Joy 发布 10 万小时双轨真实对话数据集，覆盖 10 种语言
Shobhit Banga 发布双轨对话数据集 Joy，包含 10 万小时真实、非脚本化的双人对话，每人在独立音轨，覆盖 5 万名说话人和 10 种语言。Rohan Paul 指出，当前语音 AI 主要用 LLM 编写、TTS 朗读的虚假对话训练，听不到人们互相抢话，他对这些对话如何维持 10 到 20 分钟感到好奇。
匹配字段摘要、正文
←搜索结果
搜索“语音”
ChatGPT 为 dot 上线短信功能，Pro 用户可在美国预览
ChatGPT 宣布 dot 支持通过 iMessage 或 RCS 短信交互，用户可用文字、照片或语音留言给它派任务或让它持续关注某件事，dot 会主动发消息汇报相关进展。该功能以预览形式向美国 Pro 用户推送，官方称只有用户本人能给自己的 dot 发消息，dot 也只能回复本人，且不会让 dot 或 OpenAI 访问用户的其他短信对话。设置方式是在 dot 的个人资料页选择 Texting，dot 在不同入口共享同一套上下文和插件。
匹配字段摘要、正文
Google 与 Xreal 合作的 Android XR 眼镜 Aura 开售，起价 1099 美元
Xreal 与 Google 合作开发的 Android XR 眼镜 Xreal Aura 在美国、加拿大、日本和韩国开售，12GB+256GB 版 1279 美元、16GB+512GB 版 1499 美元，年底前优惠价为 1099 和 1299 美元，11 月中旬开始发货。它重约 95 克，采用分体架构，把主要计算单元和电池放到有线口袋主机中，搭载高通 Snapdragon Reality Elite 芯片，支持 Gemini 语音指令、手势追踪和 70 度视场。Xreal 称首发提供 150 多个 XR 应用与体验，并推出带 Gemini 键的手柄和无线键盘配件。
匹配字段摘要、正文
Sarvam AI 向马哈拉施特拉邦 2500 名政府官员部署 Indus Cowork
Sarvam AI 的 Indus Cowork 在 10 月 28 日由首席部长 Devendra Fadnavis 发布后，正部署给马哈拉施特拉邦 2500 名政府官员，用于起草文件、分析报告、汇总档案和检索政府记录。该邦 8 月批准了 Sarvam 主权 AI 方案，两年预算 11.26 亿卢比，除 Indus Cowork 外还包含面向公民沟通的语音与 WhatsApp 系统 Samvaad，并将 Saaras 语音识别和 Bulbul 文本转语音模型接入该邦 MahaAI 平台。平台支持包括马拉地语在内的 22 种语言，并提供检索政府决议的 GR Expert、邮件摘要和 RFP 投标评估等工具，Sarvam 称系统运行在位于印度境内的安全审计基础设施上。
匹配字段摘要、正文
OpenAI 将 ChatGPT dot 接入 iMessage 和 RCS
OpenAI 将 ChatGPT dot 智能体的使用入口扩展到 iMessage 和 RCS，此前该功能只能在 Slack 或 ChatGPT 应用内使用。用户可通过文字、照片或语音留言给它派任务，它会主动发消息汇报进展；在 dot 的个人资料中选择 Texting 即可设置，且不会让 dot 或 OpenAI 访问其他短信对话。
匹配字段摘要、正文
NVIDIA RTX Spark 笔记本更新：新增 Nemotron 3.5 Transcribe 与本地智能体工具
NVIDIA 公布 RTX Spark 轻薄笔记本的多项更新，包括开放权重语音模型 Nemotron 3.5 Transcribe、Liquid AI 的 LFM3 模型家族支持，以及 NVIDIA App 中可在前台应用与后台智能体之间分配 GPU 资源的控制项。Nemotron 3.5 Transcribe 支持 40 种语言的转写、说话人标注和翻译，约 43 亿活跃参数，已在 Hugging Face 上线。RTX Spark 笔记本现由 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 出货，起售价 2599 美元。
匹配字段摘要、正文
ElevenLabs 发布强制对齐模型 Cue，支持字符级音频时间戳
ElevenLabs 发布强制对齐模型 Cue，可为音频中每个字符定位精确时间点，并已用于 Scribe 语音转文字模型家族。Cue 覆盖 90 多种基准语言，单次处理任意长度录音，在生产 GPU 上对齐 1 小时音频约需半秒；在 29 种语言的基准上，其准确率高于 ElevenLabs 测试的所有对齐工具。该模型也通过 Forced Alignment API 单独开放。
匹配字段摘要、正文
腾讯混元开源实时中英同传模型 Hy-SimulMT
腾讯混元开源实时中英同声传译模型 Hy-SimulMT，延迟约 3 秒，支持实时语音克隆。官方称其表现优于多数开源模型和商业 API，模型已在 Hugging Face、ModelScope 和 GitHub 发布。
匹配字段摘要、正文
特斯拉确认正自研 AI 地图，将随 FSD v15 逐步推送
特斯拉副总裁阿肖克·埃卢斯瓦米在财报电话会议上确认，特斯拉正在自研一套基于 AI 的地图导航系统，将随 FSD v15 上线，融合车队采集数据、个性化路线规划并支持 FSD 语音控制。他称这是全新架构而非另一版地图，车队会自动采集街道信息并标注通行速度、停车标识、红绿灯、停车场等数据，用于解决限速识别、泊车和路线规划问题。新地图预计先在 FSD v15 的行程出发和到达阶段使用，之后数月内逐步覆盖泊车和语音控制等剩余导航能力。
匹配字段摘要、正文
百度健康升级文心健康管家，发布好医矩阵与健康相机
百度健康宣布升级文心健康管家，发布好医矩阵和健康相机，其AI服务月活跃用户已达5000万+。好医矩阵包含好医答、好医加号、好医说、好医榜、好医评，好医答入驻15万+全三甲真人医生提供7*24小时在线服务，好医加号已覆盖80%以上公立三甲医院、每天提供超12万个加号源。健康相机支持打字、方言语音、拍照和视频上传边拍边说，基于300万多模态影像素材训练，可识别动态体征与多发症状位置关系。
百度健康宣布升级文心健康管家，发布好医矩阵和健康相机，其AI服务月活跃用户已达5000万+。好医矩阵包含好医答、好医加号、好医说、好医榜、好医评，好医答入驻15万+全三甲真人医生提供7 24小时在线服务，好医加号已覆盖80%以上公立三甲医院、每天提供超12万个加号源。健康相机支持打字、方言语音、拍照和视频上传边拍边说，基于300万多模态影像素材训练，可识别动态体征与多发症状位置关系。
匹配字段摘要、正文
OpenAI 全面开放 Decisions API，与 TypeSafe 的 Jev 争夺决策模型市场
OpenAI 于周四向所有客户开放 Decisions API，该产品在 9 月 29 日的开发者日上发布，基于 ChatGPT Luna 重新配置以加快推理并降低成本。OpenAI API 产品负责人 Nikunj Handa 称，延迟从 1 至 3 秒缩短到 100、120、180 毫秒，公开版本新增语音和视觉模态，并按地域部署推理资源以降低延迟。在 Box、Datadog、Ramp、Speak 的初期试用中，Speak 将操作间隔从 1.4 秒降至 0.13 秒；在 AIM System One Index 和 Artificial Analysis Decision Index 上，OpenAI 的决策模型分别排第八和第十四，落后于 Liquid 的 D1 Ultra 和 Base Lab 的 Elephant-1。
匹配字段摘要、正文
Anthropic 推出常驻个人智能体 Duet
Anthropic 发布常驻个人智能体 Duet，在 iOS、Android 和网页端以独立于 Claude 的应用运行。Dan Shipper 称其测试两周后使用 Claude 的时间占比升至约 50%，应用内有按工作与生活领域划分的频道、待办列表和文档幻灯片编辑功能。他也指出 Duet 尚不能指挥电脑上的 Claude 会话，邮件草稿不如 dot，语音仅支持转写、无法对话。
匹配字段摘要、正文
Modal 推出 Sticky Sessions，让无服务器请求固定落到同一容器
Modal 发布 Sticky Sessions，基于 Modal Servers 实现会话内所有请求路由到同一容器，用 @modal.sessioned() 装饰器即可创建会话。每个会话返回签名 token 用于共享访问，扩缩容以活跃会话数而非请求量为单位。该功能面向语音智能体、共享房间和多人在线游戏等需要保持状态连续性的场景。
匹配字段摘要
AWS 发布 TorchNeuron 开发工具，让 PyTorch 应用改一行配置跑上 Trainium
AWS 发布 TorchNeuron 开发工具，让用 PyTorch 编写的 AI 应用只需改一行配置就能运行在亚马逊自研芯片 Trainium 上，无需重写代码。亚马逊称约 85% 的 AI 应用用 PyTorch 编写，并计划把移除框架与特定芯片绑定代码的改动提交到 PyTorch 上游。AWS Annapurna Labs 技术软件副总裁 Colin Brace 称，语音应用厂商 Deepgram 迁移到 Trainium 后每美元处理的音频量提升 70%。
匹配字段摘要
Respan 发布 Rust 开源 AI 网关，替代两年 LiteLLM 封装代码
Respan 发布用 Rust 编写的开源 AI 网关，用一个精简内核加插件替代此前围绕 LiteLLM 构建的 10 万多行封装代码。转折点是 2026 年 1 月一次常规 LiteLLM 升级引发间歇性连接失败，回滚后原因仍未查明，此后团队不再直接升级 LiteLLM。新网关借鉴 Nginx 思路，把模型供应商、路由、MCP 工具、实时语音和安全控制拆为插件，Mistral 供应商插件仅 22 行代码；自定义插件需编译进网关二进制，且按注册顺序执行，缓存若排在安全检查之前可能绕过检查。网关目前仍为 pre-alpha，可从 GitHub 下载预构建二进制运行。
匹配字段摘要
Zoom 在 Zoomtopia 推出统一上下文层及多项 AI 产品更新
Zoom 在 Zoomtopia 大会上发布 Unified Context Layer，把会议、通话和客户互动信息与 Salesforce、ServiceNow、Workday 等系统数据整合成实时更新的关系图谱，供 AI 智能体共享记忆和协同工作，该层已可用。Zoom 称内部基准显示这一方式比独立智能体各自解析信息降低成本 45% 至 65%，但未提供独立验证。同期还推出 ZoomMate Agent Teams、扩展到 40 多个第三方应用的智能体搜索、支持多语言广播的翻译与语音克隆，以及通过 MCP 服务器和 Search、Ask API 向外部应用开放上下文，多数功能计划在 2027 年初前陆续发布。
匹配字段摘要
Elon Musk 转发 Grok Bot 电话订餐功能演示
Elon Musk 转发 Brian Roemmele 的演示，称 Grok Bot 可以打电话给餐厅并帮你订位。Roemmele 表示自己搭建的 Grok Bot 用 Grok 语音完成通话，能自行找到餐厅电话、确认时间和姓名、复述信息后再拨号，通话结束用平实语言汇报结果，并可把预订写入日历；他还接入了 ClawCall 提供的号码，免费额度为 30 次通话或 30 分钟，并设置了不提供信用卡信息、不主动外呼等限制。
匹配字段摘要
OmniHuman V2 在 fal 上线
OmniHuman V2 已在 fal 平台上线，可用单张图片和一段音频生成说话视频，并让唇部动作与表情跟语音同步。该版本还支持可选提示词来引导表演效果。
匹配字段摘要
HeyGen Voice 上线 OpenRouter，10 月 31 日前五折
HeyGen 的新文本转语音模型 HeyGen Voice 已上线 OpenRouter，10 月 31 日前五折。该模型在 Artificial Analysis TTS 榜单登顶，提供 HeyGen Voice 和延迟更低的 HeyGen Voice Turbo 两种模式，折后价格分别为每百万字符 15 美元和 7.50 美元。OpenRouter 提供 10 种内置音色，也可自带 HeyGen key 使用自己账号中克隆的音色。
匹配字段摘要
HeyGen Voice 上线 OpenRouter，10 月 31 日前五折
HeyGen Voice 已在 OpenRouter 上线，10 月 31 日前五折。该文本转语音模型提供 HeyGen Voice 和延迟更低的 HeyGen Voice Turbo 两种模式，折后价格分别为每百万字符 15 美元和 7.50 美元，原价分别为 30 美元和 15 美元。用户可直接选用内置的 10 种音色，也可自带 HeyGen key 使用自己 HeyGen 账号中克隆的音色。
匹配字段摘要