Perplexity 为 Mac 应用语音模式接入 gpt-live-1
Perplexity 升级 Mac 应用语音模式，底层改用 OpenAI 的 gpt-live-1 语音模型，可在一次语音会话中同时处理多个 Computer 会话、启动新任务并创建管理 Projects。Perplexity 近期还上线在 Mac 本地直接运行 AI 的能力，支持离线模式与注重隐私的 AI 工作流。
匹配字段标题、摘要、正文
←搜索结果
搜索“语音”
AnySpeechRecognizer 与 AnyDecisionModel：面向 Apple 平台的语音与决策开源模型
AnySpeechRecognizer 在 Apple SpeechAnalyzer API 之上支持切换引擎，可选用 NVIDIA Parakeet TDT 0.6B v3（支持 25 种欧洲语言）、Moondream 后训练的 Parakeet Ultra、英文版 Parakeet Unified，以及阿里 Qwen3-ASR（0.6B/1.7B，覆盖 30 种语言和 22 种中文方言）。这些模型已转为 Core ML 发布在 Hugging Face Hub，Parakeet 转写 1 小时音频约需 20–40 秒，Qwen3-ASR 更慢且需数 GB 内存。包内还新增 Apple 框架没有的说话人分离模块 SpeakerDiarizer，基于 NVIDIA Streaming Sortformer，最多跟踪 4 位说话人。
匹配字段标题、正文
Cartesia 发布 Managed Agents 端到端语音智能体平台
Cartesia 推出 Managed Agents 端到端语音智能体平台，面向企业通话场景，在 Artificial Analysis 的 Speech Agent Arena 上以 1115 的偏好 Elo 在 30 个智能体中排名第一。在 ServiceNow 的 EVA-Bench 上，该平台取得 87.4% 的准确率和 90.7% 的体验分，两项均为最高。平台将语音模型与 harness 联合设计，提供 44 种语言、工具调用、知识库和外呼批次等能力，官方称已在金融、零售、酒店和医疗场景支撑数千万次对话。
匹配字段标题、摘要、正文
ElevenLabs 解读对话式 AI 的轮次转换：语音智能体如何判断何时开口
ElevenLabs 发布用户指南，解释对话式 AI 的轮次转换（turn taking）：模型需在回复、保持发言、倾听沉默三种动作间切换，靠自适应计时、VAD 与语义分析判断用户是否说完，而非依赖固定静音计时器。Eleven v4 Turbo 搭配 ElevenAgents 时，从请求到可听语音的中位延迟为 142 ms。工程团队可用响应延迟和打断率衡量对话流畅度。
匹配字段标题、摘要、正文
NVIDIA 发布 Nemotron 3.5 Transcribe：开源 30B MoE 语音模型…
NVIDIA 发布 Nemotron 3.5 Transcribe，这是一个开源权重的语音大模型，支持 40 种语言、单次最长 1 小时音频，可通过文本指令选择逐字、书面、说话人标注、上下文和翻译等输出形式。模型总参数约 34B、激活参数约 4.3B，采用混合 Mamba-Transformer MoE 架构，BF16 可在单张 H100 80GB 上运行，NVFP4 版本约 21GB 可在 RTX 5090 上运行。NVIDIA 自报其在 9 个公开英文 Open ASR 测试集上平均 WER 为 4.71%，为开源权重模型最好成绩，但商业 API 仍领先；短板是仅支持离线，中文远场会议 cpCER 为 34.95%。
匹配字段标题、摘要、正文
AssemblyAI 发布首款语音合成模型 AssemblyAI-TTS-1，每百万字符 15 美元
AssemblyAI 发布首款文本转语音模型 AssemblyAI-TTS-1 并正式开放，面向实时电话语音智能体，定价为每 100 万字符 15 美元，不设年度合同和并发档位。该模型仅以托管 API 形式在 us-east-1 和 eu-north-1 提供，支持 HTTP、WebSocket 和 OpenAI 兼容接口，内置 4000 多种音色、即时声音克隆和 6 种语言。厂商自测显示实体准确率 93.7%、首字节中位延迟 47 ms，但 Cekura 独立基准测得流式延迟 159 ms、朗读准确率 81.5%，且发布时尚不支持 SSML、语速控制和情感标签。
匹配字段标题、摘要、正文
Block 发布纯语音训练的全双工语音模型 Dessa
Block 的 AI 研究实验室发布全双工语音模型 Dessa，以研究预览形式开放候补名单，只用人声对话音频训练，未使用文本和预训练模型。该模型可在 MacBook Pro M4 Max 或更高配置上本地运行，速度快于实时；训练使用 1 台 NVIDIA GB200 NVL72（72 块 GPU），目前未公布基准分数、参数量、权重、论文或 API。
匹配字段标题、摘要、正文
语音智能体已就位，Databricks 用上下文让它真正服务客户
Databricks 提出语音智能体的价值不在能对话，而在结合上下文、本体和治理数据实时理解来电者并执行规则。其原型用 LiveKit 承载通话、Deepgram 做语音转文字与默认语音、ElevenLabs 提供表现力语音，并可将通话交给人工。智能体运行在客户数据所在处，通过只读查询连接订单、忠诚度和 CRM 系统，并以 DIVA blueprint 作为下一个场景的起点。
匹配字段标题、摘要、正文
在裸 ESP32 上构建 AI 语音助手：接入 Whisper、GPT 与 TTS
Alex 是一个完全 DIY 的 AI 语音助手，仅用一块无 PSRAM 的 ESP32-D0WD-V3 开发板配合 INMP441 麦克风、MAX98357A 功放和 SSD1306 OLED，就实现了语音采集、Whisper 转录、GPT 生成回答和 TTS 流式播放的实时闭环。项目把 OLED 动画放在第二个核心的独立 FreeRTOS 任务上，避免每次 1 至 3 秒的 HTTP 调用卡住画面。调试中还解决了 TLS 握手连续内存不足、SSD1306_EXTERNALVCC 供电模式错误和 TTS 语速过快等问题。
匹配字段标题、摘要、正文
苹果 CarPlay 接入 Claude，开车也能语音问 AI
Anthropic 升级 Claude 移动应用，iPhone 版语音模式现已支持 Apple CarPlay，用户可在驾驶途中直接向 Claude 提问。Claude 在网页、桌面、iOS 和 Android 端新增 24 种语言，累计支持 33 种语言，语音模式响应更快、嘈杂环境识别更准。iOS 与 Android 版还支持多账号同时登录并直接切换。
匹配字段标题、摘要、正文
DingTalk A1 豆蔻医生版：把语音记录、AI 纪要与医学循证连起来
DingTalk A1 豆蔻医生版将 A1 的语音记录与 AI 纪要能力同豆蔻的医学循证能力结合，医生整理完病例讨论或讲座内容后，还能围绕未解决的医学问题查询文献、指南和专家共识。一位杭州三甲医院妇科主任反馈，手术日可先录下特殊情况和判断，下手术后再整理，复杂门诊则用豆蔻医生查看文献和指南链接。现阶段它更像能录音、提炼、查文献的随身专业助理，而非重构医院 IT 系统。
匹配字段标题、摘要、正文
Anthropic 升级 Claude 移动应用：iPhone 语音模式接入 Apple CarPlay
Anthropic 升级 Claude 移动应用，iPhone 版语音模式现已支持 Apple CarPlay，用户可在驾驶途中直接向 Claude 提问。此次更新还让 iOS 与 Android 版支持多账号同时登录并直接切换，Claude 新增 24 种语言、累计支持 33 种语言，语音模式响应更快、嘈杂环境识别更准确。
匹配字段标题、摘要、正文
ElevenLabs 与印度卡纳塔克邦政府签署 MoU，将语音 AI 引入公共服务
ElevenLabs 在首届印度峰会上与印度卡纳塔克邦政府签署 MoU，探索将语音 AI 用于市民服务、语音安全与声音恢复。合作将率先从申诉处理、公共热线和福利申领试点切入，覆盖卡纳达语及平台已支持的另外 13 种印度官方语言。ElevenLabs 还将部署涵盖深度伪造检测、水印、授权和声音克隆限制的安全框架，并通过 One Million Voices 计划为符合条件的居民提供免费终身语音重建许可。
匹配字段标题、摘要、正文
ElevenLabs 与西班牙 adELA 合作，为 ALS 患者免费提供语音复原
ElevenLabs 宣布与西班牙 ALS 协会 adELA 合作，让西班牙确诊 ALS 的患者免费使用其语音复原与保存技术，这是 ElevenLabs Impact Program 在西班牙的首个项目，西班牙也是首个通过全国性患者协会提供该技术的国家。患者若语音尚未明显变化可录制新样本，若已变化则可上传旧录音来生成自己的数字声音。据估计西班牙约有 4000–4500 名 ALS 患者，其中许多人最终会失去说话能力。
匹配字段标题、摘要、正文
Cartesia Managed Agents 语音智能体 Elo 达 1115
Cartesia Managed Agents 在 Artificial Analysis Speech Agent Arena 上取得 1115 的 Elo，比此前的 Cartesia Line（1017）高 98 分，任务成功率从 77.5% 升至 91.7%。该平台是 Cartesia 的全托管语音智能体方案，由自研 Ink 语音转文字与 Sonic 文字转语音模型围绕开发者自选 LLM 级联运行，本次评测使用 GPT-5.5 与 Skylar、Daniel 两个音色。需要工具调用的智能体任务上 Elo 为 1112。
匹配字段标题、摘要、正文
ElevenLabs 零售 AI 智能体实测：近半数购物者试用后选择语音交互
ElevenLabs 对英美等多国购物者的三项研究显示，让购物者先实际使用 ElevenLabs 语音智能体再作答时，近半数选择“说并听回复”，约 30% 选择“说并看屏幕文字”，六类购物任务中语音均居首。未试用过的受访者中，打字偏好以超过 4:1 领先语音。问题越严重购物者越不愿交给智能体，错误扣款场景仅 34% 选择智能体，若智能体失败一次则有 61% 要求转人工。
匹配字段标题、摘要、正文
如何构建 AI 语音助手：ElevenLabs 实用指南
ElevenLabs 发布实用指南，介绍如何把语音转文字、LLM 和文字转语音串成实时管线来构建 AI 语音助手。指南建议将往返响应控制在 500 ms 以内并配合 VAD，同时接入内部知识库与业务工具，并设置口头确认和转人工等安全措施。开发者可直接用 ElevenAPI 搭建，或用 ElevenAgents 托管平台配置并上线。
匹配字段标题、摘要、正文
Vapi 上线流量拆分：小比例放量验证语音智能体新版本
Vapi 推出流量拆分功能，可将呼入和呼出通话流量按 0.1%、1% 或 5% 等比例分配给不同版本的语音智能体，验证后再全量发布。该功能支持按来电者身份保持版本粘性，官方建议先做两路拆分，每次只改一个变量。此前发布新版本会把 100% 流量立即切过去，团队因此不敢频繁迭代。
匹配字段标题、摘要、正文
文本转语音（TTS）技术是如何工作的
文本转语音（TTS）分两阶段工作：前端先把文本归一化并转成 token 和向量表示，后端再由神经模型生成声学表示、经 vocoder 输出语音波形。ElevenLabs 在文中以“Mr. Ríos paid $11 on 10/06”为例演示了归一化、分词、韵律、声学模型到 vocoder 的完整流程，并提到发音词典和音素标注可用于微调发音。企业可通过 TTS API 将业务应用接入高质量语音生成。
匹配字段标题、摘要、正文
Google Maps 在 Carplay 中接入 Gemini，支持语音导航与路况上报
Google 开始在 Apple Carplay 的 Google Maps 中向用户推送 Gemini，导航界面右侧会出现 Gemini 星形图标，点击即可用语音提出多步骤、开放式指令。用户可让 Gemini 推荐观景地点、查询某地人流并建议更清静的时段、指定避开收费路段，还能在行驶中上报拥堵和事故。该功能先在美国上线，未来几周扩展至全球。
匹配字段标题、摘要