David Singleton 称赞 Muse 的 iOS 操作按钮集成
David Singleton 表示，Muse 在 iOS 上的操作按钮集成是让 Muse 替你做事最快的方式，甚至可以直接从锁屏使用，并称其“太棒了”。被引用的帖子则介绍该快捷方式会自动打开语音转写，按住说话、再按发送，可仅用操作按钮与 Muse 连续对话。
匹配字段摘要
←搜索结果
搜索“语音”
David Singleton 分享 Muse Mac 版四个常用功能
David Singleton 长期在 Mac 上使用 Muse 应用，最喜欢四点：按 ⌥–Space 可在任意应用中唤起 Octavian 助手；按住 fn 可向任意应用进行 SOTA 语音听写，快捷键可配置；Muse 还能接入电脑上的消息应用帮他跟进消息；角落的 bot 状态胶囊会显示 Octavian 代他做了什么。他同时询问其他人用 Mac 版做什么。
匹配字段摘要
LiveKit 推出创业公司计划：最高 2.3 万美元额度，含 7000 美元推理积分与一年 Cloud Scale
LiveKit 推出 Startup Program，为符合条件的早期创业公司提供约 23,000 美元总价值：7 家合作方的 7,000 美元推理积分、10,000 美元 LiveKit Cloud 积分，以及一年免费的 Cloud Scale 计划（原价 500 美元/月）。推理积分通过 LiveKit Inference 使用，覆盖 LiveKit Gemma 4 31B、Deepgram、Inworld、Rime、Fish Audio、AssemblyAI 和 Gradium，无需单独创建账号或管理 API key。申请门槛为员工少于 50 人、融资低于 500 万美元，且将语音、视频或物理 AI 作为产品核心。
匹配字段摘要
ElevenLabs 旗下 ElevenAgents 推出 AI 前台 Reception
ElevenLabs 旗下 ElevenAgents 推出 AI 前台 Reception，面向小企业全天候接听来电、回答业务问题并在日历中预约。它内置 ElevenLabs 语音与智能体编排，几分钟即可完成设置、无需技术经验，可转发现有业务电话或使用专用号码，并提供通话摘要、转录和录音。
匹配字段摘要
实时转写与批量转写有何区别？
ElevenLabs 对比了实时转写与批量转写两种语音转文字方案：实时转写以约 250 毫秒或更小的音频分块边听边出文字，延迟低但缺少完整上下文，准确率受限；批量转写在整个录音结束后一次性处理，耗时从几秒到 10 分钟以上，凭借双向上下文在复杂语言、背景噪声和标点格式上更准确。实时转写基础设施复杂、按分钟或按文件计费且成本更高，适合实时语音智能体、直播字幕和会议记录；批量转写更省钱，适合录音后批量处理长访谈、会议和播客。
匹配字段摘要
阶跃星辰发布 StepAudio 3 系列 5 款音频模型
阶跃星辰发布 StepAudio 3 系列，包含实时语音、语音识别、语音生成、音频生成和音乐共 5 款音频模型。其中 Realtime 在 Artificial Analysis 的 Conversational Dynamics 和 Speech Reasoning 两项分别达到 98.9% 和 99.7%，均排名第一；ASR 的词错率为 1.7%，与榜单最好成绩持平。该系列可用于构建能处理打断、边说话边推理并调用工具的语音智能体，现已通过 Voice AI Lab 和博客开放。
匹配字段摘要
阶跃星辰发布 StepAudio 3 系列 5 款音频模型
阶跃星辰发布 StepAudio 3 系列 5 款音频模型，覆盖实时语音、语音识别、语音生成、音频生成和音乐。其中 Realtime 在 Artificial Analysis 的 Conversational Dynamics（98.9%）和 Speech Reasoning（99.7%）两项排名第一，ASR 的 WER 为 1.7%，与榜单最佳结果持平。官方称可用于构建能处理打断、边说话边推理并调用工具的语音智能体，现已开放 Voice AI Lab 和 API。
匹配字段摘要
Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，延续上月 3.5 Transcribe 之后对实时语音智能体的投入。官方给出的数据包括 Artificial Analysis Quality Index 82.6 排名第一、输入 $0.005/min 与输出 $0.018/min，以及 τ-banking 智能体任务完成率 35.1 排名第一。3.8 Live Extended Thinking 可在后台思考并异步执行工具调用，同时保持对话不中断，用于协调多步工具使用。该模型已在 Google AI Studio 的 Gemini API、Google Search 和 Gemini App 上线，也可通过 LiveKit、Pipecat、LangChain、Vercel 的合作伙伴插件使用。
匹配字段摘要
Google 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 音频模型
Google 发布两款 Gemini 音频模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，主打更自然的语音对话与任务执行。Gemini 3.8 Live 面向规模、速度和成本效率，支持句中打断、在 97 种语言间即时切换并理解视觉上下文，可在 Search Live 中对着摄像头拍摄故障处获取分步语音指导。Gemini 3.8 Live Extended Thinking 面向更复杂任务，边推理边说话，并能叙述自己的执行进度，用于活动策划等多步骤项目。
匹配字段摘要
Ben's Bites：Dario 呼吁放缓前沿 AI，OpenAI 发布 GPT-Live-1 与 Agents API
Anthropic CEO Dario Amodei 发文《Pace the frontier》呼吁领先实验室为安全放慢速度，Sam Altman 表示认同，但特朗普在 All-In Summit 上称美国不会输掉 AI 竞赛。OpenAI API 新增 GPT-Live-1（ChatGPT 新语音模式背后的模型）和 Agents API，后者让开发者把任务交给类 Codex 智能体而无需配置基础设施。Claude Code 现可对比测试插件是否真正有效，Bolt Forge 免费提供 GLM、DeepSeek 和 Kimi 至 10 月 14 日。
匹配字段摘要
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，即日起通过 Gemini API、Google Workspace 和 Gemini 应用开放。Gemini 3.8 Live Extended Thinking 在 Artificial Analysis 语音到语音质量指数得 82.6 分排名第一，τ-Voice 智能体任务完成率 68.6%，Big Bench Audio 得 97.7%；Gemini 3.8 Live 在 Speech Agent Arena 排名第二。两款模型支持近实时视觉输入、对话中自动切换 97 种语言，并可在后台执行工具和 API 调用而不打断对话。
匹配字段摘要
Cartesia 解析 TTS 模型与音色的区别
Cartesia 发文指出 TTS 模型与音色并非同一概念：固定说话人模型只接收文本输入，多说话人模型额外接收音色选择，零样本克隆模型则以参考音频作为提示词。Cartesia 的 Instant Voice Cloning 只需 10 到 60 秒音频即可克隆音色，专业语音克隆（PVC）则需用更大录音数据集微调模型，耗时可达数小时。
匹配字段摘要
吴恩达谈 AI 工程能力如何让开发者参与塑造产品
吴恩达在 DeepLearning.AI 来信中提出，掌握 AI 工程的开发者不应只实现他人定好的产品，而应主动参与塑造构建过程。他把关键能力归纳为驱动构建循环、做产品决策、沟通与领导、高自主性负责四项，并认为这些能力让开发者的职责范围超出传统软件开发。信末还附有 GPT-6 Astra、Claude Fable 5.1、三家语音转写模型和 SelfCompact 等本周 AI 动态。
匹配字段摘要
OpenAI 在 API 中推出 GPT-Live-1
OpenAI 在 API 中推出 GPT-Live-1，开发者可用它构建自己的语音应用。该模型采用新版 ChatGPT 语音所用的双工技术，支持语音智能体边说边听，并搭配开发者选择的模型与工具体系。
匹配字段摘要
LiveKit 解读“推理慢于实时”警告：问题出在 VAD 而非 STT/TTS/LLM
LiveKit 发文解释语音智能体日志中的“inference is slower than realtime”警告：它指的是智能体进程内的 VAD 模型处理 32ms 音频窗口超时，与 LiveKit Inference 的 STT、TTS、LLM 无关。警告中的延迟表示 VAD 落后实时音频的时长，Python 以秒、Node.js 以毫秒上报。修复建议包括升级到最新版 LiveKit Agents 与 turn detector、使用 AgentSession 默认内置的 inference VAD，并排查阻塞事件循环与 CPU 负载。
匹配字段摘要
Machine Ethics 播客对话 Mozilla Data Collective 创始人 E.M. Lewis-Jong
Machine Ethics 播客本期对话 Mozilla Data Collective 创始人兼 CEO E.M. Lewis-Jong，讨论 Mozilla Data Collective 这一社区主导平台如何让人们在符合伦理的前提下创建、策展和控制 AI 训练数据集。话题还涉及语音识别与语言多样性、数据集中的弱势文化、AI 素养以及 LLM 的不稳定性。
匹配字段摘要
Ethan Tandowsky 加入 ElevenLabs 出任首席财务官
前 Adyen CFO Ethan Tandowsky 加入 ElevenLabs，负责扩展财务基础设施，并规划研发、产品和全球扩张投资。ElevenLabs 现有全球团队 800 人，语音与音频 AI 模型支持超过 90 种语言，已推出 1000 万个对话式 AI 智能体，大型组织贡献的收入占比由上年同期 40% 升至 55%。
匹配字段摘要
Vimeo 借助 ElevenLabs 将自动视频配音扩展至 40 种语言
Vimeo 通过 ElevenAPI 集成 ElevenLabs Dubbing，将转录、翻译、声音克隆和语音合成整合为单一流程，支持 40 种目标语言的自动视频配音。自 2026 年 1 月以来，客户已为超过 25,000 个视频配音 1.4 million 分钟，超过 27% 的企业账户尝试过 AI 配音，平均每个视频覆盖 3.3 种目标语言。创作者还可编辑文本轨道，在发布前检查和调整配音结果。
匹配字段摘要
Allegro 部署 ElevenAgents，为 20M+ 购物者提供配送热线服务
Allegro 正在三条配送支持热线部署基于 ElevenAgents 的语音智能体，为 20M+ 活跃买家全天候处理高频问题。智能体可在转人工前收集追踪号码并生成对话摘要，多智能体架构则让不同智能体分别处理各类场景；首批覆盖 Allegro Delivery、Allegro One 和 One Box。
匹配字段摘要
GPT-Live 登陆 Vapi：开启私测并开放公开等待名单
Vapi 为 OpenAI 下一代全双工语音到语音模型 GPT-Live 开启限量私测，同时开放公开等待名单，加入等待名单不保证获得早期访问。GPT-Live 将语音转文字、LLM 推理和语音生成三步合一，可自然接话、处理打断，并降低轮次延迟。Vapi 保持模型无关架构，私测团队可在现有技术栈上直接运行 GPT-Live，模块化流水线仍作为一等方案保留。
匹配字段摘要