IBM Granite Speech 发布 granite-speech-5.0-2b，并更新两款现有模型
IBM Granite Speech 发布 granite-speech-5.0-2b，并更新 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
推荐理由：文章按高精度翻译、端侧速度和多说话人归因区分三款模型，并给出速度与错误率变化，便于按场景比较选型。
技术方向
语音与音频 最新动态
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
更新
精选归档 · 第 3 页
Hugging Face Blog精选AI 评分7272 MIT Technology Review精选AI 评分4040 AI 助力解码动物交流，跨物种翻译仍受多重限制
机器学习已被用于识别动物叫声、区分发声个体并发现模式，但跨物种通信翻译仍处于早期探索。Earth Species Project 的 NatureLM 使用人类语音、音乐和动物声音训练，目标是解释多种物种的发声。研究者同时指出，LLM 可能因偏重声学相似性而误判不同含义，多模态信号和缺少多物种共同参照也让准确翻译与双向交流难以实现。
推荐理由：文章说明AI已能识别和归类动物叫声，但跨物种信号差异、感知范围与缺少共同参照仍会妨碍准确翻译。
钛媒体精选AI 评分6262 澳大利亚 AI 反诈公司 Apate 获 815 万美元种子轮，累计融资接近 1000 万美元
澳大利亚 AI 反诈公司 Apate 获 815 万美元种子轮，累计融资接近 1000 万美元。Apate 用 AI 语音和文字 bot 冒充受害者，与骗子累计完成 250 万次对话、浪费其 17 年时间，并将长通话里的冒充对象、话术和收款渠道沉淀为威胁情报。
推荐理由：文章拆解了 Apate 将诈骗流量转为训练数据和情报产品的闭环，以及运营商转接与主动接触如何构成其规模化机制。
36氪精选AI 评分2929 苹果据悉本月将在韩国为 Siri AI 增加韩语支持
业内消息人士称，苹果计划从本月起在韩国为 Siri AI 增加韩语支持。报道将其称为搭载生成式人工智能的助手，但未披露具体上线日期、支持机型或功能范围。
推荐理由：这条快讯给出了 Siri AI 在韩国增加韩语支持的时间计划，可作为其本地化推进与市场覆盖变化的参考。
The Decoder精选AI 评分5757 ElevenLabs 发布 Eleven Realtime v1 Max 与 v1 Mini 语音到语音模型
ElevenLabs 发布 Eleven Realtime v1 Max 和 v1 Mini 两款语音到语音模型，面向实时 AI 对话。v1 Max 在 Big Bench Audio 上得分 98.8%，响应时间为 0.57 秒；ElevenLabs 称，目前 Artificial Analysis 排行榜上没有模型能同时更快且更准确。
推荐理由：文章给出 Max 的准确率和响应时间，并区分两个版本的成本与场景，还说明平台和 API 入口，便于比较实时语音模型的取舍。
Hacker News精选AI 评分7979 Mistral 发布 Voxtral 3 语音模型与语音智能体 SDK
Mistral 发布 Voxtral 3 语音模型家族与基于 LiveKit 的语音智能体 SDK，支持 50+ 语种转写与 35+ 语种 TTS。
推荐理由：原文给出多语种转写和 TTS 的基准对比与定价，读者可以据此判断 Voxtral 3 在哪些场景比 Whisper、Gemini 等更具性价比。
TechCrunch精选AI 评分5959 Yelp 推出 Check for Me，由语音智能体代查餐厅等位时间
Yelp 在应用内推出 Check for Me，用户输入用餐人数和电话号码后，语音智能体会代其致电餐厅查询等位时间，并通过短信发送结果。Yelp AI 助手新增 OpenTable 集成、应用内预订、偏好记忆、自定义提醒和清单功能，用户可查看过去 30 天的聊天记录，完整历史即将推出。
推荐理由：除了代用户致电查询等位时间，Yelp 还把 AI 扩展到预订、偏好记忆和商户线索管理，覆盖消费者与商家两侧。
HF Daily Papers精选AI 评分3535 StyleStream 2.0：快速可控的流式语音风格转换
StyleStream 2.0 提出快速、可控的流式语音风格转换方案，相关论文获 NeurIPS 2026 接收。系统可在保留语音内容的情况下转换参考音色，也能依据自然语言描述设计音色或定向编辑声音属性。其在消费级 GPU 上实现 520 ms 端到端延迟，并通过少步 MeanFlow 生成和自回归反馈加速推理。
推荐理由：论文将参考音色转换、自然语言音色设计与定向编辑统一到流式框架，并给出 520 ms 端到端延迟数据。
HF Daily Papers精选AI 评分5454 Qwen-Audio-3.1-ASR 模型家族技术报告发布
Qwen-Audio-3.1-ASR 模型家族在 Qwen-Audio-3.0-ASR 基础上改进语音识别，并扩展说话人区分转写与通用音频理解能力。该家族支持 30 种语言和 16 种中文方言；说话人区分 ASR 输出说话人标签、时间戳和识别文本，保持跨轮次说话人标签一致，并能表示重叠语音。
推荐理由：报告将语音识别、说话人区分和通用音频理解纳入同一模型家族，并列出语言、方言及部署变体，便于对照不同任务需求。
AWS Machine Learning Blog精选AI 评分3838 Deepgram 如何借助 AWS Trainium 规模化优化语音 AI 推理
Deepgram 与 AWS Forward Deployed Engineering 团队合作，将 Nova-3 语音转文字模型移植到 AWS Trainium2，在离线批量任务上每美元可处理的音频量较此前方案提升 11–70%。
推荐理由：完整记录 Nova-3 移植到 Trainium2 的工程步骤与吞吐成本收益，可作为同类语音模型推理优化的实操参照。
HF Daily Papers精选AI 评分4949 Heartbeat Thinking：实时语音智能体边聆听边推测推理与执行工具
Heartbeat Thinking 让实时语音智能体在聆听更新时持续准备工具调用，并在 FDBench v3 上将工具覆盖率提高 16 个百分点、平均最终响应延迟降低 36.4%。
推荐理由：论文将 Heartbeat Thinking 与窗口式基线对比，并报告工具覆盖率、检索复用和响应延迟的变化。
36氪精选AI 评分3535 微信鸿蒙版上线小艺语音操作：可一句话发消息、打语音和视频
微信鸿蒙版近日上线小艺语音操作能力，唤醒小艺后直接说发消息、打微信语音或打微信视频等指令即可完成对应操作，发送消息还能直接说出具体内容。联系人重名或指令不清时小艺会提示确认，更新微信鸿蒙版和小艺至最新版本即可体验。
推荐理由：微信鸿蒙版接入小艺语音助手，一句话即可发消息、打语音或视频通话，为双手不便场景提供了新的交互入口。
Hacker News精选AI 评分3939 Bold Agent Kit：分析约 14,000 通来电发现人类接待员转化率约为 AI 四倍
Bold Agent Kit 对约 14,000 通客户来电的分析显示，人类接待员在入站意向转化上比 AI 接待员高出约 4 倍。AI 接听的电话出现无进展挂断的比例比人类高出 700%，而人类接待员的漏接率比 AI 多约 15%。文章认为企业应衡量每次成功转化的成本，而不是只比较接听成本。
推荐理由：用一手对比数据揭示 AI 接待员在接通率与转化率之间的权衡，为读者评估自动化收益提供具体参照。
Hugging Face Blog精选AI 评分5555 IBM Granite Switch 4.1 发布，把对话、决策与语音识别统一到同一端点
IBM Granite 团队发布 Granite Switch 4.1 的 8B 与 30B 模型，把对话、通用与安全决策以及语音识别合并到同一端点，整体显存占用与基座模型接近。
推荐理由：文章介绍了 Granite Switch 4.1 如何用 aLoRA 把对话、决策与语音识别合并到单一端点，并给出与 Jev 等模型的推理速度对比，读者可据此评估这种组合架构的实际收益。
Hacker News精选AI 评分3535 Ubuntu 26.10 (Stonking Stingray) 正式发布
Ubuntu 26.10 代号 Stonking Stingray 正式发布，基于 Ubuntu 26.04 LTS 引入 Rust 版 coreutils、抗量子包签名与扩展的 TPM 全盘加密，并接入 Microsoft Entra ID 身份认证。
36氪精选AI 评分4040 千问AI耳夹式耳机接入千问App，支持语音问答与任务交办
10月15日，千问AI耳夹式耳机新增对千问App的支持，用户在App内点击"千问耳机"入口完成绑定后，可通过耳机进行语音问答，并在工作助理中语音交办资料研究等任务，由AI后台执行完成后主动提醒。该耳机由千问与Bose联合推出，10月13日开售，叠加国补及限时优惠后到手价1099元起。
推荐理由：原文给出耳机接入App的绑定方式与语音任务能力，并附带国补后1099元起的到手价，读者可一次看到功能入口与价格区间。
36氪精选AI 评分6767 苹果AI国内采用双合作伙伴：阿里提供模型能力，百度负责Siri和视觉智能
苹果计划今年12月通过iOS 27.3系统更新在中国推出苹果智能，首批功能为两年前在美国已发布的AI能力，覆盖iPhone、iPad和Mac，不含今年发布的全新Siri AI助手。
推荐理由：原文展示了苹果AI在中国市场采用阿里与百度双合作伙伴的分工安排，可作为海外厂商本地化落地的参考案例。
36氪精选AI 评分5858 xAI发布Grok Voice 3.0语音模型
xAI于当地时间10月14日推出Grok Voice 3.0语音模型。模型通过语音代理API开放使用，定价为每分钟0.08美元，与上一代持平。xAI表示Grok Voice已用于特斯拉车辆语音交互及星链客服中心，后者每天处理约2万通多语言客户来电，约70%无需人工介入即可解决。
推荐理由：通过与上一代相同的按分钟定价，以及星链客服每日两万通来电的处理量，让读者看清其真实部署规模和使用成本。
HF Daily Papers精选AI 评分4848 CoSTA：通过解耦生成与合成 token 空间加速语音对话模型
论文提出 CoSTA，通过解耦语音对话模型的生成与合成 token 空间，在保留原 tokenizer 和 decoder 的同时提升推理效率。在双语语音对话基准上，扩展语音 token 的生成速度达到约 1.7times，完整响应延迟降低、吞吐量提高，同时保持回答质量。
推荐理由：论文将语音对话模型的生成与合成 token 空间解耦，在保持回答质量的同时呈现推理加速效果及压缩、效率与质量之间的权衡。
The Verge · AI精选AI 评分4040 Square 推出 Square Kiosk：内置对话式语音 AI 的自助点单机
Square 发布 Square Kiosk 自助点单机，配备 21.5 英寸触摸屏并支持对话式语音 AI 点单；AI 能理解商家菜单并实时回应，可完成提问、修改和替换等操作。设备售价 $1,999，面向 Square Plus 或 Premium 订阅用户，另需每台每月 $99 软件费。
推荐理由：Square 将对话式语音 AI 落地到线下点单硬件，给出了硬件形态和订阅定价，可作为 AI Agent 进入零售场景的参考案例。