搜索“语音”

隆重推出 North 2：不妥协的 AI 平台 North面向企业的企业级 AI；Compass智能搜索与发现 Command生成式语言模型；Transcribe全新语音识别模型；North Small Translate全新机器翻译模型；Parse全新文档解析模型；Embed语义表示模型；Rerank检索优化模型 Model Vault专用模型推理平台；Private Deployments本地部署或隔离 VPC；Security在每个阶段保护您的数据 合作伙伴；活动；网络研讨会；周边商店 精选 博客最新新闻、发布与洞察 Cohere LabsCohere 的机器学习研究实验室 探索 工作的未来AI 将如何改变我们的工作方式？；Aya 模型大规模多语言 AI；全部论文 倡议 研究学者计划寻找新一代机器学习人才；开放科学社区倡导全球开放科学；Catalyst Grants支持有影响力的机器学习事业 自动化的早期足迹 研究开放科学Tiny Aya 实战：人们用开放多语言 AI 构建了什么2026年7月14日9 分钟阅读；开放科学研究Co/plot：通过可视化支持研究流程2026年6月3日

匹配字段正文

隆重推出 North 2：不妥协的 AI 平台 North面向企业的企业级 AI；Compass智能搜索与发现 Command生成式语言模型；Transcribe全新语音识别模型；North Small Translate全新机器翻译模型；Parse全新文档解析模型；Embed语义表示模型；Rerank检索优化模型 Model Vault专用模型推理平台；Private Deployments本地部署或隔离 VPC；Security在每个阶段保护您的数据 合作伙伴；活动；网络研讨会；周边商店 精选 博客最新新闻、发布与洞察 Cohere LabsCohere 的机器学习研究实验室 探索 工作的未来AI 将如何改变我们的工作方式？；Aya 模型大规模多语言 AI；全部论文 倡议 研究学者计划寻找新一代机器学习人才；开放科学社区倡导全球开放科学；Catalyst Grants支持有影响力的机器学习事业 Cohere 与 PwC 合作加速安全企业级 AI 落地 合作伙伴公司新闻Cohere 与 OpenText 合作，将可信智能体 AI 引入政府和受监管行业2026年9月16日1 分钟阅读；

匹配字段正文

隆重推出 North 2：不妥协的 AI 平台 North面向企业的即用型 AI；Compass智能搜索与发现 Command生成式语言模型；Transcribe全新语音识别模型；North Small Translate全新机器翻译模型；Parse全新文档解析模型；Embed语义表示模型；Rerank检索优化模型 Model Vault专用模型推理平台；Private Deployments本地部署或隔离 VPC；Security在每个阶段保护您的数据 合作伙伴；活动；网络研讨会；周边商店 精选 博客最新新闻、发布与洞察 Cohere LabsCohere 的机器学习研究实验室 探索 工作的未来AI 将如何改变我们的工作方式？；Aya 模型大规模多语言 AI；全部论文 倡议 研究学者寻找新一代机器学习人才；开放科学社区倡导全球开放科学；Catalyst Grants支持有影响力的机器学习事业 用 AI 实现制造业现代化的五种方式 企业 AI制造业制造业中的 AI：用例、收益与实施考量2025年4月21日7 分钟阅读；企业 AI制造业智能运营的未来：制造业与供应链2025年1月24日4

匹配字段正文

隆重推出 North 2：无妥协的 AI 平台 North面向企业的企业级 AI；Compass智能搜索与发现 Command生成式语言模型；Transcribe全新语音识别模型；North Small Translate全新机器翻译模型；Parse全新文档解析模型；Embed语义表示模型；Rerank检索优化模型 Model Vault专用模型推理平台；Private Deployments本地部署或隔离 VPC；Security在每个阶段保护您的数据 合作伙伴；活动；网络研讨会；周边商店 精选 博客最新新闻、发布与洞察 Cohere LabsCohere 的机器学习研究实验室 探索 工作的未来AI 将如何改变我们的工作方式？；Aya 模型大规模多语言 AI；全部论文 倡议 研究学者寻找新一代机器学习人才；开放科学社区倡导全球开放科学；Catalyst Grants支持有影响力的机器学习事业 小型 AI 模型如何为企业带来巨大影响 商业版块主权 AI2026 年主权 AI 采用现状2026年8月25日6 分钟阅读

匹配字段正文

隆重推出 North 2：不妥协的 AI 平台 North面向企业的企业级 AI；Compass智能搜索与发现 Command生成式语言模型；Transcribe全新语音识别模型；North Small Translate全新机器翻译模型；Parse全新文档解析模型；Embed语义表示模型；Rerank检索优化模型 Model Vault专用模型推理平台；Private Deployments本地部署或隔离 VPC；Security在每个阶段保护您的数据 合作伙伴；活动；网络研讨会；周边商店 精选 博客最新新闻、发布与洞察 Cohere LabsCohere 的机器学习研究实验室 探索 工作的未来AI 将如何改变我们的工作方式？；Aya 模型大规模多语言 AI；全部论文 倡议 研究学者寻找新一代机器学习人才；开放科学社区倡导全球开放科学；Catalyst Grants支持有影响力的机器学习事业 财富管理人的一天：有 AI 与无 AI 的对比 企业 AI金融服务在金融领域构建 AI 智能体：重塑金融服务2025年8月15日7 分钟阅读；企业 AI金融服务AI 优势：金融机构如何借 AI

匹配字段正文

算你真的干到整个电池用完，从 Mac mini 上随手接一根 Type-C 线插到音响上也可以继续战斗。 这个环境下最大的遗憾或许是它并不支持 Dolby Atmos，只能以普通的立体声进行播放；而且如果你家里还有别的支持空间音频的 Sonos 音箱，把它们和它组成一组，Dolby Atmos 也会降级成立体声。 在这个音响中，Sonos 也带来了他们自己的语音助手功能——Sonos Voice Control。说出来就能播放你所需要的音乐。所有请求都在音箱本地处理；所有和他的对话都不会被录音、发送到云端、存储、转录或被任何人听到。 但是最大的遗憾是：仅支持英文与法文，在国内的使用情况着实不太理想，而且在多次尝试配置的时候都出现了报错。本身对语音助手依赖不强的我只能作罢。Sonos 也提供了另外一个选项：就是将其配置 Amazon Alexa，在国内这个环境下也不是说不行，但总是无比的别扭。 语音这块虽然让我不满，但是我的运气不错：在 Sonos 推出他们的 Sonos 27 的同时也推出了他们自己的 MCP 服务。这下甚至连官方的软件都不需要安装了。我只需要直接告诉我的 Hermes

匹配字段正文

驱动的联络中心利用 AI 技术来弥合传统 IVR 系统面临的效率差距。 本指南探讨 AI 联络中心、它们如何实现客户服务自动化、应用场景、实施方法，以及如何选择合适的 AI 联络中心软件。 摘要 联络中心自动化利用 AI 在极少或无需人工干预的情况下处理客户支持工作流。 AI 驱动的联络中心系统会响应客户、理解意图、检索信息并提供简洁的回复。 与传统交互式语音应答系统相比，AI 联络中心软件更直观、高效且自然。 AI 自动化正在转变人工坐席的角色，使他们能够专注于复杂案例。 选择 AI 联络中心软件时，应考虑 CRM 集成、全渠道支持和延迟等因素。 什么是联络中心自动化？ 联络中心自动化利用 AI 技术在极少人工干预的情况下处理客户互动。它将 AI 与 CX 团队日常运营中常用的软件技术（如语音坐席、交互式语音应答和聊天机器人）集成。这使组织能够更高效地通过电话、电子邮件和聊天等不同渠道为客户提供支持。 与传统联络中心软件不同，AI 联络中心系统使用先进的人工智能，如机器学习、深度学习、语音模型和生成式 AI，与客户进行自然对话。这些 AI 系统远比传统 IVR 先进。它们能够理解细

匹配字段正文

就是Qwen如何一步步走到今天的历程，一次发布接一次发布。 第一章——2023年：千问 阿里巴巴在ChatGPT之后才行动，但差距不大。2023年4月7日，阿里云开始向企业客户发放一款名为通义千问的模型的邀请码。这个名字部分取自哲学家孟子。 四天后，在北京举行的阿里云峰会上，时任CEO张勇公开揭晓了它。阿里巴巴表示将把该模型融入所有业务，首先从钉钉和天猫精灵语音助手开始（《中国日报》）。 真正的转折出现在8月。2023年8月3日，阿里巴巴开源了Qwen-7B和Qwen-7B-Chat，这是对Meta的Llama 2的直接回应。Qwen-7B在超过2.2万亿个token上预训练，上下文长度为2,048个token。其许可证对月活跃用户低于1亿的商业用途免费。 视觉能力在数周内跟进。首个视觉语言分支Qwen-VL于2023年8月下旬发布。 2023年9月13日，通义千问向公众开放，这标志着中国监管部门的批准。同月，团队在arXiv上发表了《Qwen技术报告》。 这一年以规模收尾。阿里巴巴于2023年12月1日前后发布了72B和1.8B模型供下载。Qwen此时已覆盖从笔记本规模到前沿规模的开

匹配字段正文

少年成长过程中带来了什么变化？面对AI快速发展，应该怎样重新定义“AI素养”，并建立怎样的教育提升策略？ 调研结果显示，在今年8月收集的615份有效小学生问卷中，97.9%的受访小学生至少听说过人工智能。其中，11.7%表示“很了解”，51.7%“知道一些”，34.5%“听说过但不太清楚”，只有2.1%表示没有听说过。 调研中，当被问及“哪些是人工智能”时，语音助手、学习类App和扫地机器人提及率较高，动画片里的机器人也被不少孩子视为AI。孩子对AI的认识很大程度上来自日常使用，但对现实AI技术与虚构角色的边界仍未必能准确区分。 调研中，74.8%的受访小学生已经在日常学习中接触过AI，聊天问答、拍照搜题、语音助手、内容生成等都已成为具体场景；但56.4%表示学校没有教过如何使用AI。对于孩子AI教育而言，问题已经不只是“会不会使用”。 调研中还发现一个问题，比“会不会用”更值得关注的，是孩子能不能判断AI给出的答案。在回答“AI说的都是对的吗”时，超过半数受访小学生选择“同意”或“非常同意”；只有31.4%知道AI可能生成不一定真实的内容。但另一方面，93.7%的受访小学生表示，遇到

匹配字段正文

关注发言者和会场的同时，即可阅读眼前的翻译内容，让跨语言交流从“耳机收听”进一步拓展到“抬头可见”。 此次应用由北京市属企业祥龙公司牵头组织，联合亮亮视野、智谱AI等企业共同研发和保障。将人工智能与智能硬件创新转化为具体的会议服务，为不同语言、不同文化背景的嘉宾交流观点、增进理解提供支持。 300台同时在线的背后，是一套完整系统对数百台终端的实时服务。从会场语音采集、AI识别、实时翻译，到低延时传输和眼镜端字幕显示，各环节需要稳定衔接，才能将发言内容及时、连贯地呈现在嘉宾眼前。此次应用在复杂会场网络、多语种交流、高并发接入和长时间连续运行条件下，保持了较高的稳定性、准确性和低延时体验，在扩大服务规模的同时检验了系统成熟度。 这一进展体现了AI眼镜从终端功能创新向系统化服务的延伸。实时翻译与近眼显示，通过组网和现场保障协同进入正式会议服务体系，接受实际并发规模、运行连续性与参会体验的综合检验，为前沿技术服务大型国际活动积累了实践经验。 技术能力的提升，最终服务于人与人之间的理解。文化交流包含知识与观点，也包含讲述者的语气、神情和表达语境。眼镜端的实时字幕，让嘉宾在获取翻译信息的同时保持对

匹配字段正文

5 月推出测试版，目前免费提供，但也提供每月 8.33 美元的 Pro 订阅，适合希望无限量在后台运行任务的用户。 Instinct Instinct 最初因以 25 亿美元估值融资 3.5 亿美元而登上头条。2026 年 9 月，它又融资 10 亿美元，估值达到 100 亿美元。 这款随时可用的智能体可以代你采取行动，而不只是回答问题。用户可以通过文字或语音与 Instinct 交流，并将它连接到已经在用的应用和服务，例如电子邮件、日历、Google Workspace 等。该公司表示，早期用户已使用 Instinct 完成从规划旅行、购买食品杂货到订票和取消订阅等各种任务。 该公司仍处于非公开测试阶段。 Iris Iris 由 Hermes 智能体驱动，旨在让用户直接通过 iMessage 将任务委派给 AI 助理。用户可以连接自己使用的应用，并通过一条简单消息交办任务。随后，该智能体会逐步完成所需步骤，同时保留此前交互中的相关上下文。它还设计为主动跟进用户，而不是等待用户再次提出请求。 Martin Martin 是一款通用型个人助理，可通过短信以及电话、WhatsApp、电子

匹配字段正文

“没有新界面的个人智能体”。 Instinct踩在一条长达六十年的脉络上。 1966年，MIT的ELIZA用关键词替换模拟心理医生对话，人类第一次对着机器倾诉；1995年，ALICE成为第一个广泛商用的聊天机器人；此后二十年，SmarterChild、小i机器人们涌进MSN和QQ，却始终困在“问答机器”的壳里。 2011年，Siri随iPhone 4S发布，语音助手时代开启，Google Now、Alexa、Cortana蜂拥而至。2014年，微软推出小冰，不强调任务执行，主打情感陪伴。但“听懂”和“办到”之间仍有巨大鸿沟：当时的语音识别错误率高达15%-20%，意图理解只能覆盖少量垂直场景，任务完成依赖第三方App开放接口，跨应用调度几乎不可能。助手们普遍沦为“问天气”和“讲笑话”的玩具。 2017年前后，天猫精灵、小度、小爱同学靠补贴大战在中国铺开智能音箱，却又陷入同质化与价格战，入口叙事难以变现。行业逐渐形成一个共识：助手的能力天花板，由底层语言理解技术决定，而不是入口形态。 2022年11月，ChatGPT上线，对话助手第一次具备开放域的知识问答、写作与推理能力。2023年，G

匹配字段正文

商店榜首。但即便Muse最终主导消费级AI领域，Tian仍看到了一个市场：服务于那些希望自己的应用能在消息服务上运行的开发者。这正是Photon提供一整套工具的原因，包括统一API、可扩展的渠道框架、命令行界面（CLI）以及可观测性套件。这些工具组合起来，使开发者能够构建和运营可在iMessage、WhatsApp、Telegram、短信或RCS、电子邮件、语音等平台上运行的智能体体验。 Photon的创意源于联合创始人Tian和CTO Ryan Zhu在学生时代构建消费级应用的经历，他们经常参加黑客松。每次完成一个新应用，他们都会遇到同一个瓶颈：如何让人们发现它。通过构建一个在iMessage内运行的智能体，他们意识到可以通过人们每天都在使用的应用——苹果的Messages——触达用户。 例如，Tian曾构建过一个机器人，能在iMessage上以他的身份回复朋友的消息。当他和Zhu将这项技术在GitHub上开源后，数千名开发者采用了它。于是他们全力以赴。Tian从宾夕法尼亚大学的M&T项目退学，Zhu则离开了高中，后来成为麻省理工学院媒体实验室的访问学生。 如今，Photon的开源版

匹配字段正文

务于旧工作负载的硬件就会成为新工作负载的瓶颈。 1985 年（定制硬件 → CPU）：计算从专门的科学模拟转向需要可编程的通用软件。 2003 年（CPU → GPU）：机器学习和图形渲染等新工作负载要求大规模并行。结果，CPU 成了瓶颈，GPU 成了解决方案。 2026 年（GPU → Cerebras WSE）：如今，随着我们构建多智能体系统、编程助手、语音界面和人在回路的工作流，我们的工作负载再次发生转变。这些工作负载是顺序的、受内存带宽限制的，并且对延迟极其敏感。GPU 并非为此而设计。 幸运的是，硬件层面的转型已经开始了。Cerebras 的晶圆级引擎（WSE）是一块餐盘大小的单芯片，属于更新一代的架构，专为需要低延迟的 AI 工作负载而优化。GPU 需要在芯片与内存之间来回搬运数据，而 WSE 则把所有数据都保留在片上，从而消除了制约 GPU 推理的内存带宽瓶颈。 以下是你如何判断延迟债确实存在的方法：跟着钱走。 在过去六个月里，AI 领域最重要的四家公司都押下了数十亿美元的重注，赌的是更快的推理，而这些押注没有一笔落在目前已经主导 AI 的 NVIDIA 硬件上。Goog

匹配字段正文

的 Agents API，在上面构建各种酷东西。我们很想听听你的反——反馈，如果，你知道，取决于进展如何。 Vibhu [00:17:31]：你有没有看到它影响开发工作流的方式有什么变化？所以 Dots 的一件事就是，你知道，你在 Slack 里看到它。 Ari Weinstein [00:17:38]：是啊。 Vibhu [00:17:38]：你看到人们用语音并构建。Roman 展示的那个例子，改这个应用并沿途给我发截图等等。 Ari Weinstein [00:17:46]：是啊。 Vibhu [00:17:46]：你在采用情况里看到关于人们如何用 Computer Use 做编码工作流的什么吗？人们应该从中得到什么建议吗？ Ari Weinstein [00:17:55]：其实我最喜欢的 Computer Use 用例之一，也是我们在实际中经常看到的，就是 Computer Use 让代理——真正测试代理构建的软件，这比听起来重要得多。因为传统上，你知道，你在 Codex 里构建东西，然后——然后 Codex 帮你构建好，然后你得测试它，而你现在就像是代理的 QA，对吧？所以有了

匹配字段正文

人值守运营——长时间连续运行、自主故障恢复、远程监控与补货提醒； 4. 多场景快速部署与低成本复制——开箱即用、低代码配置、同一底座适配便利店、药房、酒店等多业态。 以下四个案例分别代表四条不同的落地路径： ◇ 银河通用 × 零售：「银河太空舱」无人零售具身智能方案 方案硬件形态为 9 ㎡ 预制舱体，内置 Galbot 双臂轮式人形机器人、多温区货架与支付及语音交互屏。核心技术为 GroceryVLA 端到端模型，可零样本识别透明瓶、软包、异形盒，配合 ± 5mm 偏差自适应补偿、力控柔性执行与 Sim-to-Real 数据管线；运营上依托云端 RaaS 平台，实现远程监控、补货预警与多舱统一管理。 落地场景有两类：一是太空舱智能零售店，已覆盖全国 20 多个城市、超百台舱体，售卖文创、饮料、咖啡、雪糕、零食、烤肠等多品类，单舱日均服务能力达 2000 人次；二是智慧药房（ 24 小时即时零售），截至 2026 年 3 月已累计送出近百万盒药品、服务超 30 万订单，解决了 24 小时药房 " 夜间值守难 " 的问题。 效果数据：泛化抓取成功率超过 95% ，日均订单约 500 笔 /

匹配字段正文

要更实体化的形态。Friend等其他公司也采取了类似的软件先行策略，但Friend主要定位为陪伴型聊天机器人，而非生产力工具。 在DevDay新闻问答环节中，当被问及Dots是否会成为与ChatGPT交互的主要界面时，OpenAI核心产品负责人Thibault Sottiaux表示，公司“很快就会就地演进ChatGPT，使其成为这个了不起的个人助理”，他还认为，随着人们能够通过电子邮件、短信或电话联系自己的AI智能体，交互的切入点“在某个时候都会变得模糊”。Sottiaux说，它将成为“你生活中自然的一部分”。 Altman押注的是，Dots在长期任务上会比市场上此前几代智能体更有用。“这感觉像是一个始终在线的助手、合作者……你可以把非常大量的工作交给它，它会了解你，并随着时间推移主动提供帮助，”他在周二的新闻问答环节中说。 两家公司的主要赌注是，在经历了多年表现平平的AI智能体之后，它们终于能交付一款有用的日常工具，从而打入更广泛的大众市场。但在Muse于Facebook Marketplace上令人担忧的举动，以及Dots在DevDay上出岔子的语音演示之后，显然还有一些工作要做。

匹配字段正文

的时间，即便是这位司机已经拥有40年的驾龄，仍然来不及反应。 去年5月，济青高速交警也披露过一个案例，肇事司机在智驾模式下行驶，随着与前车距离不断缩短，本应起到辅助安全作用的智驾系统不仅未采取减速措施，反而在碰撞发生前一秒突然显示退出，最终酿成追尾事故。 在车质网上，也能看到大量的投诉，比如智驾系统将中央隔离带错误识别为大货车并持续减速，发出“请控制方向”的语音提示后仅4秒，智驾“直接强制退出”，车辆随即剐蹭护栏。车主写道：“高速行驶状态下预留反应时间严重不足，根本无法从容接管车辆。” 还有在正常行驶中，智驾无故退出，导致汽车失控撞护栏，无反应时间接管的投诉。这些虽然没有造成多严重的后果，但几乎都能读到同一句话：“事故前，智驾退出了”。 这些案例拼凑出一幅令人不安的状态，智驾系统在感知到超出自身能力边界的场景时，比如复杂路况、恶劣天气，还是传感器识别错误，都会触发保护机制，将控制权交还给驾驶员。 但问题在于，这个“交还”往往发生在撞击前的最后一两秒，甚至更短。 普通人的紧急反应时间至少需要1到5秒。当智驾在最后一秒突然撂挑子，留给人的反应时间不足1秒。这种极致仓促的瞬间，普通人根本来不

匹配字段正文

止这些。 Vibhu [00:19:57]：有时候甚至不是那样。有时候就是直觉，对吧？比如你甚至没意识到自己想要某个东西，直到模型把它做出来，然后你说“哦，这个感觉立刻就更好了”，对吧？ Thariq Shihipar [00:20:07]：对，没错。 Swyx [00:20:09]：有一件事我一直在反复琢磨，就是我觉得我有一半时间写提示词的方式，比如说我用语音。 Swyx [00:20:16]：我说语音了吗？别人有语音。那正好相反。那就只是我东拉西扯两分钟，按下功能键然后松开，然后希望它能自己搞明白。而且很多时候它确实能。 Thariq Shihipar [00:20:26]：对。 Swyx [00:20:26]：但它不像那种结构化的提示词那样深思熟虑，不像那种像 PRD 或备忘录一样良好组织的沟通。这符合人们实际的做法吗？是不是存在双峰式的提示词，有些提示词你前期花很多时间，另一些你就随手一挥？ Thariq Shihipar [00:20:43]：我不觉得语音就一定是低。我觉得更像是提示词里有多少信息。模型可以。你可以加上几句话 Swyx [00:20:53]：对 Thariq

匹配字段正文

DLC 打包了跟踪的 vLLM-Omni 版本，并为 SageMaker AI 添加了路由中间件。vLLM-Omni 将 vLLM 从文本生成扩展到通过 OpenAI 兼容 API 处理或生成文本、音频、图像和视频的模型。 本文是关于专用 AWS DLC 系列文章的延续。第 1 部分使用 vLLM-Omni 和 SageMaker AI 双向流式传输实现实时语音。第 2 部分涵盖实时和异步推理：图像模型以内联方式返回结果，而运行时间较长的视频模型将其输出写入 Amazon S3。将图像和视频生成与文本转语音演练分开，也使不同模型、负载和响应模式更加清晰。 你克隆代码示例，部署 FLUX.2-klein-4B 用于图像生成，并将其输出传递给 Wan2.1-VACE-1.3B 用于图像条件视频生成。该示例包含命令行工作流和 Streamlit 应用程序。 该解决方案将同一个固定版本的 AWS vLLM-Omni DLC 镜像部署到两个 SageMaker AI 端点。部署脚本更改 SM VLLM MODEL，以在一个端点上加载 FLUX.2-klein，在另一个端点上加载 Wan VACE

匹配字段正文