搜索“语音”

Cartesia发布语音AI代理构建教程

2025年3月3日,Cartesia发布教程,介绍如何利用其API与Sonic模型构建语音AI智能体。教程详细说明了工作流程,包括语音转文本、自然语言处理、信息检索、响应生成和文本转语音。为降低延迟,教程建议使用WebSocket或流式端点,并提到可使用Whisper API或Google Speech to Text进行语音识别,使用Claude Sonnet或OpenAI O1/4O生成响应。目前该教程已发布,为开发者提供构建语音AI代理的指导。

Cartesia发布Voice Changer语音转换模型

2024年10月30日,Cartesia推出Voice Changer语音转换模型。据其介绍,该模型可将任意音频片段的声音替换为其他音色,同时保留原始的语气、情感和韵律。用户既可从其录音棚级音色库中选择音色,也可克隆自己的声音,并控制发声、情感和韵律等细节。该模型基于Cartesia在状态空间模型(SSM,如S4和Mamba)上的工作,已在playground上线,使用流程为上传文件、选择音色、生成音频三步。

Cartesia发布低延迟语音模型Sonic

2024年5月31日,Cartesia发布低延迟语音模型Sonic,模型延迟为135ms,可生成逼真语音。该模型基于状态空间模型架构,在实验中相比Transformer实现将时间到首音频延迟降低1.5倍、实时因子降低2倍、吞吐量提高4倍,并提供Web playground和低延迟API。

Cartesia发布语音AI代理构建教程

Cartesia 发布 语音AI代理构建教程

查看事件：Cartesia发布语音AI代理构建教程

Cartesia推出Voice Changer语音转换模型

Cartesia 推出 Voice Changer语音转换模型

查看事件：Cartesia发布Voice Changer语音转换模型

Cartesia发布低延迟语音模型Sonic

Cartesia 发布 低延迟语音模型Sonic

查看事件：Cartesia发布低延迟语音模型Sonic

TELUS Digital用ElevenAgents将早期取消率降低一半以上

TELUS Digital 基于 ElevenAgents 构建外呼语音智能体,主动致电新开通家庭互联网的客户,使接到电话客户的 30 天退订率不到整体新客户的一半。该智能体可完成 AI 身份披露、首期账单讲解、自助工具引导和捆绑折扣提醒,并能在通话中通过短信验证码认证客户、经 API 读取实时账单数据。TELUS Digital 在 2025 年 11 月至 2026 年 2 月按语音表现力、智能体框架灵活性、实时情绪调节、企业安全合规和响应延迟五项标准评估后选择了 ElevenAgents。

TELUS Digital用ElevenAgents将早期取消率降低一半以上

TELUS Digital 基于 ElevenAgents 构建外呼语音智能体,主动致电新开通家庭互联网的客户,使接到电话客户的 30 天退订率不到整体新客户的一半。该智能体可完成 AI 身份披露、首期账单讲解、自助工具引导和捆绑折扣提醒,并能在通话中通过短信验证码认证客户、经 API 读取实时账单数据。TELUS Digital 在 2025 年 11 月至 2026 年 2 月按语音表现力、智能体框架灵活性、实时情绪调节、企业安全合规和响应延迟五项标准评估后选择了 ElevenAgents。

查看事件：TELUS Digital用ElevenAgents将早期取消率降低一半以上

极米记得AI记忆眼镜G1与手环L1正式开售

极米记得AI记忆眼镜G1与AI记忆手环L1于10月28日正式开售。据VR陀螺报道,手环L1标准版售价599元,眼镜G1标准版首发价1299元。两款设备共用极米记得App与同一套AI记忆服务,开机即录,可将日常交流转写并自动生成会议纪要、待办事项和生活卡片。数据管理上采用只留文字不留原音的方式,语音转写完成后删除原始音频,并支持设置免录时段和隐私禁词。目前暂无后续发展信息。

Neuralink团队72小时开发8个脑机接口功能

Neuralink团队在72小时黑客松中为P21受试者Kenneth开发出8项功能原型,包括在脑中默念“Hey Neuralink”并想好任务即可触发Grok智能体自主操作电脑。团队还重写了神经语音活动检测系统,实现无需按键的纯意念语音解码,并把解码语音接入iPhone通话麦克风音频流,让这位渐冻症患者用意念给妻子拨通电话。此外,专属应用Bloom支持在咖啡馆用意念点单,系统级脑机输入法可在任意App中输入文字。同日,Elon Musk宣布Neuralink首款产品名为Telepathy,称其输出带宽将在几年内远超最快的人类语音或打字速度,该推文引用了Neuralink工程师为一位言语恢复研究参与者进行72小时黑客松、快速原型多项意念沟通功能的帖子。

ChatGPT为dot上线短信交互功能

ChatGPT宣布为dot上线短信交互功能:用户可通过iMessage或RCS给dot发短信,用文字、照片或语音留言派任务,也可让它持续关注某件事,dot会主动发消息汇报进展。该功能以预览形式向美国Pro用户推送。官方称只有用户本人能给自己的dot发消息,dot也只能回复本人,且不会让dot或OpenAI访问用户的其他短信对话;设置方式是在dot的个人资料页选择Texting,dot在不同入口共享同一套上下文和插件。

Google发布EmbeddingGemma 2论文

Google 发布 EmbeddingGemma 2 论文,介绍一个 Apache 2.0 许可的端侧多模态嵌入模型,把文本、代码、图像、音频和视频映射到同一向量空间。该模型基于 Gemma 4 构建,通过向更大的 Gemini Embedding 2 学习并用对比训练调优,744M 参数规模在多项任务上超过大 2 至 12 倍的模型。在 Pixel 11 Pro 上,量化后的文本权重占用约 191MB 活跃内存,完整多模态模型约 567MB,上下文窗口扩大 4 倍至 8K tokens,可容纳约 5.5 分钟音频、29 张图像或 58 帧视频;直接嵌入语音在 MSEB 口语查询检索基准上得分 69.54,高于先转写再检索的 57.59,代码检索在 MTEB Code 上从 EmbeddingGemma 1 的 68.76 提升到 78.68。目前尚无后续进展。

Anthropic升级Claude移动端iPad与iPhone Duo界面

Anthropic于2026年10月30日升级Claude移动应用,在iPad和iPhone Duo上,生成内容改为在聊天旁打开。同一批更新中,iOS与Android版支持多账号同时登录并免登出切换;Chromebook、Googlebook和折叠屏设备新增可调侧边栏、触控板与右键支持及键盘快捷键;iOS与Android语音模式响应更快、嘈杂环境识别更准确,iPhone语音模式接入Apple CarPlay。凤凰科技报道还提到Claude新增24种语言、累计支持33种语言。

Joy发布10万小时无脚本双人对话数据集

2026年10月30日,Shobhit Banga发布双轨对话数据集Joy,包含10万小时真实、非脚本化的双人对话,每人在独立音轨,覆盖5万名说话人和10种语言。Rohan Paul在同日报道中指出,当前语音AI主要用LLM编写、TTS朗读的虚假对话训练,听不到人们互相抢话,他对这些对话如何维持10到20分钟感到好奇。目前该数据集已发布,尚无后续开发进展。

VEED Dubbing上线fal平台

fal于2026年10月28日宣布,VEED Dubbing已上线fal平台。据fal发布的信息,该功能可用克隆语音和唇同步翻译视频;Pro版支持94种语言和14种地区口音,保留背景音频并支持多说话人,还提供目标口音与语音克隆强度控制。目前尚无后续发展事实。

OpenBMB展示社区开源ESP32-S3模拟塔台对话项目

2026年10月29日,面壁智能(OpenBMB)展示了一个由面壁智能大使 @emwstudio 开源的 ESP32-S3 座舱式姿态仪项目。该项目用 MiniCPM5-2B 生成塔台回复、VoxCPM2 合成语音;设备通过 Wi-Fi 把按键说话音频送到 Mac 端流水线,由 Qwen3-ASR 本地识别,回复音频再流回设备扬声器。塔台会结合高度、速度、航向、俯仰和滚转等模拟飞行数据,指出请求与仪表读数的不一致。目前该项目处于开源展示状态,尚无后续进展披露。

Sarvam AI向马哈拉施特拉邦2500名官员推广Indus Cowork

Sarvam AI 正向马哈拉施特拉邦 2500 名政府官员推广其 Indus Cowork 工具,用于起草文件、分析报告、汇总档案和检索政府记录。据 Analytics India Magazine 报道,该工具于 10 月 28 日由首席部长 Devendra Fadnavis 发布。该邦今年 8 月批准了 Sarvam 的主权 AI 方案,两年预算 11.26 亿卢比,除 Indus Cowork 外还包含面向公民沟通的语音与 WhatsApp 系统 Samvaad,并将 Saaras 语音识别和 Bulbul 文本转语音模型接入该邦 MahaAI 平台。平台支持包括马拉地语在内的 22 种语言,并提供检索政府决议的 GR Expert、邮件摘要和 RFP 投标评估等工具;Sarvam 称系统运行在位于印度境内的安全审计基础设施上。

Raven Resonance开启Raven Prism AR眼镜预订

Raven Resonance已开启Raven Prism全彩AR眼镜的预订,订金49美元可全额退还,首批预计2027年1月开始发货。据VR陀螺报道,该设备基于Linux的RavenOS独立运行,搭载全彩LCoS光波导显示和四核64位ARM处理器,以眼动和语音交互为核心,并采用Raven Wings模块化热插拔电池设计。首批应用商店提供超过25款应用,面向开发者、创意工作者及企业用户。目前该故事尚无后续发展事实。

Google发布Gemini for Home十月第二次更新

Google发布Gemini for Home十月第二次更新,修复了Home和Nest音箱、显示屏在无人提问时随机说出“Sorry, I didn't understand”的问题。此次更新还修复了智能显示屏上YouTube TV语音指令的可靠性、跨房间调音量时误改当前设备,以及闹钟和计时器音量被置零的问题。更新即日起开始推送。

乐奇Rokid发布全彩AI眼镜Rokid Color与交互戒指Rokid Ring

2026年10月27日,乐奇Rokid在杭州发布全彩AI眼镜Rokid Color与交互戒指Rokid Ring,同场还推出乐奇AI眼镜二代。据VR陀螺报道,三款产品售价分别为4999元起、1699元和3699元;Rokid Color采用三色合光全彩Micro-LED加衍射波导方案,视场角25°、分辨率500×380、最大亮度1000 nits,整机重55g。Rokid Ring由乐奇Rokid联合MythLink打造,支持食指点击、滑动、旋转和响指等微手势配合眼镜操作,并具备心率、血氧、体温等健康监测功能。同日,乐奇Rokid与千问办公宣布合作,千问办公正式接入乐奇AI眼镜,用户可在“Rokid AI”App智能体商店添加并绑定账号后,用语音唤起并下发任务、在眼镜端查看结果。