←搜索结果

搜索“语音”

按匹配度 · 共 550 条结果 清除搜索

星期三

  1. 事件1 条新闻 · 1 个事实

    Vapi 介绍用代码引导生成语音代理集群的框架

    2026年6月17日,Vapi 介绍了一套用代码引导生成语音代理集群的框架。据 Vapi Blog 当日发布的文章,Vapi 主页运行着 15 个语音智能体,覆盖 3 类场景、5 种语言,它们并非在控制台逐个手工搭建,而是从一份 ROUGH_DRAFT.md 草稿出发用代码批量生成。该框架分为 plan、draft、bootstrap、harden 四个阶段,默认使用 OpenAI gpt-4.1(温度 0.5)、ElevenLabs 与 Deepgram nova-3 等组件,并通过幂等 upsert 循环把状态存入 .env.local,重复运行不会重复创建。文章称,克隆仓库并配置 VAPI_PRIVATE_KEY 后运行 bun run bootstrap 即可复现。目前该故事尚无后续发展事实。

    匹配字段标题

  2. 事件1 条新闻 · 1 个事实

    Microsoft 发布 MAI-Voice-2 文本转语音模型

    2026年6月3日,Microsoft 发布文本转语音模型 MAI-Voice-2。据 Microsoft AI Blog 当日报道,该模型从仅支持英语扩展到 15 种语言,并新增 sad、whispered、excited 等情感标签控制。报道称其支持用 5-60 秒参考音频做零样本声音克隆,在对比测试中被 72% 的偏好选择优于前代 MAI-Voice-1。报道还称该模型现已上线 Microsoft Foundry,并正在集成进 VSCode 和 Dynamics 365 Contact Center。目前尚无后续发展事实,状态以发布时信息为准。

    匹配字段标题

  3. 事件1 条新闻 · 1 个事实

    Microsoft 发布 MAI-Transcribe-1.5 语音转文本模型

    2026年6月2日,Microsoft 发布 MAI-Transcribe-1.5 多语言语音转写模型。据 Microsoft AI Blog 当日报道,该模型语言覆盖从 25 种扩展到 43 种,在 FLEURS 基准上取得 43 种语言的最佳词错误率,Artificial Analysis 榜单 WER 为 2.4%、排名第 3。转写速度方面,一小时音频转写耗时不到 15 秒,长音频速度最高为 Gemini 3.1、Scribe v2、GPT-4o-Transcribe 的 5 倍。模型新增关键词偏置功能,在 FLEURS 上可将 WER 最多降低 30%。发布时该模型已接入 Copilot、Teams、GitHub 和 Dynamics 365 Contact Centre,并在 Foundry 与 MAI Playground 提供。目前尚无后续发展事实。

    匹配字段标题

  4. 事件1 条新闻 · 1 个事实

    Sarvam AI 推出 Saaras V3 语音识别模型

    2026年2月11日,Sarvam AI 推出 Saaras V3 语音识别模型。据 Sarvam AI Blog 当日发布的信息,该模型原生支持流式低延迟解码,覆盖 22 种印度官方语言和英语。在 IndicVoices 基准上,Saaras V3 的 WER 约为 19%,早先版本 V2.5 约为 22%。模型基于 100 万小时以上多语言音频训练,在 10 种最常用语言子集上 WER 为 19.31%,并在低资源语言上保持稳定准确率。目前尚无后续发展事实。

    匹配字段标题

星期三

星期三

星期二

星期日

  1. 事件1 条新闻 · 1 个事实

    作者用10欧元玩具机器人搭建LLM语音代理

    2026年5月30日,作者Mario Zechner分享了一个用低成本玩具机器人搭建LLM语音代理的方案。他花10欧元买下Silverlit YCOO NEO OCTOBOT玩具机器人,拆解后逆向其单层PCB,移除主控IC并直接接管H桥驱动电机。方案用Adafruit FT232H让手机充当显示屏与USB控制端,服务端跑在笔记本上,用TypeScript和Node管理语音转文字、文字转语音、LLM与智能体,目标是让所有模型本地运行以保护孩子隐私。

    匹配字段标题

  3. 事件1 条新闻 · 1 个事实

    xAI推出Custom Voices语音克隆功能

    2026年4月30日,xAI推出Custom Voices语音克隆功能。据xAI官方信息,用户录制约一分钟自然语音即可克隆自己的声音,并在两分钟内生成可用于生产的语音模型。该功能接入Grok Text to Speech和Voice Agent API,支持语音标签、多语言输出以及REST和WebSocket流式传输,使用自定义声音不额外收费。创建前需通过两阶段验证:先朗读验证短语由STT引擎实时比对,再比对说话人嵌入向量确认同一人,因此无法用已有录音或他人声音进行克隆。目前该功能已随发布上线,暂无后续发展事实。

    匹配字段标题

  4. 事件2 条新闻 · 1 个事实

    谷歌发布Gemini 3.1语音模型

    2026年4月15日,Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型。据官方信息,该模型可通过 audio tags 精细控制语音风格、节奏和表达,支持 70 多种语言及原生多说话人对话,在 Artificial Analysis TTS 排行榜获得 1,211 Elo 分,并正逐步上线 Google AI Studio、Vertex AI 和 Google Vids,生成的音频均带有 SynthID 水印。目前尚无后续有证据支持的发展。

    匹配字段标题

  5. 事件1 条新闻 · 1 个事实

    xAI发布Grok语音转文字与文字转语音API

    2026年4月17日,xAI发布两个独立音频API:Grok Speech to Text(STT)和Grok Text to Speech(TTS),基于驱动Grok Voice、Tesla车辆和Starlink客服的同一套技术栈。据xAI官方信息,STT支持REST批量转写与WebSocket实时转写,具备词级时间戳、说话人分离、多声道和逆文本归一化,覆盖25+语言,批量定价每小时0.10美元、流式每小时0.20美元;TTS支持[laugh]、[sigh]、[whisper]等语音标签控制语气与情感,定价每100万字符15.00美元。目前尚无后续发展事实,状态为发布当日。

    匹配字段标题

  7. 事件1 条新闻 · 1 个事实

    Cohere开源多语种语音识别模型

    2026年3月26日,Cohere发布开源权重的Conformer语音识别模型Cohere Transcribe,并开放下载。该模型可将14种语言的语音转为文本,在Hugging Face Open ASR Leaderboard上的平均词错误率为5.42%。模型支持本地或端侧运行,用户也可通过设有速率限制的免费API及Model Vault使用。

    匹配字段标题

星期六

星期五

星期五

星期三

星期四

星期四