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。
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。
TechCrunch 盘点了 6 款面向家庭办公的 AI 硬件,覆盖会议记录、桌面快捷操作、文档批注、视频追踪和久坐提醒场景。
影石 Insta360 旗下 Mic Pro 与 Wave 两款麦克风完成免费固件升级,原生接入腾讯 WorkBuddy,录音可直接进入 AI 工作流。Mic Pro 长按录音键 2 秒即可唤起录音,文件自动传输至 WorkBuddy 资料库,并完成文字稿转写与 AI 总结;Wave 绑定后可语音唤起云端任务,一键生成纪要与待办。
奔驰新 E 级全新 AI 智能座舱实测流畅度出众,屏幕 60 帧刷新、语音车控 0.8 秒响应,但同质化交互冲淡了传统「奔驰味」。车机引入场景助手与 AI 出行助手,将于明年 1 月 OTA 接入豆包 AI 大模型 2.0 版本。Momenta R7 辅助驾驶率先落地纯电 GLC,支持「车位到车位」与 0-130km/h 全速域人车共驾,但通勤效率偏低。
Anthropic 于 11 月 19 日在纳斯达克上市,首日收盘大涨 17.07%,市值约 1.27 万亿美元,募资 813 亿美元成为有史以来最大规模 IPO。阿里巴巴 CEO 吴泳铭表示,千问已在平头哥芯片上训练下一代模型,百炼已基于国产芯片提供模型推理服务。此外,苹果被曝正自研可操控设备、浏览网页、编写代码的 AI 智能体,谷歌也为 macOS 版 Gemini 推出「电脑操控」功能。
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。
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。
PolyAI 实时对话推理模型 Dialog-RSN-1 现已上线 AWS Marketplace 与 Amazon SageMaker JumpStart,支持一键部署至自有 AWS 环境。
ChatGPT 推出 Live Dictation 功能,说话时即可实时转写,不再等录音结束。该功能已在网页、桌面应用及 iOS 和 Android 端向全球所有套餐推出,用户可点击音频波形查看实时文本并在输入框中编辑。OpenAI 同时取消了语音听写 10 分钟的录音时长限制。
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。
作者在 Apple Watch Ultra 4 上实测 Siri Recap beta 两周,并与 Amazon Bee Frontier 对比。
11 月 19 日,火山引擎正式上线豆包实时音视频通话模型 SeedRealtime 1.0 API 服务,将声音、画面、时序与表达统一到同一端到端模型,实现边看、边听、边说的全模态实时交互。相比依赖 ASR、VLM、TTS 串联的传统级联系统,该模型降低了延迟叠加和信息损耗,音视频对话节奏问题减少了一半,并具备持续环境感知与主动表达能力,可在察觉场景变化或任务节点时主动提醒和介入。
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。
Stretto 联合 AWS 生成式 AI 创新中心与 CI&T,基于 Amazon Bedrock 的语音到语音模型 Amazon Nova 2 Sonic 构建 AI 语音智能体 Tara,以电话自动完成破产咨询的多阶段信息采集。
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。
NodLink 是一款 MIT 协议开源的 Mac 工具,读取 AirPods 姿态传感器每秒 50 次的头部朝向数据,把转头和点头映射为光标移动,歪头充当点击与拖拽,再配合系统本地语音指令完成点击、滚动、输入等操作。
微软在 Ignite 2026 大会上发布首款语音对语音模型 MAI Realtime 1,面向企业实时语音场景,可处理打断、快速确认和嘈杂多人环境,基础使用费为每音频分钟 0.01 美元,推理另按每百万输入 token 1 美元、输出 token 5 美元计费。
微软在 Ignite 2026 上宣布医疗 AI 产品 Dragon Copilot Transcribe 正式采用自研语音识别模型 MAI-Transcribe-2,承担 100% 医患对话转写任务。
谷歌宣布为移动平台 Gemini 应用推出 66 种地区语音,覆盖美式英语、英式英语、印度英语、印地语、巴西葡萄牙语、印度尼西亚语和韩语 7 个语言类别。英国用户可选 10 余种地区口音,包括纽卡斯尔、利物浦、伯明翰、苏格兰、威尔士、北爱尔兰口音以及多元文化伦敦英语。
开源项目 Garlic LLM 可让越狱版 PS4 绕过游戏驱动直接调用 AMD GCN GPU,离线运行 9B 参数大语言模型。项目基于 Qwen3.5-9B 基座,以 3/4 位量化压缩至约 4.5 GiB,文本生成约每秒 31-39 个词元,代码生成最高每秒 43 个词元,上下文窗口约 16,000 个词元。
原美团门票度假和交通事业部总经理刘燕翔已离职创业,与前飞书国际化运营负责人 Garin 联合创办乎零科技(品牌乎零 Huling),已完成千万级人民币种子轮融资。
Audible 推出 “audio discovery” 功能,用 AI 生成书籍主题概览和读者好评总结,并搭配编辑或作者评论音频与朗读样本,帮助用户快速选书。该功能初期仅面向美国部分英文书目,Recaps 与 “Ask a Question” 工具则将扩展至更多美国书目并于 12 月更广泛开放,且仅限已购买或通过会员访问相应书籍的用户使用。
Audible 推出 AI 辅助简介功能 audio discovery,将有声书片段、涵盖主题与听众反馈的 AI 概览,以及来自作者或编辑的评论相结合,帮助用户在收听前判断是否喜欢。个性化有声书合集同步在美国上线,含 Audible 编辑评论。Ask a Question 与 Recaps 两项 beta 功能扩展至更多英文书目,更大范围推出计划于 12 月开始。
<summary_zh> 康冠旗下 KTC 推出 VMAX 全感知智能体主机,在 Windows 迷你主机基础上整合云台摄像头、阵列麦克风与 VMAX GO 随行屏。主机本地集成视觉、音频算法及对话与会议纪要大模型,可本地运行复合型 AI 工作负载并支持语音交互。磁吸可拆卸的 VMAX GO 随行屏脱离后可作为便携录音副屏独立采集音频,放回主机后自动同步数据并生成结构化会议纪要。
彭博社记者 Mark Gurman 曝光了苹果首款智能眼镜的细节,内部代号 N50,没有屏幕,被员工称为「戴在脸上的 AirPods」,预计 2027 年 6 月 WWDC 发布、年底发货。
本文解析 DeepSeek 官方开源的静态聊天示例 chat-demo(v0.1.1),该应用无后端,浏览器直接持 API Key 请求配置的服务。作者进一步拆解其五层架构、流式事件合并、附件引用、联网搜索与语音能力,并归纳 DeepSeek 六组 API 可拼出的三类产品形态。
彭博社记者马克·古尔曼透露,苹果计划在 2027 年 6 月 WWDC 发布首款智能眼镜,并在当年年底开始出货。原型机内部代号为 N50,无内置显示屏,用户主要通过 Siri 交互;运行精简版 visionOS 28,处理器基于早期 Apple Watch 芯片改进而来,镜框略小于 Meta 第二代 Ray-Ban。
HomePod mini 2 延续上代球形设计,价格上涨 350 元至 1099 元,但小体积内低频量感充足、人声顺滑,S10 芯片与计算音频优化功不可没。新品新增 Sound Glow 律动灯效并下放老机型,还升级 Wi-Fi 6E、可作为 Mac 默认扬声器,但后者目前存在断连等问题。它更适合深度使用苹果生态的用户,已有一代的用户不必升级。
苹果首款智能家庭中枢 HomeView 于 11 月 13 日在海外上市,首批评测显示其 Siri AI 体验不成熟且存在隐私隐患。
Meta 旗下 AI 智能体 Muse 推出代打电话功能,面向 Meta AI 最高级别付费订阅用户开放,月费 19.99 美元起。Muse 使用 AI 合成语音代用户联系保险公司、有线电视服务商、美国车管部门或餐厅,但部分商家听出 AI 后会挂断电话。
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。
苹果首款智能家居中枢 HomeView 于 11 月 13 日在美国等市场发售后,官方更新多份支持文档,披露照镜子、睡眠定时、访客权限及个人信息保护等日常使用细节。
AssemblyAI 用 Amazon EC2 Spot Instances、Amazon ECS 和 Amazon SQS 搭建成本优化的语音转文字推理架构,在维持 SLA 承诺的同时显著降低成本。
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。
ElevenLabs 在纽约 11/11 Summit 上发布实验性应用 ElevenAI,整合会议记录、听写和智能体集成,目前处于预览阶段,需申请早期访问。应用支持跨会议数据查询、聊天中的实时辅助、90 多种语言的语音转文字,并允许企业集成 ElevenAgent 执行后续操作(如基于会议记录起草邮件)。估值 220 亿美元的 ElevenLabs 将其定位为团队产品而非个人效率工具。
DeepSeek 宣布正式开放全家桶应用 API,在原有 API 中开启对应参数即可获得深度思考搜索、文件输入等对话功能,开发者可 1:1 复刻完整 DeepSeek App。
同一新闻,精选展示《DeepSeek 开放全家桶应用 API,新增语音识别与合成接口》
腾讯混元发布实时语音模型 Hy Realtime,新增 Agentic 工具调用与唱歌能力,已在元宝语音通话、腾讯客服等产品上线,近期将上线腾讯云并提供 API 服务。该模型可结合上下文还原口齿含糊、话说半截等不完整输入的意图,并能按歌手、专辑、曲风、语种、年份与热度组合点歌演唱。官方表示下一步将重点提升双工交互、长期个性化记忆与前后台 Agent 交互能力。
Meta 的消费级 AI 智能体 Muse 现在可以代用户拨打美国商家电话,该功能仅限付费订阅用户使用。Muse 订阅起价为每月 20 美元、每周 5 亿 token,重度用户可选每月 100 美元的 30 亿 token 套餐。Instinct 和 Google Gemini 也已提供类似能力,但不少商家识别出来电是 AI 后会直接挂断;另外 Muse 邮箱功能即将向免费用户开放。
Anthropic 推出 Claude Meetings,让 Claude 以可见参与者身份加入视频通话,可回答问题、生成文档和白板并记录笔记与待办事项。Claude 默认以文字回应,经授权可调用已连接工具,会议结束后相关内容集中在 claude.ai 专属页面。
Microsoft Research Focus 第 98 期分享微软最新研究进展,涵盖 AI 通用翻译、解决 31 年的 KLS 猜想及提升编程智能体效率。APEC 方法通过后台准备摘要,将编程智能体成本降低 25.4%、执行时间缩短 9.6%。Latent Core Tokenizer 在 104 种语言上生成更具语言学意义的 token,提升多语言基准表现。