搜索“语音”

ElevenLabs与adELA合作向西班牙ALS患者免费提供语音修复

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。

Block发布全双工语音模型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。据MarkTechPost报道,该模型只用人声对话音频训练,未使用文本和预训练模型,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。

Databricks推出语音Agent方案并开源DIVA蓝图

Databricks于2026年10月29日推出语音智能体方案,并开源DIVA蓝图作为下一个场景的起点。该方案强调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。目前该方案以DIVA blueprint作为后续场景的起点。

ElevenLabs与adELA合作向西班牙ALS患者免费提供语音修复

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。

查看事件：ElevenLabs与adELA合作向西班牙ALS患者免费提供语音修复

Artificial Analysis评测Cartesia Managed Agents语音Agent

Artificial Analysis 在 Speech Agent Arena 上评测了 Cartesia 的全托管语音智能体方案 Cartesia Managed Agents,该方案取得 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%。该平台由 Cartesia 自研的 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;在需要工具调用的智能体任务上 Elo 为 1112。目前尚无后续发展。

Artificial Analysis评测Cartesia Managed Agents语音Agent

Artificial Analysis 在 Speech Agent Arena 上评测了 Cartesia 的全托管语音智能体方案 Cartesia Managed Agents,该方案取得 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%。该平台由 Cartesia 自研的 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;在需要工具调用的智能体任务上 Elo 为 1112。目前尚无后续发展。

查看事件：Artificial Analysis评测Cartesia Managed Agents语音Agent

ElevenLabs开展零售AI语音代理购物者研究

ElevenLabs 对英美等多国购物者开展三项研究,考察购物者与零售 AI 语音智能体的交互偏好。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”,语音在六类购物任务中均居首;未试用过的受访者中,打字偏好以超过 4:1 领先语音。研究还发现,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,61% 要求转人工。

Block发布全双工语音模型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。据MarkTechPost报道,该模型只用人声对话音频训练,未使用文本和预训练模型,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。

查看事件：Block发布全双工语音模型Dessa

Amazon Polly升级生成式引擎,新增14种语音

Amazon Polly 于 2026 年 10 月 23 日完成生成式引擎升级。据 AWS Machine Learning 发布的信息,此次升级新增 14 种语音、覆盖 9 个 locale,并首次在生成式引擎中正式提供印地语和芬兰语。升级后,Polly 共提供 57 种生成式语音,覆盖 11 种语言和 25 个 locale,服务范围扩展至 AWS GovCloud (US-West),总计覆盖 11 个 AWS Region。此次为原地升级,现有语音名称和 API 调用保持不变,价格不变,用户无需改动代码。目前尚无后续发展事实。

Databricks推出语音Agent方案并开源DIVA蓝图

Databricks于2026年10月29日推出语音智能体方案,并开源DIVA蓝图作为下一个场景的起点。该方案强调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。目前该方案以DIVA blueprint作为后续场景的起点。

查看事件：Databricks推出语音Agent方案并开源DIVA蓝图

ElevenLabs开展零售AI语音代理购物者研究

ElevenLabs 对英美等多国购物者开展三项研究,考察购物者与零售 AI 语音智能体的交互偏好。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”,语音在六类购物任务中均居首;未试用过的受访者中,打字偏好以超过 4:1 领先语音。研究还发现,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,61% 要求转人工。

查看事件：ElevenLabs开展零售AI语音代理购物者研究

Ollama上线语音模型Phonon,支持文本转语音

Ollama 于 2026 年 10 月 24 日上线语音模型 Phonon,开始支持文本转语音。据 Ollama Blog 介绍,Phonon 是来自 Gradium 的系列小型文本转语音模型,目前已在 macOS 上线,Windows 和 Linux 支持即将推出。在搭载 M5 Max 的 MacBook Pro 上,Ollama 借助 MLX 加速,速度比 Gradium 自家运行时快 35%,词错误率与 Hugging Face Transformers 参考实现持平。Phonon 兼容 OpenAI 的 /v1/audio/speech 接口,现有 OpenAI SDK 代码只需更换 base URL。许可方面,phonon 以 Apache 2.0 发布,40M 模型采用 CC BY-NC 4.0 许可,仅限非商业使用。目前尚无后续发展事实。

Ollama上线语音模型Phonon

Ollama 于 2026 年 10 月 24 日上线语音模型 Phonon,开始支持文本转语音。据 Ollama Blog 介绍,Phonon 是来自 Gradium 的系列小型文本转语音模型,目前已在 macOS 上线,Windows 和 Linux 支持即将推出。在搭载 M5 Max 的 MacBook Pro 上,Ollama 借助 MLX 加速,速度比 Gradium 自家运行时快 35%,词错误率与 Hugging Face Transformers 参考实现持平。Phonon 兼容 OpenAI 的 /v1/audio/speech 接口,现有 OpenAI SDK 代码只需更换 base URL。许可方面,phonon 以 Apache 2.0 发布,40M 模型采用 CC BY-NC 4.0 许可,仅限非商业使用。目前尚无后续发展事实。

查看事件：Ollama上线语音模型Phonon,支持文本转语音

Block发布全双工语音模型Dessa

Block内部AI研究实验室于10月23日发布全双工语音到语音模型Dessa。据Unite.AI报道,该模型完全基于人类对话语音从零训练,可同时听和说,并能原生感知情绪、讽刺和笑声;推理速度快于实时,可在MacBook Pro M4 Max或更高配置上本地运行,团队用单台NVIDIA GB200 NVL72完成训练。Block已公开演示录音和公开等待名单,并向少量AI安全研究者开放早期访问。另有报道称,该模型不依赖文本中介,支持随时插话打断的全双工对话,训练消耗的token量比大语言模型少数百倍,但作者指出这目前只是Block内部实验室的小规模研究预览,demo由官方挑选,纯音频模型在复杂多步逻辑推理上的表现仍存疑问。

Block发布语音模型Dessa

Block内部AI研究实验室于10月23日发布全双工语音到语音模型Dessa。据Unite.AI报道,该模型完全基于人类对话语音从零训练,可同时听和说,并能原生感知情绪、讽刺和笑声;推理速度快于实时,可在MacBook Pro M4 Max或更高配置上本地运行,团队用单台NVIDIA GB200 NVL72完成训练。Block已公开演示录音和公开等待名单,并向少量AI安全研究者开放早期访问。另有报道称,该模型不依赖文本中介,支持随时插话打断的全双工对话,训练消耗的token量比大语言模型少数百倍,但作者指出这目前只是Block内部实验室的小规模研究预览,demo由官方挑选,纯音频模型在复杂多步逻辑推理上的表现仍存疑问。

查看事件：Block发布全双工语音模型Dessa

语音研究学者建议家庭设立安全暗语

辛辛那提大学助理教授 Kimberly Hyun 建议,家人之间约定只有彼此知道的安全暗语,接到陌生号码称家人出事的电话应直接挂断并回拨本人核实。Fortune 报道以加州 Martinez 的母亲 Deborah Del Mastro 为例:她在 5 月接到冒充墨西哥贩毒集团的电话,对方播放用 AI 克隆的女儿哭喊声,她按指示在五小时内从多个地点向墨西哥汇款 5400 美元,事后发现女儿一直在上班。报道还提到,McAfee 测试显示仅需三秒语音样本即可生成与原声 85% 匹配的克隆;Gallup 与 Stop Scams Alliance 调查估计 2025 年约 1500 万美国成年人被骗,损失约 680 亿美元,其中 12% 涉及 AI 或深度伪造。

语音研究学者建议家庭设立安全暗语

辛辛那提大学助理教授 Kimberly Hyun 建议,家人之间约定只有彼此知道的安全暗语,接到陌生号码称家人出事的电话应直接挂断并回拨本人核实。Fortune 报道以加州 Martinez 的母亲 Deborah Del Mastro 为例:她在 5 月接到冒充墨西哥贩毒集团的电话,对方播放用 AI 克隆的女儿哭喊声,她按指示在五小时内从多个地点向墨西哥汇款 5400 美元,事后发现女儿一直在上班。报道还提到,McAfee 测试显示仅需三秒语音样本即可生成与原声 85% 匹配的克隆;Gallup 与 Stop Scams Alliance 调查估计 2025 年约 1500 万美国成年人被骗,损失约 680 亿美元,其中 12% 涉及 AI 或深度伪造。

查看事件：语音研究学者建议家庭设立安全暗语

Sierra推出语音Agent实体细节基准τ-Entity

Sierra于2026年10月22日发布τ-Entity基准,用于测试语音智能体能否准确捕获、识别并修正姓名、电话、地址、邮箱等实体细节错误。该基准包含200个任务、覆盖十类实体,并设有六语言榜单。榜单显示,GPT Live 1在常规通话中正确率为60.3%,但在常规、强噪声、强语音三种条件下全部通过的任务仅占34.0%;Gemini 3.8 Live与Grok Voice Think Fast 2.0的全条件通过率分别为19.5%和24.0%。论文还发现,规定“询问—拼读/复述—确认修正—提交”流程可将全条件成功率提升14至31个百分点,代价是每通电话多花21至28秒。目前尚无后续发展。

Sierra推出语音Agent实体细节基准𝜏-Entity

Sierra于2026年10月22日发布τ-Entity基准,用于测试语音智能体能否准确捕获、识别并修正姓名、电话、地址、邮箱等实体细节错误。该基准包含200个任务、覆盖十类实体,并设有六语言榜单。榜单显示,GPT Live 1在常规通话中正确率为60.3%,但在常规、强噪声、强语音三种条件下全部通过的任务仅占34.0%;Gemini 3.8 Live与Grok Voice Think Fast 2.0的全条件通过率分别为19.5%和24.0%。论文还发现,规定“询问—拼读/复述—确认修正—提交”流程可将全条件成功率提升14至31个百分点,代价是每通电话多花21至28秒。目前尚无后续发展。

查看事件：Sierra推出语音Agent实体细节基准τ-Entity

MiniMax展示M3.1 Flash与SGLang Omni语音智能体组合

MiniMax展示了将M3.1 Flash与SGLang Omni组合用于交互式语音智能体的方案。据其介绍,M3.1 Flash提供快速、简洁的响应能力,SGLang Omni则补充流式输出、对话状态与打断处理,使语音智能体可被实时打断、纠正和重定向。有开发者将原有Qwen3-ASR→Qwen3 LLM→Qwen3-TTS管线中的本地LLM替换为M3.1 Flash API,其余环节保持不变,实测响应快、回答简洁直接。目前该组合仍处于展示与开发者试用阶段,尚无后续进展披露。