NAVER Cloud 在 ACL 2026 发布论文,介绍名为 Sommelier 的语音数据管线。据 NAVER / CLOVA 研究发布的信息,Sommelier 是一个可扩展的开源多轮音频预处理管线,面向全双工语音语言模型。该管线把真实对话中的重叠语音、插话和反馈保留下来,而非当作噪声删除,从而让模型学会实时打断与回应。部分管线已开源供研究使用。目前该故事尚无后续发展事实,状态停留在论文发布与管线介绍阶段。
匹配字段标题
NAVER Cloud 介绍 Sommelier 语音数据管线
English translation is being prepared.
匹配字段标题
2026 年 10 月 14 日,Square 推出名为 Square Kiosk 的自助点单终端,搭载可实时对话的智能体语音层,能理解商家菜单并支持顾客提问、修改和替换订单。设备配备 21.5 英寸触摸屏、飞行时间传感器和三麦克风 AI 降噪,具备存在检测迎宾功能,支持非接触支付、插卡付款、PIN 支付与礼品卡扫描,语音与触屏可随时切换。报道称该设备售价 1999 美元,另收每台每月 99 美元软件费,当天起在美国面向 Square Plus 或 Premium 订阅商家发售,仅支持英语;Square 同步推出面向大型连锁快餐的多账户管理方案。
匹配字段标题
Square 推出 Square Kiosk
English translation is being prepared.
匹配字段标题
2026年10月15日,Apple Machine Learning Research 提出一种直接从语音中检测语码转换(CS)的轻量方法,利用预训练语音编码器帧级的语言信息,判断一句话中是否同时出现两种语言。据该研究,在 CS-FLEURS 的 14 个语言对上,Whisper-small 编码器取得平均 F1 0.798,高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。该方法只需少量 CS 数据调整决策规则,可用于筛选多语言语料。目前尚无后续发展事实。
匹配字段标题
Apple Machine Learning Research 提出 直接从语音检测语码转换的轻量方法
English translation is being prepared.
匹配字段标题
2026年10月14日,Gnani AI 发布文本转语音模型 Timbre v3.0。据 Analytics India Magazine 报道,该模型支持通过音频标签控制低语、大笑、叹气、喊叫以及停顿、放慢或加快语速;无标签时,模型会根据语义、语气和标点自动调整表达。报道称,Timbre v3.0 可在 200 毫秒内生成首段音频,支持流式播放与长文本合成,并具备跨语言保持音色一致和文本规范化能力。报道还提到,Timbre 目前已驱动超过 10 万小时语音通话。目前尚无后续发展事实。
匹配字段标题
2026年10月12日,SquadStack.ai 发布流式语音转文本模型 Arth V2。据 Analytics India Magazine 同日报道,该模型在 863 通真实印度销售电话基准上语义词错误率为 8.85%,80% 情况下在客户说完后 67 毫秒内返回最终转写。报道称,其含义改变类错误比 Sarvam Saaras v4 少 18%、比 Google Gemini 3.5 Transcribe 少 26%、比 OpenAI gpt-live-transcribe 少 28%。该模型已用于 SquadStack.ai 的企业语音 AI 智能体,并以封闭测试形式向其他团队开放。目前尚无后续发展事实。
匹配字段标题
OpenRouter 宣布上线 HeyGen Voice 语音模型。据 OpenRouter 发布的信息,10 月 31 日前该模型五折优惠:HeyGen Voice 每百万字符 15 美元(原价 30 美元),低延迟版 HeyGen Voice Turbo 每百万字符 7.50 美元(原价 15 美元)。目前该故事尚无后续发展事实,状态停留在上线与限时优惠公布阶段。
匹配字段标题
OpenRouter 宣布上线 HeyGen Voice 语音模型。据 OpenRouter 发布的信息,10 月 31 日前该模型五折优惠:HeyGen Voice 每百万字符 15 美元(原价 30 美元),低延迟版 HeyGen Voice Turbo 每百万字符 7.50 美元(原价 15 美元)。目前该故事尚无后续发展事实,状态停留在上线与限时优惠公布阶段。
匹配字段标题
Gnani AI 发布 Timbre v3.0
English translation is being prepared.
匹配字段标题
2026年10月13日,Sarvam AI 推出面向印度语言的文本转语音模型 Bulbul V4 Flash。据其官方博客,该模型在生产环境下首音频延迟低于 250 毫秒,定价为每 10,000 字符 20 卢比,比 Bulbul V3 的 30 卢比便宜三分之一;模型基于 V4 研究蒸馏而来,训练数据超过 4000 亿音频 token,语音库规模较 V3 扩大近七倍,并针对实时对话优化了推理栈。10月14日,Analytics India Magazine 报道称,该模型支持 11 种语言,提供 83 种音色和 224 种音色与风格组合,在可比负载下比 V3 快最多 40%,已通过 Sarvam API、Playground 和 Content Studio 开放,现有 Bulbul 用户可经原 API 迁移;Sarvam 还预览了主打情感表达的 Bulbul V4 Pro,但未公布发布时间与价格。目前该模型已开放使用。
匹配字段标题
Sarvam AI 推出 Bulbul V4 Flash 文本转语音模型
English translation is being prepared.
匹配字段标题
SquadStack.ai 发布 Arth V2
English translation is being prepared.
匹配字段标题
2026年10月12日,阿布扎比技术创新研究院(TII)发布1.6B参数的阿拉伯语语音识别模型Falcon-ASR。据MarkTechPost报道,该模型在6个阿拉伯语测试集上平均词错误率(WER)为20.92%,比TII榜单中最佳已发布结果低2.25个百分点。模型以阿联酋方言为重点,同一套权重覆盖阿拉伯语、英语、法语、西班牙语和葡萄牙语,并输出词级时间戳。目前仅提供Hugging Face托管demo,支持最长60秒、20MB音频,未发布权重、许可证或API。
匹配字段标题
TII 发布 Falcon-ASR阿拉伯语语音识别模型
English translation is being prepared.
匹配字段标题
2026年10月12日,Cartesia 与印度金融科技公司 Raise Financial Services 合作,为其 Dhan、Millions 等平台提供语音模型,构建多语言语音体验。据 Cartesia 产品与研究发布的信息,Cartesia 的 Sonic 文本转语音模型支持印地语、泰米尔语、泰卢固语、马拉地语等 11 种印度语言,并支持单次生成内的语码切换。目前 Dhan 语音机器人中超过 75% 的交互使用非英语语言,其中印地语占一半以上,超过三分之一的来电在非工作时间由机器人独立处理。该合作暂无后续发展事实。
匹配字段标题
Cartesia 提供语音模型 Raise 的多语言语音体验
English translation is being prepared.
匹配字段标题
英国 AI Security Institute 宣布 与ElevenLabs的AI语音安全研究合作
English translation is being prepared.
匹配字段标题
2026年10月11日,英国 AI Security Institute 宣布与总部位于伦敦的 AI 语音技术公司 ElevenLabs 建立研究合作伙伴关系。据该机构博客介绍,双方将在 AI 安全与安保领域开展双向深度协作,包括共享研究、探索语音 AI 系统的新兴风险、缓解措施与最佳实践。合作还将围绕实时 AI 语音对话对人的影响积累证据,涉及人们能否在实时语音对话中区分 AI 与人类,以及对话伙伴的身份感知如何影响信任与行为。目前尚无后续发展事实,事件状态以该宣布为准。
匹配字段标题