←搜索结果

搜索“语音”

按匹配度 · 共 1347 条结果 清除搜索

星期日

  1. 事件3 条新闻 · 2 个事实

    Suno推出语音生成功能Speech

    2026年10月2日,AI音乐生成平台Suno推出语音生成功能,可同时生成人声与背景音乐并合成为一条音轨。据The Verge AI报道,该功能以公开测试形式在网页端和移动端开放,提供Simple和Advanced两种模式:前者通过提示词描述场景,后者支持自定义脚本并调整AI声音性别、语音风格和生成多样性,最长时长约8分钟。Suno首席产品官Jack Brody表示测试版仍不完善,将根据用户反馈持续改进。同日,Suno官方发布消息回应beta版输出异常,称测试版期间可能会出现一些奇怪的输出,欢迎用户反馈以帮助改进。

    匹配字段标题

  2. 事件2 条新闻 · 1 个事实

    微软发布实时语音转写模型

    2026年10月1日,微软AI发布首款流式语音转写模型MAI-Transcribe-2-Streaming,支持60种语言和自动连续语言检测,收到音频后100毫秒出头即可给出首个部分结果。据微软AI Blog,该模型在Artificial Analysis的最终与部分转写准确率上均排名第一,年内按每小时音频0.54美元计价。同期还发布多语言文本转语音模型MAI-Voice-2.1及面向高并发低延迟场景的MAI-Voice-2.1-Flash,三款模型可通过Microsoft Foundry等渠道使用。后续MarkTechPost报道称,AA-WER Streaming测试显示其最终转写与首个部分转写均为2.5% WER,在38个模型中均排第一,最终结果延迟0.13秒,目前为公开预览,无SLA且未开放权重。

    匹配字段标题

  3. 事件3 条新闻 · 2 个事实

    ElevenLabs介绍v4情感语音控制

    2026年9月28日,ElevenLabs介绍Eleven v4通过音频标签控制情感语音的方法:可在脚本中用[furious]、[sarcastic]、[crying]等Audio Tags逐句指定情绪,模型据此调整语气、节奏和停顿,并加入叹息、笑声等非语言声音。官方建议一次生成整段文本以建立场景上下文,TTS应用单次最多支持10,000字符,每个句段只用一个情绪标签,效果不理想时优先替换标签而非改写文本。同日,ElevenLabs发布Eleven v4及低延迟版本Eleven v4 Turbo,称其为目前最具情感表现力的文本转语音模型;Eleven v4在Artificial Analysis排名第一,盲测中约75%听众更偏好它;Eleven v4 Turbo面向智能体等低延迟场景,中位推理延迟约100ms,中位首次发声时间约150ms。两款模型支持90多种语言,可用[laughs]等内联标签控制语气与音效,Instant Voice Clones仅需10秒音频,并新增Professional Voice Clones支持,现已在ElevenAgents、ElevenCreative

    匹配字段标题

  4. 事件1 条新闻 · 1 个事实

    Cartesia推出Multilingual Voices多语言语音功能

    2026年9月23日,Cartesia推出Multilingual Voices多语言语音功能。据Cartesia产品与研究发布的信息,该功能提供50+个音色库,每个音色可原生说最多25种语言,并支持让自定义声音克隆也变为多语言。用户可用同一voice ID切换语言,或在仪表盘中为克隆音色添加最多9种新口音和语言,也可通过Add Voice Accents API实现。每个语言和口音由母语者按评分标准审核,检查口音是否保持以及日期、数字、货币是否按当地方式朗读。目前该功能已发布,暂无后续发展事实。

    匹配字段标题

  5. 事件1 条新闻 · 1 个事实

    ElevenLabs发布医疗语音模型

    2026年9月22日,ElevenLabs正式发布面向临床场景微调的语音转文字模型Scribe v2 Medical,该模型已在ElevenAPI上正式可用,模型id为scribe_v2_medical。据ElevenLabs Blog同日发布的信息,相比基础版Scribe v2,Scribe v2 Medical在临床音频上的词错误率(WER)降低约35%,在Corti MedDictate、MedTerm和Eka Medical ASR等基准上取得最低WER,同时日常语音仍保持5.3% WER。该模型对企业客户符合HIPAA要求,需签署BAA并启用Zero Retention Mode。目前尚无后续发展事实。

    匹配字段标题

  6. 事件3 条新闻 · 1 个事实

    xAI发布Grok Voice Transcribe 2.0语音转写模型

    2026年9月18日,xAI发布Grok Voice Transcribe 2.0语音转写模型。xAI称其为全球最准确的语音转写模型,并附上相关链接。同日,该模型在Grok Voice API上线,批量转写定价为每小时音频0.10美元,流式转写为每小时0.20美元。目前没有后续发展事实,事件状态停留在发布与上线阶段。

    匹配字段标题

  7. 事件1 条新闻 · 1 个事实

    Cartesia发布TTS模型与语音区别指南

    2026年9月14日,Cartesia发布了一份关于TTS模型与音色区别的指南。该指南指出,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。指南还介绍了Cartesia的两种语音克隆方式: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。目前该指南已由Cartesia产品与研究发布,暂无后续发展。

    匹配字段标题

星期四

星期五

星期五

  1. 事件1 条新闻 · 1 个事实

    NOS基于ElevenLabs文本转语音开发客服语音智能体

    2026年9月28日,葡萄牙电信与媒体公司NOS基于ElevenAPI平台、使用ElevenLabs Text to Speech生成欧洲葡萄牙语语音,开发了客服对话式AI语音智能体。据ElevenLabs Blog同日发布的信息,该智能体目前以3-5%客户群进行生产测试。早期结果显示,语音智能体成功处理测试群体约50%的来电,转人工时与语音智能体交互的时间比旧IVR菜单低15%,客户满意度净分实现两位数提升。NOS还在迭代音素词典,并用Professional Voice Cloning优化品牌语音质量。目前尚无进一步有证据支持的发展。

    匹配字段标题

  2. 事件1 条新闻 · 1 个事实

    Lingxi Li 称正打磨 AI 队友语音通话体验

    2026年9月18日,Lingxi Li 转评 Grok Bot 新增的语音对话功能,表示团队一直在努力让该体验接近与 AI 队友进行 huddle / 语音通话的感觉。他称目前虽然还有差距,但已接近目标,并邀请用户反馈。该说法来自其本人发布的内容,属于同一事实的表述,暂无其他独立发展事实或官方证据可补充。

    匹配字段标题

星期一

星期三

星期二

星期五

星期一