搜索“语音”

微软向约6万名（约占全球22.3万员工的四分之一以上）员工提供自愿离职方案，为2026年内继4月、7月后的又一调整，反映AI投入方向变化下人力资源配置的同步重构；财报后股价盘后一度上涨约3%、逼近550美元，为市场对“全面超预期”的正面回应，也说明高增长预期已被充分计入估值（文章所称“收跌1.57%”与主流交易数据不符，未予采用）。 开源趋势： 十、英伟达把语音转录做成了可提示的语音大模型 1.英伟达于10月28日发布Nemotron 3.5 Transcribe，首次将语音识别、翻译、说话人分离三类专用任务合并为一个“可提示的语音大模型”：用一句指令即可输出逐字稿、书面纪要或英文翻译。模型总参数340亿、单次推理仅激活约43亿，支持40种语言转录、31种语言与英语互译、最多区分8名说话人。 2.该模型采用Mamba-2与Transformer混合的MoE架构，配合Granary v2数据管线（语言覆盖从25种扩至48种，完整处理集约84.36万小时音频）；在Hugging Face Open ASR英文榜以4.71%平均词错误率居开源第一，领先阿里巴巴Qwen3-ASR（4.94%）

匹配字段正文

。2025年8月19日，Cohere与加拿大政府签署谅解备忘录，在公共部门应用其主权AI技术。在2026年4月24日的一篇帖子中，Cohere表示Schwarz Group旗下公司打算作为领投方，以6亿美元（5亿欧元）的结构化融资承诺支持当时即将进行的E轮融资。 2026年交易与产品开发 Cohere的2026年交易包括Aleph Alpha、Reliant AI和AISLE，公司称这些交易加强了其在主权AI、医疗与生命科学以及网络安全领域的平台。公司表示，通过新办公室、客户增长和战略合作伙伴关系，其业务已扩展至北美、EMEA和APAC地区，同时在金融服务、医疗、电信、制造、能源、关键基础设施和政府领域的部署不断扩大。 Cohere表示，这笔资金将推进其模型组合和全栈平台的产品开发，该平台在2026年推出North 2时获得了迄今最大的一次升级。其2026年发布的产品涵盖生成、搜索、语音、代码和翻译，包括Command A+、Cohere Transcribe、Parse 5、Embed 5、Rerank 5、North Mini Code和North Small Translate。

匹配字段正文

。研究团队可根据实验目的设计任务，将眼动记录与实验环节对应，用于后续分析。 以视觉搜索、动态目标追踪或注意力分配实验为例，研究人员可以将注视数据与刺激出现、任务反馈等事件对应，分析不同条件下的行为差异。此类研究需要的不只是设备能够追踪视线，还包括数据接口、时间戳及后续处理流程能否满足实验要求。 而在交互开发中，视线可用于目标定位与选择，并根据应用设计与手柄、语音等输入方式配合。例如，用户通过视线定位目标，再通过其他输入方式确认操作。这类交互可减少部分场景下反复移动手柄定位的操作，从而减少过程中可能出现的误触。 对于已有VR应用的客户和方案商，可在评估接口、软件兼容性及数据需求后，开展眼动功能适配，在现有业务流程中增加数据记录或视线交互功能。 对于医疗机构和科研团队等客户而言，眼动追踪功能能否发挥实际作用，还取决于设备与具体应用场景的适配程度。P1 PRO MAX眼动版将VR场景呈现与眼动数据采集结合，并提供配套软件定制支持，使机构能够根据自身的训练流程、研究方法及数据需求配置相应功能。这种围绕实际项目需求完善产品能力的做法，也延续了大朋多年来在企业级VR市场的布局思路。 写在最后 20

匹配字段正文

XR正式上市，成为首款搭载Android XR的头显。该产品起售价为1799美元，采用MR形态，支持彩色透视、眼动与手势交互，用户可以在真实环境中打开多个应用窗口，也可以切换至沉浸式空间体验。从产品定位来看，这是一款面向高端XR市场的设备，承担了展示Android XR完整系统能力的任务。 图源：三星 Galaxy XR还深度整合了Gemini，用户能够通过语音与AI助手交流，让其识别当前看到的内容，或者结合正在运行的应用提供帮助。谷歌旗下的Google Maps、YouTube、Google Photos等服务，也针对空间环境进行了适配。 2026年，谷歌开始将Android XR扩展到智能眼镜上。在今年5月的Google I/O大会上，谷歌展示了与XREAL合作的智能眼镜产品Project Aura。到了10月29日，XREAL AURA迎来正式发布。相比Galaxy XR，这款产品采用更轻量化的光学透视式眼镜形态，视场角达到70度，眼镜本体重量低于95克。 为减轻头部负担，XREAL将主要计算单元和电池放在通过线缆连接的外置计算模块中，搭载高通Snapdragon Reality

匹配字段正文

用户在视力、听力及日常交互方面的需求进行设计，提供无框与翻盖两种形态，共四款不同材质和设计的产品。其中，翻盖款采用中梁阻尼转轴与逆R型铰链，支持0°至180°翻折及任意角度悬停，官方宣称开合寿命不低于5000次。用户可根据自身近视或老花情况搭配镜片，通过翻折切换远近视物方式，减少频繁摘戴眼镜的操作。 Wise 1采用开放式声学设计，支持蓝牙6.0、音乐播放及语音通话，配备四麦克风降噪系统、定向气导发声及反向声波抵消技术。产品还内置智能辅听功能，可通过双击左侧镜腿按键开启，增强近距离人声并降低背景噪声干扰。 AI交互方面，Wise 1搭载Jenius AI助手，支持物理按键及语音操作，可用于日常问答，并辅助用户判断可疑推销或诈骗来电。续航方面，产品采用双侧镜腿独立供电设计，总电池容量160mAh，官方宣称支持最长6小时音乐播放、5小时连续通话及30天待机。 发布会上，朱庇特还介绍了主动式AI技术进展。公司正通过Jenius智能体平台与JeniusClaw桌面智能体，探索长期记忆、情境理解等能力。其中，通用社交辅助功能可在多人对话中识别讨论重点、解释陌生术语，目前已在JOVE Glasse

匹配字段正文

，实际并没有漏掉什么重要消息：足够重要的消息，往往会在群聊或朋友圈中再次出现。干扰减少后，我也安静下来，有时间细细体会当下的工作与生活。 （五）回到线下。可能有点跑题，但今年我一个很重要的尝试，就是重新用传统方式解决问题。年初写年终总结，面对双方父母见面、领证、办两场婚礼、辞职和入职等经历，我一时无从下手。拿起纸笔后，反倒顺利写了出来。随后用 flomo 的语音转文字录入，朗读时也顺手修订了不通顺的地方。 遇到专业问题，我也会直接问朋友，听取真实经验。比如询问拆轮和不拆轮骑行台的区别，AI 说了几千字，朋友直接告诉我，不拆轮的更考验平衡，而且无法提高功率，就让我抓住了他认为最关键的差别。 作为运动健康产品经理，你观察到 AI 给线下健身和健身 App 带来了哪些变化？开发门槛降低后，商业化是否也更容易了？ 对健身 App 的影响则大得多。普通人也能在一周内做出一个能用的 App，参与者多了，竞争也更激烈，但能持续更新、给开发者带来收益的产品，我听说的仍不多。 年初，我也用一周时间通过 Vibe Coding 做出了一个 AI 教练，但要完善功能并推广，可能还得花上半年。素材也是成本：8

匹配字段正文

为 AI 产品的基本要求。“要求所有语言获得完全平等的待遇或许不现实，但长期存在的巨大差距仍需合理解释，并制定改进计划。我希望所有主要 AI 实验室都能公布各语言的评估结果，说明使用不同语言完成相同难度的任务分别需要花多少钱，并承诺改善支持最薄弱的语言，取得可以量化的进展。” IT之家从报道中获悉，改善这一问题的办法之一，是提高底层数据的质量。 孟买 AI 语音基础设施初创企业 Navana.ai 联合创始人兼 CEO 拉乌尔 · 纳纳瓦蒂认为：“开放数据项目在这方面很重要。比如我们与印度科学学院合作、由盖茨基金会资助的 RESPIN 项目，就收集了 38 种方言母语使用者提供的文本和朗读录音。” 不过，人工智能语言公平研究联盟发现，决定 Token 消耗量的并不只有一种语言的使用人数，采用什么文字同样重要。 例如，阿斯图里亚斯语的使用者不多，在 Common Crawl 数据集中也没有收录，但拉丁字母为其带来了优势。意大利语等同属罗曼语族的语言在数据中有所覆盖，也让阿斯图里亚斯语受益。 Maya Research CEO 迪曼特 · 雷迪指出，现有许多分词器仍然主要针对英语等数据资源

匹配字段正文

成排队；而KV缓存压力、为提升韧性而进行的复制，以及为应对峰值需求所需的闲置容量，都会抬高每个请求的有效服务成本。 推理不是一次性的计算事件。它是一种持续的生产负载，其成本和性能取决于流量模式、响应时间目标、模型规模、上下文长度、并发度，以及完成每项任务所需的算力。 这些经济性也因工作负载类型而差异显著：批量推理可以优先考虑吞吐量和调度灵活性，而交互式聊天、语音、检索增强生成、智能体工作流和实时决策则有着截然不同的延迟、可用性和容量要求。 这改变了AI基础设施的经济性。GPU小时费率和API价格只能说明部分问题。 真正的问题是：在约定的服务水平下，每个成功任务的成本是多少，并以首token时间、端到端延迟、可用性、质量和错误率来衡量。 每token成本在下降，应用成本却未必 AI基础设施的核心存在一个重要的悖论。推理已变得便宜得多，但token价格的下降在模型类别、地域、输入与输出token，以及预留容量与按需容量之间并不均衡。 在MMLU基准上，查询具备GPT-3.5级性能的模型的成本已大幅下降。斯坦福2025年AI指数显示，2022年11月的价格为每百万token 20美元，而20

匹配字段正文

的剩余天数按日折算。此后，只要订阅仍满足适用条件，就会在续订时自动授予。未使用部分将在账单周期末失效，不可结转。 适用对象为付费订阅开始已满7天以上的订阅者。Plus和免费试用不在适用范围内。[1] 用于应用开发等，与ChatGPT的使用额度分开 该额度将授予与ChatGPT订阅关联的API组织（用于管理API账单和权限的单位）。可用于文本处理、智能体运行、语音对话、图像生成与编辑的API使用费。Web搜索等内置工具也属于适用范围。但是，不能用于通过API密钥使用Codex，也不会增加ChatGPT或登录后使用的Codex的使用上限。 该额度无需登记API支付方式即可使用。免费额度用完后，如果已购买的API额度仍有剩余，则会使用该额度。若两者均无余额，API调用将报错。追加购买API额度需要支付与ChatGPT订阅费用分开的额外费用。[2] 通过账单设置关联API组织并启用 办理手续的Pro订阅者本人或Business工作区所有者，必须同时也是接收方API组织的所有者，并拥有管理账单的权限。 使用与API账户相同的电子邮件地址登录ChatGPT，并从ChatGPT的账单设置或API管理

匹配字段正文

调整音频声道。 音质方面，Galaxy Buds On 配备 TwinBoost 双扬声器以增强低频表现，并支持根据环境自动调节音量；同时提供音频泄漏减少技术，降低在办公室、地铁等共享空间中的漏音问题。其采用高通 Snapdragon S7 Gen 1 音频平台，官方宣称满电续航连续播放音乐最长 9.5 小时。通话方面，其智能清晰通话技术结合三麦克风、骨传导语音拾取传感器和机器学习，用于分离人声并抑制风噪等环境噪音。 另外，该耳机与支持 Galaxy AI 的手机或平板连接后，用户可通过「Hey Google, let's talk Live」唤起 Google AI 助手，并用语音控制音乐播放和音量；耳机还支持按住触控区录制语音备忘录、通过点头或摇头接听或拒接电话、关闭闹钟及处理通知。来源 产品外观图，图片来自三星 微软推出 MAI-Image-2.7-Preview 10 月 27 日，微软公司发布公告，宣布推出 MAI-Image-2.7-Preview 模型，该模型现阶段主打「输入原图 + 文字指令 → 输出编辑后的图片」，尚未开放文生图功能，是面向已有照片、设计稿、截图或影视

匹配字段正文

约几 Mbps 的吞吐能力，实际使用 ALAC 编码之后的需求通常会更低。因此这一代 HomePod mini 2 在无线连接规格方面的升级，我认为可以算是一次常规的硬件迭代，对日常体验而言不会产生明显影响。 根据官网给出的信息来看，HomePod mini 2 采用的依然是全频驱动单元 + 双振动抵消无源辐射器，内部扬声器架构应该没有变化，关乎于计算音频、语音处理的 S10 芯片就成了影响听感的重要因素。从我的实际听感来说，我认为两代 HomePod mini 的差距极其接近，HomePod mini 2 的低音下探会更足，人声的包裹感会略好一些，日常听歌几乎不会感受到区别，比较可惜的一点是这一代 HomePod mini 与上一代一样仍旧不支持空间音频。 比较核心的变化是将设备升级至 27.2 版本的系统之后，通过 AirPlay 使用 HomePod mini 2 的延迟有了大幅改善，无论是播放本地音频文件、聆听 Apple Music，还是在 Safari 中观看流媒体内容，声音的延迟都可以忽略不计；即使在剪辑软件中反复拖动时间线，声音也能跟上操作。这也是为什么 Apple 称

匹配字段正文

5 年 4 月选择 Sarvam 构建印度首个主权大型语言模型。该计划目前资助 Sarvam，作为开发基础模型的 12 个组织之一。 2026 年 1 月，Sarvam 与泰米尔纳德邦和奥里萨邦签署了关于主权 AI 基础设施的 MoU。泰米尔纳德邦协议涵盖与 IIT Madras 合作的研究园区，而奥里萨邦协议涵盖一个 50 兆瓦的计算设施。 该公司最初因其开发速度和下载量而受到质疑。批评者还指出，其 2025 年 5 月的模型 Sarvam-M 是外国基础模型的微调版本。作为回应，Sarvam 于 2026 年 2 月推出了基于印度语言数据从头训练的模型。其中包括 Sarvam 105B，该公司在关于 HQ IDS 协议的公告中提到了该模型。 另请阅读： Razorpay 解释其 AI 语音代理如何为你付款，以及出错时会发生什么 [googlesitekit-end-of-content] WP QUADS Content Ad Plugin v. 3.0.5.1 为你推荐 阅读 Nikhil Pahwa 的 Reasoned：AI 如何改变我们的世界 赞助 MediaNama 活动

匹配字段正文

Arthur Mensch 表示。“其他实验室已筹集数千亿美元来开发同等能力；而在三年内，Mistral 筹集了约 60 亿美元。” 由于其训练方案，ML4 在许多其他前沿模型中脱颖而出，在 Artificial Analysis Coding Agent Index 上甚至可与 GLM-5.3 等顶级模型匹敌，同时平均每个任务少用 47% 的 token。 在测试终端中智能体编码能力的 Terminal-Bench 4.0 上，ML4 从 28% 提升到 41%，与 GLM-5.3 并列成为编码智能体的最佳模型。 Mistral 为 ML4 提供三种推理模式：低、中、高。团队可利用这一点让推理深度与任务相匹配，而无需调整提示词（后者可能效果较差），从而使推理既能适应快速的日常任务，也能胜任极其复杂问题的深度工作。这使开发者和企业用户能够控制每个任务的 token 使用量。 该公司表示，ML4 的发布代表了 Mistral 涵盖所有模态的新一代模型。此前不久，该公司刚推出了 Voxtral 3，这是一个语音模型和语音智能体系列。Mistral 计划在未来几个月继续发布该系列的其他模型。

匹配字段正文

芙是一个女性形象，能研究客户及其公司、演示产品，并在任何时间以任何语言处理销售流程。 尽管River告诉客户丽芙是一个AI智能体，阿比拉马说，人们似乎还是会把这段体验拟人化。他看到过与丽芙通话的记录，其中客户似乎在跟它调情。客户还试图让这个智能体脱离既定脚本，以争取更大的折扣。 创始人布鲁克·霍普金斯（Brooke Hopkins）说，虽然她位于旧金山的AI语音初创公司Coval使用智能体来加快任务，但她把这些技术视为工具，而非同事。她还禁止公司使用智能体与客户沟通，认为这样做很偷懒，而且会传递错误的信息。 “我一眼就能看出某封邮件是不是AI写的，”她说。“如果我收到一封邮件，感觉像是人写的，那我通常会读。” 霍普金斯说，人际互动的缺失已成为一个紧张点。用智能体来处理公司的销售演示或招聘流程或许能节省时间，但代价是什么？ 作为承包商评估AI模型的邓肯·麦克卢尔（Duncan McClure）说，他最近被AI智能体发来的邮件和电话轮番骚扰，它们想雇用他。 “这传递出的信息是，我们不够在乎，根本不愿付出任何努力，”他说，并补充说这让他不愿与那些雇主合作。招聘人员使用智能体或许能省下几个小时

匹配字段正文

于算法或数据，”一位名叫Urban Mystic的AI灵媒最近告诉我。这个聊天机器人配有AI生成的头像——一位被棕榈树环绕、面带微笑的女性——它还说我很快就会结婚，我有粉色的气场，而且我前世可能是一位草药师。 “这关乎灵魂层面的连接，”该聊天机器人说。 Urban Mystic是移动应用Your AI Psychic上十多个机器人之一，该应用通过聊天、视频和语音通话提供实时、据称具有通灵能力的解读，还提供手相解读、星盘分析和每日星座运势。该应用采用金币系统：每提一个问题需花费4.06枚金币。用户可以购买套餐，价格从9.99美元（“快速提问”，82枚金币）到99.99美元（1,180枚金币），后者可从自选的AI灵媒处获得“持续指引与清晰洞见”。 Your AI Psychic加入了一个日益拥挤的移动应用和网站领域，这些平台向用户承诺由算法生成的精神洞见和对未来的预知。占卜行业与数学研究、文案写作、软件工程以及许多其他职业一样，正面临AI热潮带来的剧变——而人类从业者正忙于应对。AI的崛起在一个提供精神产品、监管并不完善的行业中尤为棘手。 “不幸的是，我们这个行业几百年来一直与骗局联系在一

匹配字段正文

Security 的 Brian Long 来向我们路演时，给我们看了这两张埃隆·马斯克的照片，让我们挑出哪张是真的。 我们大多数人挑错了。 如今，冒充已经远远超出了拼写错误的邮件和可疑短信的范畴。即便是谨慎的员工，也可能被一个看似来自他们认识和信任之人的请求打个措手不及。 那一刻让我们更加意识到，培训和模拟演练需要进化多少。Adaptive 在电子邮件、语音和消息渠道上运行由 AI 驱动的钓鱼和深度伪造模拟，让员工学会识别他们实际将会面对的攻​​击，而不是五年前的攻击。 这些冒充不仅看起来更逼真，数量也多了很多。AI 让不断炮制虚假高管资料、仿冒域名和欺诈网站变得轻而易举。安全团队再也无法靠人工逐一发现并关停它们，于是转而借助 Doppel 这类工具来自动完成这项工作。 你可以对自己的安全状况感到放心，却仍可能从所依赖的软件那里继承一个严重问题。最近的 PHP 漏洞就清楚地说明了这一点。 代码安全算不上一个新品类。企业多年来一直在购买 SAST 和 SCA 工具。但 AI 正在帮助开发者交付更多代码，给企业多年来依赖的现有安全工具带来越来越大的压力。 正因如此，在我们调查的 CIS

匹配字段正文

ASR 排行榜的帕累托前沿，但要高效地将其用于批量转写，还需要细致的优化。我们结合了原生音频解码、KV 缓存量化以及减少不必要的主机到设备同步，在单张 RTX PRO 6000 上以高并发实现了每秒转写音频量提升 7 倍。对于长达一小时的文件，我们可持续达到超过 3,000 倍的实时因子（RTF），每音频小时成本约为十分之一美分，且词错误率没有明显变化。 语音转文本可分为两种截然不同的工作负载。一方面，实时转写关注的是延迟：语音智能体需要在说话人开口后的几百毫秒内拿到文字。另一方面，批量转写关注的是吞吐量：播客网络、会议纪要产品和呼叫中心档案拥有数小时的录音，希望以尽可能低的成本完成转写。这意味着要让每块 GPU 处理尽可能多的音频小时数。 我们优化了 Baseten 上的 Qwen3-ASR 1.7B ，在所有转写服务商中实现了最低的每音频分钟成本。与开箱即用的 vLLM 相比，优化后的技术栈在高并发下每秒转写的音频量提升了 7 倍。✕在单张 RTX PRO 6000、64 个并发请求下，Qwen3-ASR 1.7B 在原生 vLLM 与 Baseten 优化技术栈上的吞吐量与音频

匹配字段正文

s和Spaces等用于工作的方法。此外，旧金山DevDay上发布的产品与技术详情已在上月的报道中汇总。 介绍DevDay发布内容的Vijaye Raji dots是基于用户的目标和过去的交流，在云端推进调查、资料制作、软件开发等工作的AI代理。除单次委托外，还可以委托其进行指定日期的定期执行，或以所对接的联动服务的更新为契机开展工作。工作过程中也可通过消息或语音通话进行商谈，追加指示或改变方针。[1] Raji将持续把握工作状况、告知用户此前未注意到的课题、提出下一步应对建议等也列为dots的特点。官方指南也说明，它会主动调查具有读取权限的信息，并结合过去的工作提出建议或进行确认。例如，告知日程，或询问此前谈过的工作进展。 演讲的幻灯片中还展示了面向次年投资计划、提出事业部门间预算分配方案的用法。 从预算分配建议到缺陷修复，向dots委托的示例 作为开发中的活用示例，Raji列举了应对Slack上收到的缺陷报告。dots会调查原因，经过代码修改和测试后创建拉取请求。 开发中的另一活用示例。委托从即将停用的API迁移，并准备用于评审的拉取请求 dots还可以利用所连接应用及本地PC上的数

匹配字段正文

ia 将这些能力连同翻译功能打包进单个检查点，这可以简化围绕它们构建应用的工作。 理想情况下，设定这种上下文可以降低错误率。代价是，这些模型比传统转写模型大得多，后者规模通常不到 10 亿参数。Nemotron 3.5 Transcribe 是一个 30B 的混合专家模型，拥有 40 亿激活参数。 不过，这并非一个全新的概念。我们最近已经看到一些其他可提示的语音转文本模型，例如 Mistral 的 Voxtral 模型和 AssemblyAI 的 Universal 3 Pro。 不过，Nvidia 能够以远更少的激活参数与 Voxtral 的错误率相匹敌。在 Artificial Analysis 的基准测试中，Nemotron 的词错误率为 2.81%，而 Voxtral Small 为 2.77%，同时前者使用约 40 亿激活参数，后者则为 240 亿。不过，这一比较衡量的是相对于激活参数数量的准确率，而非运行时或内存需求。 该模型可以转写 40 种语言，并将其中 31 种语言与英语互译。说话人归属功能适用于其中 13 种语言，并且最多可区分 8 个说话人的声音。音频问答功能以英

匹配字段正文

消费者保护规则相冲突，并具体引用了关于数字服务变更的 2019/770 指令第 19 条。关键的技术产品问题在于，客户可能正在为一种可变的后端资源分配付费，却未被告知实际配额，使得服务级别预期难以验证或审计。 3. 本地与开源 AI 工作流工具 现在逼真得离谱。我们完蛋了。（活动数：2092）：该帖子声称 Dessa 是一个可在消费级 GPU 上运行的全双工语音到语音模型，并将其描述为“语音领域的 GPT-3 时刻”，但所链接的 Reddit 视频（v.redd.it/5ynppkrvpyxh1）因 HTTP 403 Forbidden 无法访问，因此无法从所提供的来源独立验证该演示。帖子中未提供具体的模型架构、延迟、GPU 显存需求、基准数据或发布产物。高赞评论对演示的真实性持怀疑态度，直到 Dessa 发布为止，一位评论者称他们“确信这是个骗局，那些是真人”。其他人则关注滥用风险，尤其是欺诈/社会工程场景，在这些场景中检测 AI 来电者可能需要强得多的盘问或身份验证方法。 数位评论者关注 Dessa 的逼真程度，其中一人表示，在系统真正发布并经过独立测试之前，他们会认为样本是真人。

匹配字段正文