Peter Yang 实测 Grok Voice 2.0 语音体验
Peter Yang 称在 40 分钟通勤途中使用 Grok Voice 2.0，几乎无延迟、感觉即时，还用它来调度自己的 Grok bot。他认为团队应加大该功能的宣传，并期待试用 3.0。
匹配字段标题
←搜索结果
搜索“语音”
Grok Voice 3.0 登顶 Artificial Analysis 语音到语音指数
Grok Voice 3.0 在 Artificial Analysis 的 Speech-to-Speech Index 上排名第一，得分为 86.9，超过 OpenAI 和 Google。该指数综合口语推理、模拟客服通话、盲测偏好投票和任务成功率，GPT-Live-1（Astra，Medium）为 83.2。在 τ-Voice 上，Grok 的成功率从 Grok Voice 2.0 的 56.5% 提升到 71.6%；其响应速度比 GPT-Live-1 快 40%，在 Big Bench Audio 上每任务成本为 0.025 美元，低于 GPT-Live-1 的 0.030 美元和 GPT-Realtime-2.1（High）的 0.055 美元。Grok Voice 3.0 已在 Tesla 中每天处理数百万次对话，并驱动 Grok Bot 的语音模式。
匹配字段标题
Artificial Analysis 评测：Grok Voice 3.0 登顶语音到语音指数 86.9
Artificial Analysis 评测显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分登顶其 Speech to Speech Index，高于 GPT-Live-1（Astra, medium）的 83.2 和 Gemini 3.8 Live Extended Thinking（High）的 82.6，较 Grok Voice 2.0 的 81.3 提升 5.6 分。该模型通过 SpaceXAI Realtime API 提供，每分钟 0.08 美元，输入音频每小时 4.80 美元；在 Speech Agent Arena 任务成功率上以 94.8% 居首，Big Bench Audio 音频推理得 98.5%，Big Bench Audio 平均首音频延迟 0.81 秒，慢于 Grok Voice 2.0 的 0.70 秒。
匹配字段标题
xAI 发布 Grok Voice 3.0，语音到语音指数 86.9 超过 OpenAI 和 Google
xAI 发布 Grok Voice 3.0，在 Artificial Analysis 的语音到语音指数上以 86.9 登顶，超过 OpenAI 和 Google，GPT-Live-1（Astra, Medium）为 83.2。在 τ-Voice 模拟通话任务中，Grok 的成功率从 Grok Voice 2.0 的 56.5% 升至 71.6%。速度上它比 GPT-Live-1 快 40%，后者 1.34 秒约合 0.8 秒，略慢于 Grok Voice 2.0 的 0.70 秒；在 Artificial Analysis 的 Big Bench Audio 上每任务成本 0.025 美元，低于 GPT-Live-1 的 0.030 美元和 GPT-Realtime-2.1（High）的 0.055 美元。
匹配字段标题
Apple 研究：用语音基础模型的语言选择性维度检测语码转换
Apple 提出一种直接从语音中检测语码转换（CS）的轻量方法，利用预训练语音编码器帧级的语言信息判断一句话中是否同时出现两种语言。在 CS-FLEURS 的 14 个语言对上，Whisper-small 编码器取得平均 F1 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。该方法只需少量 CS 数据调整决策规则，可用于筛选多语言语料。
匹配字段标题
Gnani AI 发布 Timbre v3.0：AI 语音可低语、大笑与喊叫
Gnani AI 推出文本转语音模型 Timbre v3.0，支持通过音频标签控制语音的低语、大笑、叹气、喊叫以及停顿、放慢或加快语速，无标签时模型会根据语义、语气和标点自动调整表达。该模型可在 200 毫秒内生成首段音频，支持流式播放与长文本合成，并具备跨语言保持音色一致和文本规范化能力，目前 Timbre 已驱动超过 10 万小时语音通话。
匹配字段标题
Sarvam AI 发布 Bulbul V4 Flash：11 种印度语言实时语音，首音频延迟低于 250 毫秒
Sarvam AI 推出文本转语音模型 Bulbul V4 Flash，支持 11 种语言，首音频延迟低于 250 毫秒，定价 ₹20/1 万字符，较 Bulbul V3 的 ₹30 降价三分之一。该模型提供 83 种音色和 224 种音色与风格组合，在可比负载下比 V3 快最多 40%，已通过 Sarvam API、Playground 和 Content Studio 开放，现有 Bulbul 用户可经原 API 迁移。Sarvam 还预览了主打情感表达的 Bulbul V4 Pro，但未公布发布时间与价格。
匹配字段标题
Baseten 上线 Gradium TTS：TTFA 快于人类语音响应
Gradium TTS 已在 Baseten Model Library 以专用部署形式上线，面向实时语音智能体，其 TTFA 快于人类语音响应时间。在 Coval TTS 基准（截至 2026 年 9 月）上，Gradium TTS 中位 TTFA 为 214 ms。该模型采用 Kyutai 的 Delayed Streams Modeling 架构，以 80 ms 帧对齐文本与音频流，并通过 kernel fusion 与 CUDA Graphs 优化 GPU，官方基准显示启用 CUDA Graphs 后小批量下中位 TTFA 降低超过 2.5 倍。
匹配字段标题
英国上议院首次使用 AI 生成语音发表演讲
英国上议院议员 Baroness Campbell 使用 ElevenLabs 复刻的本人声音，在《健康法案》二读中发表演讲，这是英国议会两院首次有议员或议员使用 AI 生成语音发言。她通过上传旧录音片段克隆音色、节奏与音高，再用文本转语音生成演讲音频，经辅助设备在议事厅播放。ElevenLabs 称其技术已帮助超过 11000 名因伤病失去声音的人恢复声音，并承诺帮助全球 100 万名声音丧失者。
匹配字段标题
FireRedChat 开源全自托管全双工语音交互方案
FireRedTeam 开源 FireRedChat，提供全自托管的实时语音 AI 智能体方案，集成 TTS、ASR、pVAD 和 EoT，无需依赖外部 API，数据不出本地。系统由 LiveKit RTC Server、AI-Agent Bot Server、WebUI、Redis、TTS Server 和 ASR Server 组成，LLM 需自行部署，可用 Ollama、vLLM 或 Dify。2025/09/16 已发布级联系统所需的 pVAD、turn-detector 模型以及 FireRedTTS1、FireRedASR 服务，项目采用 Apache-2.0 许可。
匹配字段标题
FireRedVAD：支持 100+ 语言的工业级语音活动检测与音频事件检测
FireRedTeam 开源工业级语音活动检测与音频事件检测方案 FireRedVAD，支持非流式/流式 VAD 与非流式 AED，可检测 100+ 语言的语音、歌唱与音乐。其非流式 VAD 在 FLEURS-VAD-102 上取得 97.57% F1，超过 Silero-VAD、TEN-VAD、FunASR-VAD 和 WebRTC-VAD。项目采用 Apache-2.0 许可，已发布模型权重与推理代码，并支持 NCNN 多平台运行时。
匹配字段标题
FireRedTeam 开源一体化语音系统 FireRedASR2S
FireRedTeam 开源 FireRedASR2S，一套包含 ASR、VAD、LID、Punc 四个模块的一体化语音系统，各模块均称达到 SOTA。FireRedASR2 支持中文（普通话及 20 多种方言口音）、英文、中英混说以及语音和歌声转写，在 4 个普通话公开基准上平均 CER 为 2.89%，在 19 个中文方言口音基准上为 11.55%，均优于 Doubao-ASR、Qwen3-ASR-1.7B、Fun-ASR 和 Fun-ASR-Nano-2512。FireRedVAD 支持 100 多种语言的语音、歌声和音乐检测，F1 为 97.57%；FireRedLID 覆盖 100 多种语言和 20 多种中文方言，准确率 97.18%；FireRedPunc 中英文标点预测平均 F1 为 78.90%。四个模块可独立使用，模型权重与推理代码已放出，技术报告见 arXiv。
匹配字段标题
FireRedTTS3 发布：支持 24 种语言与 21 种中文方言的语音克隆
FireRedTeam 发布 FireRedTTS3，一个基于语义增强连续语音表征的统一语音生成与编辑系统，包含 Base 和 Instruct 两个版本。Base 支持 24 种语言和 21 种中文方言的零样本语音克隆，在 MiniMax-MLS-Test 上平均 WER/CER 为 3.754%、说话人相似度 84.8%；Instruct 支持自然语言语音设计和语义、声学语音编辑。模型已在 Hugging Face 和 ModelScope 开放下载，并发布 Gradio demo，采用 Apache-2.0 许可。
匹配字段标题
OpenAI 发布 GPT-Live-1 与 GPT-Live-1 mini 语音模型系统卡
OpenAI 发布新一代语音模型 GPT-Live-1 和 GPT-Live-1 mini，两者均为全双工，可持续聆听并响应，能跟随停顿、打断和语速变化；GPT-Live-1 将作为付费用户默认语音模型，mini 版面向免费用户。系统卡称新模型在语音原生评测中整体安全表现与 Advanced Voice Mode 持平或更好，但 GPT-Live-1 在情感依赖上从 0.88 降至 0.82，mini 在性内容上从 0.97 降至 0.92。OpenAI 还说明 2026 年 8 月 4 日发现评测配置与最终发布模型不一致，已用正确配置重跑并附上原始值与修正值对照，修正后部分指标出现统计显著下降，但均未低于其安全发布标准。
匹配字段标题
Sarvam AI 发布 Bulbul V4 Flash 文本转语音模型
Sarvam AI 推出面向印度语言的文本转语音模型 Bulbul V4 Flash，生产环境下首音频延迟低于 250 ms，定价为每 10,000 字符 20 卢比，比 Bulbul V3 的 30 卢比便宜三分之一。该模型基于 V4 研究蒸馏而来，训练数据超过 4000 亿音频 token，语音库规模较 V3 扩大近七倍，并针对实时对话优化了推理栈。
匹配字段标题
SquadStack.ai 发布 Arth V2 语音转文字模型，宣称 67ms 转写延迟
SquadStack.ai 发布流式语音转文字模型 Arth V2，在 863 通真实印度销售电话基准上语义词错误率为 8.85%，80% 情况下在客户说完后 67 毫秒内返回最终转写。其含义改变类错误比 Sarvam Saaras v4 少 18%、比 Google Gemini 3.5 Transcribe 少 26%、比 OpenAI gpt-live-transcribe 少 28%。该模型已用于其企业语音 AI 智能体，并以封闭测试形式向其他团队开放。
匹配字段标题
JavaScript 语音识别教程：Web Speech API 用法与局限
ElevenLabs 发布 JavaScript 语音识别教程，讲解如何用浏览器原生 Web Speech API 的 SpeechRecognition 接口搭建实时转写网页应用，支持连续识别、interim 与 final 转写结果及语音命令匹配。该 API 无需 API key，但音频需发送到后端云服务处理，存在转写不一致、依赖浏览器、缺乏意图理解等局限，ElevenLabs 提供支持客户端与服务端流式传输的语音转文字 API 作为替代方案。
匹配字段标题
TII 发布 Falcon-ASR：1.6B 阿拉伯语语音模型，平均 WER 20.92%
阿布扎比技术创新研究院（TII）发布 1.6B 参数的阿拉伯语语音识别模型 Falcon-ASR，在 6 个阿拉伯语测试集上平均词错误率（WER）为 20.92%，比 TII 榜单中最佳已发布结果低 2.25 个百分点。该模型以阿联酋方言为重点，同一套权重覆盖阿拉伯语、英语、法语、西班牙语和葡萄牙语，并输出词级时间戳。目前仅提供 Hugging Face 托管 demo（支持最长 60 秒、20 MB 音频），未发布权重、许可证或 API。
匹配字段标题
Raise Financial Services 与 Cartesia 合作，为印度金融市场打造多语言语音 AI
印度金融科技公司 Raise Financial Services 正与 Cartesia 合作，用其语音模型为 Dhan、Millions 等平台构建多语言语音体验。Cartesia 的 Sonic 文本转语音模型支持印地语、泰米尔语、泰卢固语、马拉地语等 11 种印度语言，并支持单次生成内的语码切换。目前 Dhan 语音机器人中超过 75% 的交互使用非英语语言，其中印地语占一半以上，超过三分之一的来电在非工作时间由机器人独立处理。
匹配字段标题
PolyAI 与 Otter 高管：语音 AI 尚未迎来自己的 ChatGPT 时刻
企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 与会议记录工具 Otter 的 CMO Alex Gay 认为，语音 AI 虽已实现全双工模型，但尚未迎来“ChatGPT 时刻”。Wen 指出下一步挑战是让推理足够快、回答迅速，使对话自然；Gay 则强调说话人识别、意图捕捉与转写准确度是自动化的关键，并称 Otter 正在研发可代表人们参会的数字孪生。
匹配字段标题