←搜索结果

搜索“语音”

按匹配度 · 共 1347 条结果 清除搜索

星期四

  1. Together AI Blog

    Violin：打破语言障碍的开源视频翻译技能

    Together AI 推出完全开源的 Violin 视频翻译工具，通过 ASR、大语言模型翻译和 TTS 语音合成生成译制视频。它还支持基于音视频内容的多模态问答和自然语言选声，不提供声音克隆，并默认以低音量保留原声。GUI、后端模型与智能体技能均以 MIT 许可证开放。

    Together AI 推出完全开源的 Violin 视频翻译工具，通过 ASR、大语言模型翻译和 TTS 语音合成生成译制视频。它还支持基于音视频内容的多模态问答和自然语言选声，不提供声音克隆，并默认以低音量保留原声。GUI、后端模型与智能体技能均以 MIT 许可证开放。 · Together AI introduced Violin, a fully open-source video translation tool that produces translated videos through ASR, LLM translation, and TTS voice synthesis. It also supports multimodal question answering grounded in audiovisual content and natural-language voice selection; voice cloning is disabled, and the original audio is retained at low volume by def

    匹配字段摘要

    #company#开源/仓库#视频#多模态

星期五

  1. 小米 MiMo

    小米发布 MiMo-V2.5-TTS 系列并开源 MiMo-V2.5-ASR

    小米 MiMo 发布 MiMo-V2.5-TTS 系列三款语音合成模型，并开源语音识别模型 MiMo-V2.5-ASR。TTS 系列共享三项能力：强指令跟随、内联音频标签控制、纯文本下的节奏与情绪理解；三款模型分别面向内置高质量音色、用自然语言描述生成全新音色、以及用几秒参考音频克隆音色。TTS 系列在小米 MiMo API 平台限时免费，并已开源 MiMo TTS Skills 以便集成到智能体应用。

    匹配字段摘要

    #company#模型发布#语音#开源生态

星期四

  1. Sarvam AI Blog

    Sarvam AI 提出 Indic ASR 分层评估：从 WER 到 LLM 与语义指标

    Sarvam AI 发布 Indic ASR 分层评估方法，在传统 WER/CER 之外引入 LLM-WER、LLM-CER、Intent Score 和 Entity Preservation Score 四项基于 LLM 的指标，并开源 llm_wer 与 llm_intent_entity 两个评估框架。该方法针对印度语言口语与书面语并存、句中混用英语借词、数字有多种写法等特点，避免传统指标把语义或语音等价的转写误判为错误。文中以支持 22 种印度语言、提供五种输出模式的 Saaras V3 语音识别 API 为例说明。

    Sarvam AI 发布 Indic ASR 分层评估方法，在传统 WER/CER 之外引入 LLM-WER、LLM-CER、Intent Score 和 Entity Preservation Score 四项基于 LLM 的指标，并开源 llm wer 与 llm intent entity 两个评估框架。该方法针对印度语言口语与书面语并存、句中混用英语借词、数字有多种写法等特点，避免传统指标把语义或语音等价的转写误判为错误。文中以支持 22 种印度语言、提供五种输出模式的 Saaras V3 语音识别 API 为例说明。

    匹配字段摘要

    #company#教程/实践#语音#评测/基准
  2. Together AI Blog

    Deepgram STT 和 TTS 模型现已原生运行于 Together AI

    Deepgram 的 STT 和 TTS 模型现已原生运行于 Together AI，开发者可将语音转写、LLM 推理和语音合成部署在同一平台。模型包括支持 250ms 话轮结束检测的 Flux、Nova-3、Nova-3 Multilingual 和 Aura-2，并可通过 Dedicated Model Inference 使用隔离容量及 99.9% 正常运行时间 SLA。

    Deepgram 的 STT 和 TTS 模型现已原生运行于 Together AI，开发者可将语音转写、LLM 推理和语音合成部署在同一平台。模型包括支持 250ms 话轮结束检测的 Flux、Nova-3、Nova-3 Multilingual 和 Aura-2，并可通过 Dedicated Model Inference 使用隔离容量及 99.9% 正常运行时间 SLA。 · Deepgram’s STT and TTS models now run natively on Together AI, allowing developers to deploy speech transcription, LLM reasoning, and speech synthesis on one platform. The lineup includes Flux with 250ms end-of-turn detection, Nova-3, Nova-3 Multilingual, and Aura-2, with isolated capacity and a 99.9% upti

    匹配字段摘要

    #company#产品更新#语音#部署/工程

星期一

  1. Qwen Blog

    Qwen 发布 Qwen3.5-Omni，面向原生全模态 AGI

    阿里 Qwen 团队发布 Qwen3.5-Omni，定位为向原生全模态 AGI 扩展的模型，旗舰版本 Qwen3.5-Plus-Omni 可通过阿里云 Model Studio 调用。官方演示覆盖视频合规审核、日常生活短视频解析、多语言歌曲逐段理解、BBC 音频理解、歌词字幕生成、音视频 Vibe Coding 与语音克隆等场景。Model Studio 支持离线调用和实时调用两种模式，实时模式模型名为 qwen3.5-omni-plus-realtime，并可通过 enable_search 参数开启联网搜索。

    阿里 Qwen 团队发布 Qwen3.5-Omni，定位为向原生全模态 AGI 扩展的模型，旗舰版本 Qwen3.5-Plus-Omni 可通过阿里云 Model Studio 调用。官方演示覆盖视频合规审核、日常生活短视频解析、多语言歌曲逐段理解、BBC 音频理解、歌词字幕生成、音视频 Vibe Coding 与语音克隆等场景。Model Studio 支持离线调用和实时调用两种模式，实时模式模型名为 qwen3.5-omni-plus-realtime，并可通过 enable search 参数开启联网搜索。

    匹配字段摘要

    #company#其他#模型发布#多模态

星期四

  1. Sierra：Blog精选

    Sierra 发布智能体构建工具 Ghostwriter

    Sierra 发布智能体构建工具 Ghostwriter，用户上传 SOP、客服通话记录、白板草图或音频，或用自然语言描述目标，即可生成覆盖语音、聊天、邮件和 30 多种语言的生产级智能体。配套的 Explorer 基于客户对话数据识别改进方向，平台已重构为无头基础设施，让智能体可直接调用完整工作区并在沙箱中验证改动。

    匹配字段摘要

    #company#产品更新#Agent#MCP/工具调用

星期五

  1. Vapi Blog

    Vapi Composer 网络研讨会：最常见问题解答

    Vapi 举办 Composer 实时演示网络研讨会，首席产品经理 Nick Robin 仅用一句提示词，在 30 分钟内为虚构品牌 Nick's Sunglass Shack 搭建出可上线的呼入客服语音智能体。Composer 是 Vapi 仪表盘内的产品助手，目前处于 alpha 阶段，支持无代码构建、调试和分析语音智能体，可创建助手、添加工具、更新提示词、配置号码并分析通话数据。

    匹配字段摘要

    #company#产品更新#语音#Agent

星期一

  1. Together AI Blog

    Together AI亮相NVIDIA GTC 2026：探索研究与产品的最新创新

    Together AI在NVIDIA GTC 2026公布Dynamo 1.0、NemoClaw、Nemotron 3 Super和语音AI相关进展。NemoClaw可访问其150多个优化模型；具120B参数和1M-token上下文的Nemotron 3 Super支持专属部署，Parakeet TDT 0.6b V3也已进入模型库。

    Together AI在NVIDIA GTC 2026公布Dynamo 1.0、NemoClaw、Nemotron 3 Super和语音AI相关进展。NemoClaw可访问其150多个优化模型；具120B参数和1M-token上下文的Nemotron 3 Super支持专属部署，Parakeet TDT 0.6b V3也已进入模型库。 · Together AI announced developments involving Dynamo 1.0, NemoClaw, Nemotron 3 Super, and voice AI at NVIDIA GTC 2026. NemoClaw can access its library of over 150 optimized models; the 120B-parameter Nemotron 3 Super, featuring a 1M-token context window, is available through dedicated deployment, while Parakeet TDT 0.6b V3 has a

    匹配字段摘要

    #company#产品更新#Agent#推理

星期二

  1. goose 官方博客

    goose 10 万美元资助项目 Goose In A Pond：基于 NVIDIA Jetson Orin Nano 的本地智能家居助手

    goose 公布 10 万美元资助计划获奖项目 Goose In A Pond，由肯尼亚内罗毕五人团队 Jarida 基于 goose 开源智能体框架打造，部署在 NVIDIA Jetson Orin Nano 上，可本地运行 1–7B 量化模型、速度 40–70 tokens/秒。该项目用 Whisper、Vosk、Coqui TTS 实现离线语音，并计划开源 Moonbeam 等 MCP 服务器。

    blog banner

    匹配字段摘要

    #company#行业动态#Agent#端侧

星期六

  1. Sarvam AI Blog

    Sarvam AI 发布 Sarvam Edge 端侧模型系列

    Sarvam AI 发布 Sarvam Edge，面向设备端推理推出语音识别、语音合成和多语言翻译模型。语音识别为 74M 参数的统一多语言模型，支持 10 种印度语言，端侧体积约 294MB（FP16），在 Snapdragon 8 Gen 3 上首 token 延迟低于 300 毫秒；语音合成 24M 参数、约 60MB，支持 10 种语言和 8 个多语言音色，首音频延迟 260 毫秒；翻译模型约 150M 参数、约 334MB，覆盖 11 种语言共 110 个语言对，首 token 约 200 毫秒。官方称该系列与全球设备厂商合作开发，推理完全在本地完成，无按次云端成本。

    Announcing Sarvam Edge

    匹配字段摘要

    #company#产品更新#语音#端侧

星期五

  1. Sarvam AI Blog

    Sarvam AI 推出 Sarvam Studio：多语言内容转换平台

    Sarvam AI 推出 Sarvam Studio，一个将语音、文本和文档工作流整合到单一工作区的多语言内容转换平台，支持 AI 视频配音和智能体文档翻译。在约 280 次与 ElevenLabs、YouTube Dub、Rask AI 等平台的盲测对比中，Sarvam 的配音输出获得最强整体偏好，说话人相似度平均得分 0.88，为研究中最高。该平台目前正通过受控早期 beta 计划向政府、教育、媒体和出版领域的少量生产合作伙伴逐步开放。

    Introducing Sarvam Studio

    匹配字段摘要

    #company#产品更新#语音#多模态

星期三

  1. 蚂蚁百灵：Developer Blog

    百灵发布全模态大模型 Ming-flash-omni-2.0 并开源权重

    蚂蚁百灵发布全模态大模型 Ming-flash-omni-2.0，基于 Ling-2.0（MoE 架构，100B-A6B）训练，相比 Preview 版本在全模态能力上有明显提升。该模型覆盖视觉百科识别、可控语音生成与图像生成编辑分割，官方称其为业界首个将语音、音效和背景音乐生成融为一体的模型，并首创将生成、编辑、分割融入单一原生模型。模型权重和推理代码已开源。

    01

    匹配字段摘要、正文

    #engineering#模型发布#多模态#语音

星期一

  1. Sarvam AI Blog

    Sarvam AI 与印度奥迪沙邦、泰米尔纳德邦达成主权 AI 合作

    Sarvam AI 宣布与印度奥迪沙邦和泰米尔纳德邦政府建立战略合作，推进主权 AI 建设。奥迪沙邦于 2026 年 2 月 6 日签署 MOU，计划建设 50MW AI 优化设施，用于工业安全视觉 AI 和 Odia-to-English 语音工具；泰米尔纳德邦则与 Sarvam 和 IIT Madras 共建印度首个主权 AI 研究园 Digital Sangam，核心为 20MW AI 优化数据中心。

    Sarvam Announces Sovereign AI Partnerships with Indian States

    匹配字段摘要

    #company#行业动态#政策/监管#数据/训练

星期日

  1. Sarvam AI Blog精选

    Sarvam AI 发布 AI 配音模型 Sarvam Dub

    Sarvam AI 发布 AI 配音模型 Sarvam Dub，支持零样本音色克隆，并把时长控制直接做进语音生成过程，官方称原本需要数周的配音流程可缩短到几分钟。其自建评测集覆盖 10 种印度语言和英语、64 位说话人，每套系统测试 700 多条音频，官方称在跨语种场景下的说话人相似度优于同类方案。Sarvam Dub 已用于每月译制 11 种印度语言的 Mann Ki Baat、与 IIT Madras 合作的技术课程配音，以及通过 Republic TV 以卡纳达语和印地语实时配音的 2026 年印度联邦预算演讲，工程团队称相较基础 Torch 实现延迟降低 6.6 倍。

    Sarvam Dub: State-of-the-Art Dubbing for Indian Languages

    匹配字段摘要

    #company#模型发布#语音#多模态

星期二

  1. Qwen Blog

    Qwen3-TTS 推出音色设计与音色克隆两个新模型

    Qwen3-TTS 家族发布两个新模型：音色设计模型 Qwen3-TTS-VD-Flash 和音色克隆模型 Qwen3-TTS-VC-Flash，均可通过 Qwen API 调用。VD-Flash 支持用自然语言指令控制音色、韵律、情感与角色设定，在 InstructTTS-Eval 上整体优于 GPT-4o-mini-tts 和 Mimo-audio-7b-instruct，并在角色扮演测试中超过 Gemini-2.5-pro-preview-tts。VC-Flash 支持 3 秒音色克隆，可基于克隆音色生成中文、英语、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语和俄语 10 种语言语音，在 MiniMax TTS Multilingual Test Set 上平均词错误率优于 MiniMax、ElevenLabs 和 GPT-4o-Audio-Preview。

    匹配字段摘要、正文

    #company#模型发布#语音#多模态

星期五

  1. Qwen Blog

    Qwen3-TTS 更新：49 种音色、10 种语言与 9 种方言

    Qwen 团队发布 Qwen3-TTS-Flash 更新，支持 49 种以上音色、10 种语言和 9 种方言的语音合成，可通过 Qwen API 调用。官方称在 MiniMax TTS 多语言测试集上，其平均词错误率低于 MiniMax、ElevenLabs 和 GPT-4o-Audio-Preview。相比上一版本，模型根据文本自适应调整语速和韵律的能力明显提升，更接近真人语音。

    匹配字段摘要

    #company#模型发布#语音#多模态

星期一

  1. LG AI Research 官方博客

    LG AI Research 2025 AI 伦理研讨会 EP.2：超越偏见，走向公平 AI

    LG AI Research 在 2025 AI 伦理研讨会 EP.2 中聚焦 AI 偏见问题，指出偏见源于训练数据或算法中嵌入的人类社会偏见，可能让特定群体在同等问题上被系统性误判。文中引用 MIT 与斯坦福研究：商用人脸识别对深肤色女性错误率高达 34.7%，对白人男性仅 0.8%；斯坦福另一项研究显示同一句话对黑人说话者语音识别错误率达 35%，白人说话者为 19%。

    LD_f50cead01.png

    匹配字段摘要

    #lab#安全/对齐#行业动态

星期二

  1. TLDR AI

    Notion 新增离线模式与 AI 集成，Zoom 向用户数据开放 AI

    Notion 新增完整离线功能并通过 MCP 集成 ChatGPT、Claude 等 AI 工具；Zoom 推出可连接内部文件及第三方索引的 Custom AI Companion。Gemini Live 加入摄像头视觉指引和更自然的语音，Adobe Acrobat Studio 则可将最多 100 个文件整合为可对话的 PDF Spaces。

    Notion 新增完整离线功能并通过 MCP 集成 ChatGPT、Claude 等 AI 工具；Zoom 推出可连接内部文件及第三方索引的 Custom AI Companion。Gemini Live 加入摄像头视觉指引和更自然的语音，Adobe Acrobat Studio 则可将最多 100 个文件整合为可对话的 PDF Spaces。 · Notion added full offline functionality and MCP integrations for AI tools including ChatGPT and Claude, while Zoom introduced Custom AI Companion with access to internal files and third-party indexes. Gemini Live gained camera-based visual guidance and more natural speech, and Adobe Acrobat Studio can combine up to 100 fil

    匹配字段摘要

    #newsletter#产品更新#MCP/工具调用#RAG

星期一

  1. Preferred Networks：AI 研究与产品

    如果咖啡杯会说话？Preferred Networks 用 AR 和 AI 让日常物品活起来

    Preferred Networks 在 CHI 2025 展示了一项研究：用 AR 和 AI 把任意家居物品变成可对话的动画角色。系统通过 Vision Language Model 为物品生成名字、性格和声音，再由实时 LLM 结合环境与用户语音生成对话，无需预先注册或专用智能设备。多个角色之间还能自发交谈，物理靠近时可融合成拥有混合性格与外观的新角色。

    匹配字段摘要

    #company#论文/研究#多模态#语音

星期五

  1. Vapi Blog

    Amazon Lex 与 Dialogflow 平台对比指南

    Amazon Lex 适合已使用 AWS、需要与 Lambda、DynamoDB 等 Amazon 服务深度集成的场景，Dialogflow 则以超过 30 种语言支持和更低的学习门槛见长。两者均用机器学习做自然语言理解，但 Lex 每个意图需要更多示例短语，Dialogflow 可用更少示例识别意图。定价上 Lex 按用量付费，首年免费额度为每月 10,000 次文本请求和 5,000 次语音请求。

    匹配字段摘要

    #company#其他