    Amazon Polly 生成式引擎升级,提供更自然、更准确且低延迟的语音输出,新增覆盖 9 个地区的 14 个语音,印地语和芬兰语生成式语音首次正式可用。这是现有生成式语音的原地升级,语音名和 API 调用不变,已有应用无需改代码,价格也保持不变。升级后目录共 57 个生成式语音,覆盖 11 种语言、25 个地区,可用区扩展至 11 个 AWS Region。

    推荐理由:原文给出语音数量、语言覆盖和免改代码的替换式升级方式,读者可据此评估迁移成本与适用场景。