跳到正文
10月26日周一
  1. IT之家74

    腾讯混元同声传译大模型 Hy-SimulMT 开源,响应约 3 秒并称超人类译员

    腾讯混元发布并开源同声传译大模型 Hy-SimulMT,支持中英语音到语音实时翻译,边听边译并支持实时音色克隆,实测响应时间约 3 秒,低于人类专业译员 4-5 秒的平均水平。该模型在腾讯 Hy 翻译 App 首发并免费开放体验;官方测评称其翻译效果超过主流开源同传模型和多数商用同传 API,在自建多领域测评中质量达到人类同传专家水平且时延更低。

  2. 博客园37

    语音降噪模型 GTCRN 学习笔记(二)

    语音降噪模型 GTCRN 依靠 ERB、SFE 与 Mask 三个模块完成从带噪频谱到纯净语音的转换。ERB 利用预先算好的转换矩阵将 257 维 STFT 特征转换为 129 维,SFE 通过引入相邻频带将 3 通道数据扩展至 9 通道。模型输出复数比率掩码(CRM),相比实数掩码能同时修正幅度与相位,实现更好的降噪效果。

10月25日周日
  1. IT之家60

    Block 推出全双工 AI 语音模型 Dessa:可模拟笑声停顿哽咽,支持 MacBook 本地运行

    Block 发布全双工 AI 语音模型 Dessa,能模拟笑声、停顿、哽咽等情绪表达,可在 M4 Max 及更高配置的 MacBook 上本地运行。Dessa 完全基于人类语音数据训练,知识来源于训练所用的对话数据,无需搭配大语言模型;Block 称情绪表达为模型原生内置,但底层是否依靠标签调控尚不清楚。

  2. TechCrunch · AI61

    Block 发布语音模型 Dessa,情绪表达接近真人

    Block 发布语音模型 Dessa,可在单张 NVIDIA GPU 上本地运行,支持全双工同时说与听。该模型完全基于人类语音训练,Block 称其情绪表达内置在模型中,而非像 ElevenLabs v4 或 Fish Audio Drama 3 那样由文本或语音标签驱动。目前 Dessa 尚未公开开放,Block 正邀请安全研究员对其进行测试。

10月24日周六
  1. The Decoder56

    Block 发布完全由人类语音训练的 AI 模型 Dessa

    Block 发布语音模型 Dessa,完全基于人类语音从零训练、不使用任何文本数据,直接处理音频以实时感知情绪、讽刺、笑声与停顿。模型支持全双工通信,可边听边说,并在 MacBook Pro M4 Max 上本地运行,使用单台 NVIDIA GB200 NVL72 训练。Dessa 尚未公开,团队先邀请 AI 安全研究人员测试潜在风险。

  2. 量子位37

    iRTE2026:声网CEO赵斌提出五级对话能力框架,实时互动迈入对话 AGI 时代

    10月23日,声网创始人兼CEO赵斌在iRTE2026实时智能大会上提出“五级对话能力”框架,将对话能力划分为L1至L5五个层次,从被动应答演进至基于深度关系的沟通。框架五级依次为基于自身视角、互动规律、个体认知、群体认知与深度关系的沟通。声网同时介绍了以全双工交互为核心的实时互动基础设施方向,连接模型、Agent运行框架与用户。

  3. The Verge · AI52

    Block 发布 AI 模型 Dessa,像局促的新朋友一样和你对话

    Block 发布名为 Dessa 的 AI 模型,它完全只用人类对话从零训练,是真正的 speech-to-speech 模型,一切知识都来自人类语音。团队展示了多段偶尔略显尴尬的对话示例,包括与 OpenAI 的 GPT-Live-1 语音模型的对比。Dessa 可在 MacBook Pro M4 Max 或更高配置上本地运行,团队将向一小群 AI 安全研究人员提供早期访问。

  4. 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。

10月23日周五
  1. 少数派27

    TDS 评测|OPPO Enco X4 降噪真无线耳机体验

    TDS Studio 评测了 OPPO Enco X4 降噪真无线耳机,其降噪能力属于 TWS 第一梯队,但当前固件版本开启降噪时存在可察觉底噪。耳机采用 11mm 与 6mm 同轴双动圈单元,支持 LHDC 5.0 及 LHDC Lossless 48kHz/24bit,实测单次续航 14 小时 39 分钟,并具备 IP55 防尘防水与 39ms 低延迟游戏模式。

  2. 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。

10月22日周四
  1. IT之家37

    极米记得 AI 记忆手环 L1 上架:两种形态自由切换,全天候 AI 录音

    极米记得 AI 记忆手环 L1 今日上架,提供黑色、米色配色,售价暂未公布。该产品支持手环与吊坠两种形态自由切换,可全天候 AI 录音并自动整理纪要、待办,原始音频用完即删、记忆加密存于手机,综合续航 2-5 天。同日,极米记得 AI 记忆眼镜 G1 也已上架,功能与手环相近。

  2. IT之家59

    科大讯飞首发星火语音基座大模型 SparkAudio 1.0,已上线讯飞输入法 16.0 等产品

    科大讯飞在全球 1024 开发者节发布星火语音基座大模型 SparkAudio 1.0,集成机器翻译、语音识别、语义理解等能力。模型宣称在实时说话人分离、环境理解、音频理解、情绪识别等方面表现卓越,支持中英文任意切换、说话人实时识别,已在讯飞输入法 16.0、讯飞听见、讯飞办公本、讯飞翻译机全面上线。

10月21日周三
  1. Hugging Face Blog62

    IBM Granite Speech 5.0 发布:三款语音模型覆盖转写、翻译与说话人归因

    IBM Granite 团队发布 Granite Speech 5.0 系列更新:新模型 granite-speech-5.0-2b 与更新版 granite-speech-5.0-470m-turboctc、granite-speech-4.1-2b-plus,分别面向高精度多语转写翻译、端侧高速转写和多说话人录音。

    推荐理由:三个模型分别覆盖高精度转写、端侧极速转写和多说话人归因场景,读者可按企业需求直接选型。

  2. The Verge · AI61

    对话式 Gemini 导航登陆 Apple CarPlay

    Google 将对话式 Gemini 语音导航扩展到 Apple CarPlay,美国司机今日起可用,全球陆续推出。用户在车载屏幕的 Google Maps 中点击 Gemini 图标即可激活,可提问多步问题,如推荐景点并要求避开收费站前往。此次更新未包含昨日为 Android Auto 和内置 Google 车型发布的 Personal Intelligence 个性化功能。

  3. IT之家30

    苹果解密首款智能家居中枢 HomeView 核心优势:极简设计与 Siri AI 双王牌

    苹果首款智能家居中枢 HomeView 以极简体验与 Siri AI 为核心优势,可通过自然口语指令整合家庭设备与日常任务。该设备固定在家中持续通电、无需解锁,可作为 Apple Home 控制中心并首次支持多用户切换。HomeView 预计 2026 年 11 月 13 日发货,但屏幕较小且不能直接运行应用。

10月20日周二
  1. TechCrunch · AI63

    Yelp 推出 Check for Me:AI 语音代理可替用户致电餐厅询问等位时间

    Yelp 推出 Check for Me 功能,AI 语音代理可替用户致电餐厅询问等位时间,并以短信将结果发给用户。Yelp AI 助手新增 OpenTable 集成,可直接在应用内订餐,并支持记住偏好、查看过去 30 天聊天记录和设置自定义提醒。公司还发布面向商家的付费产品 Smart Lead Reply,每月 30 美元,可自动回复客户并筛选潜在客户。

  2. IT之家69

    日本演员工会发布 AI 语音使用准则,龙珠悟空配音演员怒批 AI 盗用其声音

    日本演员协会(JAU)发布生成式 AI 使用准则第一版,规定任何主体复刻演员声音在流程每一步都必须取得当事人同意,AI 企业用演员声音训练必须获得许可,经授权的 AI 生成语音被视作一类表演并需支付报酬或版税。该工会约有 2600 名会员,这是日本首批针对 AI 语音录制的行业规范;《龙珠》孙悟空配音演员野泽雅子表示未经许可使用其声音与盗窃无异,并称她听过的 AI 复刻版本没有情感。

  3. The Decoder69

    可灵 AI 发布 Kling 4.0:立体声音频、多语言口型同步及轻量 Flash 版本

    可灵 AI 发布 Kling 4.0 视频生成模型,单次可生成最长 30 秒视频,支持最多 10 张关键帧输入,提示词理解扩展至 8,000 tokens。升级后的 Omni Reference 可在单次生成中接受最多 15 个参考素材,新增双声道立体声音效与覆盖十多种语言的口型同步,轻量 Flash 版本上限为 720p 和 20 秒。

10月19日周一
  1. 少数派32

    派评:近期值得关注的 App

    本期《派评》推荐了多款 App,覆盖输入法、笔记、播客、Apple TV 工具与日历场景。紫毫 Hare 将 Rime 引擎与雾凇词库带入 iPhone 并主打开箱即用;Brink 用 AI 转译文稿帮助听众转化播客信息。Platen、TVScope 与 Chengyu Calendar 分别还原复古打字机书写、简化 Apple TV 录屏截图,并以每日一句成语呈现手撕日历。