搜索“语音”

默认拒绝；每个连接都经过主机侧允许列表代理。 Anthropic 报告 Claude Code 权限提示减少 84%（内部数据）。 允许列表的广度才是真正的安全调节旋钮；宽泛的域名可能导致数据泄露。 Asif Razzaq网站 | + 文章作者简介 ⮌ Asif RazzaqNVIDIA 发布 Nemotron 3.5 Bolt E4B 4GB：一款面向本地语音智能体、游戏角色和机器人的开放小型语言模型 Asif RazzaqMoonshot AI 发布 Kimi K3.1 Pro：一款总参数 2.8T/激活参数 104B（MoE）的模型，支持 1M 上下文 Asif RazzaqYou.com 推出推理路由器：12 个开放权重模型，提供 99.9% 正常运行时间 SLA $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助 相关文章更多来自作者 NVIDIA 发布 Nemotron 3.5 Bolt E4B 4GB：一款面向本地语音智能体、游戏角色和机器人的开放小型语言模型 Moonshot AI 发布 Kimi

匹配字段正文

Hassan+ 发布文章简介 ⮌ Sana Hassan 是 Marktechpost 的咨询实习生，也是 IIT Madras 的双学位学生，热衷于将技术和 AI 应用于解决现实世界的挑战。他对解决实际问题有着浓厚兴趣，为 AI 与现实生活解决方案的交汇带来了全新视角。 Sana Hassan《Cactus Whistle 编码指南：一个 16.9 MB 的语音模型能否与 Whisper Base 抗衡？在 CPU 上的词错误率、速度、流式处理、时间戳、关键词以及语音到工具调用》 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助 相关文章更多来自作者 NVIDIA 发布 Nemotron 3.5 Bolt E4B 4GB：一个面向本地语音智能体、游戏角色和机器人的开源小型语言模型 Moonshot AI 发布 Kimi K3.1 Pro：一个总参数 2.8T、激活参数 104B（MoE）且支持 100 万上下文的模型 You.com 推出推理路由器：12 个开放权重模型，提供 99.9% 正常运行时间 SLA

匹配字段正文

继美国和加拿大之后正在日本推出。 NVIDIA 🔥： - NVIDIA 发布了 Nemotron 3.5 Bolt E4B 4GB，这是一个用于本地助手和机器人的小型开放模型，可在 Jetson Orin Nano 上运行。 BYTEDANCE 🔥： - 字节跳动发布了 Seedance 2.5 4K，支持 10 位色彩和 Draft 模式，可在放大前生成廉价的 480p 预览，首先面向 BytePlus 上的部分企业客户。 BLOCK 🔥： - Jack Dorsey 公布了 Dessa，这是一个仅用语音对话训练的全双工语音模型，目前提供演示样本和候补名单。 PERPLEXITY 🔥： - 企业管理员现在可以按角色为 Computer 设置最大和默认努力级别。 - Taste Skill 已登陆 Computer 的技能市场，使用它的任务在 10 月 31 日前免费。 COHERE 🔥： - Cohere 的 Model Vault 现已进入公开测试阶段，在 Azure GPU 上运行其模型，并采用 NVIDIA 机密计算。 使用 Grok 撰写本简报，精选新闻并进行了一些后期编辑。

匹配字段正文

橘猫宇宙首款产品定价约200美元，整体退货率不到3%，远低于宠物硬件赛道的平均水平；同时，团队已建立起成熟的社群运营体系，以拓展品牌知名度和提高用户粘性、增加复购。 2026年，公司拿下欧洲最大的宠物专业连锁渠道，线下铺货门店超3000家，并同步加速布局北美、澳洲等市场。 当下的宠物硬件赛道，随着大模型和传感器成本不断下探，给产品加屏幕、加物联网模块、加AI语音正变得非常容易，但简单地堆料无法建立护城河，真正的壁垒，往往是从认知到产品设计的系统能力。 橘猫宇宙选择做减法，它的技术门槛不在电路板上，而是拼材料、力学与制造工艺。通过拉升梳毛效率的物理上限、用被动结构实现安全冗余、布下宽幅的PCT专利网，以及对供应链的深度穿透，从一款“不带电”的产品开始，橘猫宇宙试图验证一条以结构创新和品类定义为核心、而非以智能功能堆叠为卖点的宠物硬件路径。 按照规划，橘猫宇宙将于今年年底推出宠物硬件新品，并于2027年上线第二代梳毛平台的旗舰机型。 可根据猫咪体型调整进出口宽度（图源/企业） 以下为硬氪与橘猫宇宙创始人田佑任的访谈节选（经编辑）： 硬氪：作为一家智能宠物硬件公司，橘猫宇宙的首款产品是一款无

匹配字段正文

ripe、Canva等工具连接。10月21日财报电话会上，公司宣布已有超过1000万人开通Muse。10月，华尔街已经开始重新给Meta估值——“AI前门”。 从争夺注意力到捕捉“真实意图” 过去二十年，互联网商业的起点是输入框。但今天在硅谷，输入框本身开始消失。 硅谷的创业企业Typeless干脆提出“键盘是个错误”。它希望用户直接说话，由AI把未经整理的语音实时变成可以发送的邮件、消息和指令；它争夺的不是聊天机器人，而是键盘和输入框本身。正如闪电说CEO余猛所认为的，对话框的消失，很可能会从语音交流作为替代品开始——同一句意思，面对客户、同事或朋友，AI会根据沟通对象和上下文自动切换表达。 在旧金山，另一批创业者正试图把发生在屏幕之外的会议、咨询、现场拜访和面对面谈话记录下来，遵循“Capture（捕捉）、Remember（记住）、Act（行动）”的路径，直接生成邮件、CRM更新和下一步任务。 这恰好击中了当前大模型一个奇怪的盲区。 它可以阅读互联网，却不知道销售十分钟前听到了客户哪一句抱怨；它可以阅读医学论文，却不知道医生刚刚和患者聊了什么；它能够总结一家公司公开发布的所有文件，

匹配字段正文

作流和支持工具可能比最初的应用程序生成更重要。 推出 NPCTalk：让任何游戏中的 NPC 都能实时、符合角色设定、用自己克隆的声音说话，响应时间不到 1 秒，并且他们会根据你所说的话采取行动。（活动：1385）：Universal Modder 发布了 NPCTalk，这是一个模组仓库，旨在让游戏 NPC 实时对话、保持角色设定、使用克隆声音，并根据玩家语音触发游戏内动作，在 GTA V 上进行了演示，声称端到端延迟低于 1 秒。该技术栈被描述为完全开放模型/自托管：用于语音识别的 NVIDIA Nemotron ASR、用于对话生成的 Qwen 3.8 27B，以及用于无服务器 GPU 上语音克隆/TTS 的 Fish Audio Drama 3；链接的 Reddit 视频因 403 Forbidden 无法访问。评论者预计这类 NPC 语音/智能体系统很快会在游戏中普及，但指出了一个主要的部署瓶颈：实时克隆 TTS 可能需要比游戏本身更多的 GPU 容量，除非使用付费 API 或更小的本地模型（如 pocket-TTS），并在声音相似度/质量上做出权衡。 一位评论者指出，实时克

匹配字段正文

位。 到了6月，大厂发现Token有点烧不起了，又开始转而关注AI使用的回报率，这不仅没有降低大厂员工的AI FOMO（错失恐惧）情绪，反而让员工更难通过使用AI来“取悦”老板，他们要证明AI正在帮助自己的工作提效，交付的内容一定要有AI含量，还要证明自己消耗的每一个Token都在产生价值。 为此，他们有人把“让AI把老板半小时的会议录音转成文字”写成“搭建语音信息结构化流程”，还被评为AI应用的优秀案例；有人专门找一些不重要的工作场景，做成Skill，再包装成一个听起来很厉害的名字给老板看；还有大厂PM（产品经理）用AI去干RD（研发工程师）的活儿，干完之后还要找RD同事重新再改一遍。 这种现象如今在海内外职场上越来越普遍。不久前，商业情报公司Visier参与的一项调查显示，在1000名受访的美国全职员工中，48%承认向同事或上级夸大了自己的AI使用频率或专业知识。 李昭，92年，杭州，电商公司产品运营 三月到五月是真卷。组里有用量排行，行政每周导出数据发到群里。那会儿用AI不为干活，为的是榜上别掉队。我问排第一的姑娘怎么做到的，她说睡前让AI帮她写全年规划，跑完也不看。我学她，一到

匹配字段正文

在 @voicearena ai 的这个基准测试中，语音模型（TTS）的排名方式很像你和朋友测试一个声音：播放两段音频，问哪一段听起来更对。 现在，Voice Arena 仅使用母语者投票来对 TTS 模型进行排名。因此，例如印度英语现在有了自己的 TTS 排行榜，由每天使用这种英语的人来评判。 他们对其评分的方式与其他语言榜单相同：经过审核的母语听者在两段音频之间进行盲听投票，再由 Bradley-Terry 模型将这些投票转换为排名。 他们还在其 TTS 排行榜中新增了法语、德语、他加禄语和印尼语，并且 ElevenLabs 在全部 5 个榜单上均排名第一。

匹配字段正文

oid版本，也可通过claude.ai访问。 广告后继续阅读 正如Anthropic在产品公告中所说明的，Duet基于Claude Opus 5.5语言模型，在带有独立浏览器的虚拟机中运行——无论用户当时是否正在使用自己的设备。每天早上，Duet会发送一份重要事项的简要概览；在一天当中，它会检查已连接的账户，并在判断某事相关或紧急时通知用户。用户可通过聊天或语音输入与智能体进行持续对话。 通过超过6000个连接器和插件，Duet可接入Gmail、Slack、QuickBooks、Stripe、Gusto、LinkedIn、DocuSign、HubSpot、Canva和Shopify等服务。Anthropic给出的应用示例包括：安排日程、准备会议和工资结算、发现未付发票、起草招聘启事以及创建财务预测和仪表盘。 关键操作前需授权 Anthropic强调，该智能体在执行某些操作前必须获得用户的明确同意，例如付款、签署文件或删除文件。证券交易和账户间转账则完全不允许。商业采购方面，Duet可通过Stripe的数字钱包Link以及Shopify的Shop Pay完成——均需用户确认，且不会将实际

匹配字段正文

MoE 模型，拥有 23B 激活参数，获得 Together、SGLang、vLLM 合作伙伴和 NVIDIA NeMo 的首日支持。 MOONSHOT 🔥：- Moonshot 正式预告即将发布 Kimi K3.1，此前该模型在 Arena 测试中表现强劲。 MICROSOFT 🔥：- 微软正在向更多网页和移动端用户推出重新设计的 Copilot 应用，语音模式现在似乎需要付费套餐。 PERPLEXITY 🔥：- Perplexity 为其 Agent API 新增了 Batch API，每个文件支持最多 5 万个请求，其 Decision Model 现在可以在 Mac 上完全本地运行。 CANVA 🔥：- Canva 推出 Craft，这是其首个为设计打造的自研前沿图像模型，面向所有用户开放，并可通过 API 使用。 IDEOGRAM 🔥：- Ideogram 发布 Vector 1.0，这是一个可生成可编辑的分层 SVG 并将图像矢量化的模型，可在 Ideogram 中使用，也可通过 API 使用。 1PASSWORD 🔥：- 1Password 宣布与 Meta、Anthr

匹配字段正文

于12月停止服务），从公测到宣布停服仅过了188天。不到半年的生命周期，折射出新赛道里产品试错的容错率正在急剧降低。 对公司而言，整合可以集中投入、减少重复建设；对用户而言，频繁改名和迁移，也意味着重新识别入口、适应操作方式。 通用助手越来越像个“功能大杂烩” 独立产品不断分化、整合，通用助手里能做的事情则越来越多。 从聊天，到联网搜索、文件理解，再到绘图、语音、深度研究、生成文档和执行代码，原本被分别讨论的产品方向，逐渐装进了同一个助手。 四款样本的公开记录显示，到2024年末，豆包、千问、DeepSeek和Kimi已经共同具备聊天、联网搜索、文件理解三项能力。此后，研究、办公和执行类能力继续进入部分助手。到2026年10月，豆包、千问、Kimi都已上线文档生成和代码或工具执行能力，各家通用助手的产品差异越来越小。 独立产品需要重新获取用户、培养使用习惯。已有助手增加功能，则可以沿用账号、入口和用户关系。对用户来说，一项完整任务也常常跨越多个方向——先搜索资料，再读取文件，最后制作报告或PPT，能够连续完成这些步骤，可能比拥有多个互不相通的工具更有吸引力。 只是，当越来越多通用助手都

匹配字段正文

要重新拆装。 视比特亮相两款人形机器人产品。其中，面向重工场景研发的全尺寸人形焊接机器人采用1.65米全尺寸双足仿人构型，手臂负载10kg，具备全尺寸高柔性、自研大小脑、视觉导航定位、自主智能焊接能力，拥有工业级防护，适配船舶分段、重型钢构、工程机械等场景，未来将面向重工一线实现自主柔性焊接能力落地。 而轮式人形机器人主打多场景服务，支持自主导航、点位导览、语音讲解、取物递水、室内巡检与分拣搬运，可用于展厅导览、会务接待、工厂物流、智慧巡检，赋能智慧办公与园区服务。 不过，人形机器人并不是凭空诞生的黑科技。想要胜任现场焊接作业，视觉感知、运动控制、焊接工艺必须经过长期磨合。视比特积攒多年的3D视觉技术、焊接算法和重工工艺积累，才撑起了人形机器人在车间的实战能力。 固定工作站与人形机器人一静一动、互为补足，视比特希望把同一种 “看懂实物” 的能力，未来铺到船舶工序链的不同节点上。 让决策先在虚拟船厂里跑一遍 不过，单点看得再准、焊得再好，产线仍可能“排不明白”。如果说视觉解决的是“这一件怎么干”，仿真要解决的，就是“这条线怎么排、怎么调、怎么改”。 坤吾（KUNWU）是视比特面向制造企业

匹配字段正文

及上下滑动调整音量，由于动作是捏动而非触摸，需要使一点劲，所以也能减少误触。识别的速度和准确度都不错，基本做到了 TWS 里顶级水平，和 AirPods、Galaxy Buds 系列同级。 佩戴识别的反应速度和准确率也足够好，摘下即停、戴上恢复，几乎没有什么明显的滞后感。按压动作反馈的触感还是跟 AirPods 系列比起来差一点，但也是市场上最好的那一批了。语音提示默认响度足够，你也可以进行单独调整。 OPPO 和一加系的耳机依然依靠欢律 app 来与其他设备联动，它的 UI 设计语言与当下的 ColorOS 为同一体系。在欢律 app 里，除了基本的操作自定义、设备切换、固件升级等功能，也提供了游戏模式开关和掉落检测功能。从 Clip2 时期开始发现的声音空间也有所保留，它甚至还提供了入睡音乐暂停的功能…… Enco X4 在软件端可以实现 20 多种语言的语音互译，每月限制使用 5000 分钟，而且在第三方手机上也可以通过欢律 app 实现，不仅限于欧加系手机这一点非常不错。关于这项功能的一些额外说明我们也截到这里。 实际使用下来，它在中英、日英、中日互译的场景中，对于耳机端拾音的

匹配字段正文

ia株式会社等日本国内合作伙伴的集成。通过将用户日常使用的服务与Muse连接起来，我们希望提供在购物、旅行、日常日程管理等更广泛场景中有用的体验。” 迈向更自然的沟通 沟通层面的进化也被提出。在日前举行的Meta Connect上，介绍了能够实时对话、可在更广泛场景中使用的Muse新功能。 具体而言，除了能够在持续进行长时间自然对话的同时在后台处理任务的高级语音模式外，还发布了实现富有表现力虚拟形象的“Muse Realtime Avatar（仅限英语）”，以及可用于任务处理和沟通的Muse专属电子邮件地址。 不过，关于这些功能在日本的提供情况，将另行通知，需要注意的是，并非此次日本服务启动的同时所有功能都能在日本国内使用。详情请确认Meta Connect的发布内容。 以隐私和安全为前提的“Muse Secure VM” 个人智能体正因为涉及邮件、日历乃至接近支付的领域，对安全性的担忧也往往更大。Meta强调，Muse是“以隐私、安全性和保障为前提的设计”。 其基础是专用虚拟机“Muse Secure VM”。Muse在每位用户各自隔离的云端专用环境中运行，安全保管所连接服务的数据和

匹配字段正文

支持 Command/Super 快捷键 @fcoury-oai 53763 用解析后的插件和技能元数据丰富 V2 能力发现 @TAFOYA-OAI 53780 移除多余的 Codex 手动缓存目录检查 @kkahadze-oai 53781 从 SkillPolicy 中移除产品门控 TODO @kkahadze-oai 53784 在实时请求中转发客户端语音会话 ID @chrisdong-oai 53790 修复 macOS 用户验证提示的取消问题 @bz-openai 53794 在 worker 取消期间保留 rollout 迁移锁 @jif-oai 53795 在 MCP 启动失效测试中使用捆绑的模型目录 @OLI-OAI 53797 当审查上下文变化时刷新 Guardian 审查 @jif-oai 53800 将后台压缩接入轮次生命周期 @rka-oai 53804 在归档和删除期间保持 Agent 命令中心可见 @etraut-openai 53805 为工作区路由配置错误添加安全诊断信息 @etraut-openai 53811 支持从 Windows WinGet

匹配字段正文

养老顾问、护理人员、社区工作者和老人家属的“眼睛”和“耳朵”，辅助他们作出更精准判断，从而把更多时间、精力用于有温度的、深度的情感陪伴和心灵关怀。 以人机PK赛的成果为基础，浦东正以超过95%的问答准确率为目标、推进大模型迭代，并将入住养老院、陪诊服务、助餐预约、居家照护等十余个典型业务封装为独立而协同的智能体（Agent）服务，让老人在线上用一句方言或一段语音提出的诉求，瞬间转化为线下闭环落地的服务，真正让数据多跑路、老人少操心。 碧云颐养院来了智能机器人 受访者供图 智能产品鲜活落地 如果说大模型的擂台比拼检验了机器的智慧，那么把智能设备请进养老院、融入起居生活，则是让技术生根发芽的必经之路。为破解研用脱节、产品适配不足的产业痛点，浦东在今年世界人工智能大会期间重磅揭牌了“上海市浦东新区银发科技创新实验中心”与“‘养老+人工智能’实景实验室”，将全区养老机构的真实床位和日常照护资源全域开放，让研发团队与设备直接下沉到照料一线“摸爬滚打”。 走进川沙养护院的生活照护区，科技带来的细微变革随处可见。走廊上，得印智能研发的智能驾驶轮椅平稳滑行，行动不便的长者轻推摇杆或下达简易语音指令，即

匹配字段正文

所报告的第一项成果就是在标准 Mineflayer 接口下，在没有任何预览地图的情况下，在没有任何专门为游戏设计的工具或者任务策略的情况下，由普通的智能体自己完成了从头到尾的游戏通关。 2026 年 6 月的时候，KRAFTON 和 NVIDIA 就推出了 PUBG Ally 的限时测试活动，在其中加入了人工智能作为队友来帮助玩家完成游戏任务。玩家可以使用语音命令让 AI 去搜寻武器、收集物资并参与战斗。 同样是利用了大模型的理解和规划能力，将游戏系统的实际操作接口连接起来。 从结果看，人工智能还不能算作是稳定的。大约有 22% 的游戏程序出现了错误，服务器也重启了 6 次。 它们最终成功了，但这也只是一场成功实验。论文没有通过足够多次的随机地图重复测试，证明它们可以稳定通关。 再加上 27 个小时内大约 24000 次模型调用，按照优惠后的 API 价格来计算的话还需要花费大约 520 美元的通关费用，如果要用它来进行代练的话，那么首先得算一下这笔账。 迫不及待地想要用大模型来代替自己打游戏的玩家可以先不用着急，至少现在，游戏手柄和键盘，暂时还牢牢掌握在人类手里。 论文链接在这里，

匹配字段正文

在组织一场会议。批处理我认为是一个很有意思的市场。我觉得我们看到了很多需求，来自那些需要……你知道，我们前几天有个客户需要转录，你知道，5000 年的音频。他们有，你知道，数以百万计的音频文件。而我们有很多容量。所以我们让他们做了这件事，你知道，花了几天时间。我认为那里有一些非常有意思的用例。非常看好低延迟的东西。我认为会有很多，你知道，一旦我们让音频，比如语音到语音模型跑起来，比如语音模型。我有点预期那会是一个非常有意思的市场。然后当然，还有所有这些 agent 的东西，对吧？而在某种程度上，我对 agent 这个词有点复杂的感受，因为我觉得在某些方面，我认为所有软件都会变得 agent 化。所以对我来说，这几乎就像是，agent 化到底意味着什么？我觉得所有软件在某种程度上，都会随着时间变成 AI 驱动的。 但显然，有一套构建模块，你知道，用来做更多 LLM 驱动的软件，这似乎，你知道，在所有不同用例中都是共通的。 37:30 而我们就像，你知道，我对模型的思考方式是，我们做的是构建构建模块的生意，你知道，我们想给你惊人的、可泛化的、久经考验的、你知道，通用的、可组合的构建模块。而

匹配字段正文

人工智能 不再猜测 Amazon SageMaker AI 上 TTS 的自动扩缩容目标 流量高峰冲击你自托管的文本转语音（TTS）端点，请求开始排队。延迟在你服务等级目标（SLO）之上攀升，而这恰恰发生在最多来电者收听的时候。该端点背后的自动扩缩容策略本应防止这种情况，但它所依据的扩缩容目标值只是一个猜测，而这类猜测会悄无声息地失败，直到真实流量证明它们是错的。 把这个数字搞错，代价会以两种方式之一付出，而两者都不会以告警的形式出现。猜得太保守，集群就会运行大部分时间闲置的 GPU 实例。这笔成本会落在每一张账单上，却永远不会触发事件报告。猜得太激进，集群就背负着无人察觉的风险。每个实例承载的并发请求数超过了它能在延迟承诺内处理的数量。一切看起来都没问题，直到真实的流量高峰把排队时间推过 SLO。而这恰恰发生在最多来电者收听的时候。这就是隐藏的缺口。一个在控制台上看起来没问题的策略，可能已经在辜负它本应服务的人。 在本文中，我们将 Kokoro-82M, 一个 8200 万参数的 TTS 模型，作为自定义容器部署在 Amazon SageMaker AI 实时端点上。 AWS Clo

匹配字段正文

用于解说或播报屏幕上正在发生的内容。在虚构作品中，它们也用于分享角色的内心独白。 画外音出现在许多不同类型的媒体中，包括电影、电视、电子游戏、广告、社交媒体和教育内容。 借助 AI，你可以为你的创意项目创建和自定义画外音。 什么是画外音？定义、用途和关键特征 画外音是一段不见说话者的音频轨道，叠加在视频上播放。画外音可以包含预先录制的人类表演或 AI 生成的语音。 你可能会看到这个术语有三种写法：voice over、voiceover 和 voice-over。这三种写法都很常用，其中“voiceover”在制作行业中较为典型，而词典则倾向于使用带连字符的“voice-over”。 画外音有多种用途，包括： 旁白：画外音讲述屏幕上正在发生的事情。它用于虚构和非虚构内容，包括电影、电视节目和纪录片。 角色内心独白：在虚构内容中，画外音常用于分享角色在屏幕上时的想法。 播报：商业广告和营销视频常使用画外音来宣布新产品和优惠。 教育：培训视频常将视觉演示与提供分步说明的画外音相结合。 在画外音中，说话者的语调、节奏和表达方式与屏幕上的视觉内容相匹配，使整个视频流畅自然。无论画外音是由人类还

匹配字段正文