技术方向
AI 语音与音频：语音合成、实时语音对话、音乐生成与音频理解的模型与产品。
101 条精选近 30 天 84 条共收录 121 条
Destined AI 发布开源英语 TTS 模型 Hurston-1，支持美国南部及多类非洲英语口音。phone 模式输出 8 kHz G.711 mu-law 音频并可接入 Twilio，默认仍为 24 kHz，项目地址为 https://huggingface.co/destined/hurston-1。
推荐理由：Hurston-1 同时提供多口音合成、8 kHz 电话输出和 WER 与盲听评测，可用于构建客服及语音智能体的口音测试数据。
TechCrunch 汇总了多款面向个人记录、陪伴和任务处理的 AI 可穿戴设备与便携硬件。已公布或预计售价从 Bee 的 $49.99 到 Sandbar Stream 戒指的 $299，常见能力包括持续录音、转写、摘要、提醒、情绪识别和语音交互。
推荐理由：文章按价格、佩戴形态和核心功能横向比较多款 AI 可穿戴设备，并列出订阅门槛、隐私控制与上市状态，便于判断产品定位。
AMBIT 提出统一框架，通过自回归场景规划与整流流渲染，生成并编辑一阶 Ambisonics（FOA）空间音频。共享 Transfusion 骨干以可执行 ScenePlans 描述声源内容、活动和 3D 轨迹，编辑计划覆盖需保留的声源；FOA 感知连续 VAE 维护内容与声道间结构，在策略自蒸馏则针对学生生成状态改进规划和渲染。
推荐理由：论文将可执行场景规划、整流流渲染与在策略自蒸馏整合进统一框架，并同时验证空间音频生成和指令编辑效果。
Block 发布全双工语音到语音模型 Dessa，可同时听说，并能在 MacBook M4 Max 或更高配置的消费级电脑上本地运行。该模型完全基于人类语音训练，Block 称其仅用单块 NVIDIA GPU 训练，并将情绪直接纳入语音生成。模型目前尚未公开访问，Block 邀请安全研究人员测试语音智能体误导他人的风险。
推荐理由：Dessa 的全双工语音、情绪表达与消费级设备本地运行方案交代具体，并说明暂未开放及安全测试安排，便于评估语音智能体的落地条件。
声网CEO赵斌在iRTE2026提出五级对话能力框架，把对话式 AI 从单轮应答一路拓展至基于深度关系的沟通。L1至L5分别覆盖自身视角表达、互动规律、个体认知、群体认知与深度关系，赵斌称实时互动基础设施还需支撑低延迟、稳定交互、上下文理解与任务执行。
推荐理由：赵斌的五级框架把对话能力从单轮应答延伸到关系理解，圆桌则补充 Agent、穿戴设备和业务交付视角，为梳理对话式 AI 的演进方向提供具体参照。
科大讯飞首发星辰TaaS平台，以星辰MaaS为底层，通过模型调度、智能体引擎、知识工程和工具编排连接模型能力与行业应用。平台覆盖同传翻译、数字员工、办公提效、知识问答、智能营销等场景，并面向企业服务、金融、医疗、教育、能源等行业提供产品与解决方案。平台提出将 Token 消耗嵌入真实业务流程，让每次 Token 调用推动业务任务完成。
推荐理由：星辰TaaS把模型调度、智能体引擎、知识工程与工具编排串成全链路，并给出金融、医疗等行业落地方向。
国内AI艺人正沿AI短剧衍生和原生艺人两条路径，通过独立账号、品牌共创与线下演出探索商业化，但仍未形成可复制、可持续的盈利模式。方桃子截至10月22日拥有55.8万抖音粉丝，单条商单报价一度达25.8万元/60秒，但报价并非真实成交价，首条美瞳广告下架后团队称将暂时拒绝商务合作。Yuri尤栗、吴爱花等已有品牌合作，但大众影响力、持续内容产出、运营成本，以及广告真实性、版权和授权机制仍制约收入兑现。
推荐理由：文章借方桃子的报价与广告合作案例，拆解粉丝数、名义报价和关联商品销售额不能直接代表AI艺人盈利能力。
Daniel Murrell 发布开源 Mac 歌唱训练应用 OnKey，可配合 Spotify、Apple Music 或浏览器中的 YouTube 跟唱。首次播放可显示歌词，并在歌曲结束时学习旋律；之后呈现滚动音符、实时音高轨迹和逐句评分。
推荐理由：OnKey展示了从主唱分离、实时音高跟踪到逐句评分的完整流程，并说明本地处理、硬件门槛与数据请求，适合评估Mac端歌唱练习方案。
Anima 借助 GPT-6 和 GPT-Live 帮助诊所将电话等待时间缩短 75%。Anima 扩展了护理团队使用 OpenAI 模型响应患者的能力，让团队获得更大的患者响应容量。
推荐理由：Anima 在诊所场景中借助 GPT-6 和 GPT-Live 将电话等待时间缩短 75%，为医疗场景中的模型应用提供了可量化参照。
科大讯飞发布端云一体讯飞星火X2.6，并同步推出语音基座大模型SparkAudio 1.0。云端和端侧星火X2.6-4B能力同步提升；未来60%的应用可在本地完成，30%通过云端协同，10%需要云端大模型解决。SparkAudio 1.0支持语音识别、同传、交互、音频理解、情绪识别、实时说话人分离和环境声理解。
推荐理由：端云一体的任务分工、本地处理比例和多类语音能力，为比较模型应用的安全、效果与成本提供参考。
Falcon 是一种因果音视频目标说话人提取模型，利用目标说话人的嘴部视频从噪声和重叠语音中提取其声音。模型采用单次多尺度时频分离器与编码空间说话人对比损失，相较 causal AV-TFGridNet，可训练参数减少 91.9%，计算量降低 20.2×，GPU 推理延迟降低 11.1×。
推荐理由：论文提供真实场景基准，并报告相对 causal AV-TFGridNet 的参数、算力与延迟对比，便于评估效率取舍。
OpenAI 已向所有客户开放 Decisions API 决策模型，并在公开版本中加入语音和视觉模态。该模型由 ChatGPT Luna 重新配置以加快推理、降低成本，处理延迟由 1–3 seconds 降至 100、120、180 milliseconds。
推荐理由：文章同时给出 Decisions API 的延迟数据、客户试用结果和榜单位置，便于比较其速度、成本与决策能力。
本文演示将 AI 智能体逐句生成的文本即时送入 Amazon SageMaker AI 上的 Kokoro-82M TTS 模型，并在完整回答完成前开始播放语音。
推荐理由：给出逐句流式合成、双向会话和音频回传的实现路径，并用对照测试量化各方案的首音频延迟与实现取舍。
Amazon Polly Generative engine 已正式升级，在声音名称和 API 调用不变的前提下提升语音自然度、表现力与准确性。此次新增 14 个声音，覆盖 9 个语言区域；生成式声音总数达到 57 个，涵盖 11 种语言和 25 个语言区域，印地语与芬兰语生成式声音首次正式可用。
推荐理由：现有应用无需修改代码、声音名称或 API 调用即可获得更自然的输出，便于评估生成式语音升级的迁移成本。
AWS 教程在 Amazon SageMaker AI 上部署 Kokoro-82M，并用 Q_max 与 T_total 两项实测配置 TTS 自动扩缩容。在 3,000 ms p95 TTFAB SLO 下，Q_max=50；纯扩容实测耗时 260.2 秒，另计入由策略配置限定的 60.0 秒检测延迟，规划值为 320.2 秒。
推荐理由：文章把TTS自动扩缩容拆成Q_max与T_total两项实测，并用它们推导阈值和冷却时间，方法可迁移到其他延迟敏感端点。
Nirva 宣布获得 $25 million pre-Series A 融资，加上今年早些时候的 $8 million，累计融资达到 $33 million。首款设备是一枚可兼作手链的 AI 吊坠，重约 8 克，单次充电最长续航 3 天；Nirva 称设备会依据引导阶段的用户语音片段过滤周围人的对话，处理后默认不保留音频数据或转录文本。
推荐理由：文章说明了设备如何用引导阶段的语音样本过滤周围对话，并在处理后默认不保留音频或转录，为环境 AI 穿戴设备的隐私设计提供可比较案例。
科大讯飞在1024开发者节期间发布讯飞输入法16.0，推出第三代语音输入“意图成稿”。用户说出表达意图后，产品可理解需求、收集规整信息、组织内容，并生成和润色可用文稿。16.0还提供个性化AI键盘与“键盘搭子”，用于辅助输入和提供情绪价值。
推荐理由：第三代语音输入把理解需求、整理信息、生成和润色文稿连成一次交互，呈现输入法从语音转写走向智能表达的产品路径。
腾讯混元发布 Hy-SimulMT，提供中英双向语音到语音实时同声传译，并支持在配置 TTS 后进行实时声音克隆，保留说话者声音特征。模型持续接收音频并同步输出译文文本与语音，面向会议、演讲和访谈等实时沟通场景。
推荐理由：材料给出 RealSI 等基准、与职业译员的小规模对比及完整部署路径，读者可据此判断模型在实时翻译场景中的质量、延迟与可操作性。
GM 将在未来数月为 2027 Cadillac Lyriq EV 推出个人 AI 助手 OnStar AI Assistant，后续覆盖更多 GM 车型。GM 计划 2027 年推出新的 OnStar 移动应用，替代 OnStar Guardian 及 Buick、Cadillac、Chevrolet 和 GMC 品牌应用，并与车载软件同步。
推荐理由：GM 将 OnStar 从呼叫中心转向联网智能平台，并同步调整车载功能与数据授权，呈现传统车联网服务的重构思路。
Google 今日在美国面向 Apple CarPlay 用户上线 Google Maps 的 Gemini 对话式导航，并将在全球范围内逐步推开，距离去年在 Android Auto 上线已近 12 个月。
推荐理由：对比一年前已在 Android Auto 上线的 Gemini，CarPlay 版仅获得导航对话能力，未同步支持同日发布的 Personal Intelligence 功能。