←搜索结果

搜索“语音”

按匹配度 · 共 1347 条结果 清除搜索

星期二

  1. Artificial Analysis

    Eleven v4 Turbo 在语音竞技场多语言登顶

    在 Controlled Voice Arena 中，所有模型都使用相同的克隆声音进行对比，Eleven v4 Turbo 在阿拉伯语（1,356）、德语（1,428）、印地语（1,291）和英语（英国）中排名第 1，在西班牙语、日语、葡萄牙语、普通话和英语（美国）中排名第 2。 在 9 个非英语语言排行榜中，Eleven v4 Turbo 在阿拉伯语、德语和印地语上领先于 Eleven v4。

    匹配字段标题

    #editorial#评测/基准#语音
  3. LiveKit 产品与工程博客

    Retell vs. Vapi vs. LiveKit：面向开发者的语音 AI 智能体对比

    LiveKit 从四个工程问题对比 Retell、Vapi 与 LiveKit 三款语音 AI 智能体平台：是否需要在发布后持续迭代、需求超出默认配置时如何改动、是否要支持电话之外的 Web、移动、视频、设备或 WhatsApp，以及规模化成本。Retell 靠滑块和字段配置，Vapi 靠 PATCH assistant 与 schema，LiveKit 则把开源 Agent 框架放进开发者自己的代码仓库。按公开定价估算，LiveKit 全包成本约从 Gemma 4 31B、AssemblyAI Universal-Streaming 与 Fish Audio S2.1 Pro 组合起，到 GPT-5.5、AssemblyAI Universal-3.6 Pro Streaming 与 Cartesia Sonic 3.5 的高配方案。

    匹配字段标题、摘要

    #company#行业动态#语音#部署/工程

星期日

  1. Dominik Kundel

    用户分享 Dot 后台语音协作体验

    dominik kundel 表示自己已多次这样使用：Dot 在后台持续语音运行，双方在需要对方输入时再沟通，他认为这是一种很棒的交互方式。他是在回应 Phil Hedayatnia 关于 Dot 上线后让 Dot 在后台处理任务、需要建议时通过语音联系自己的分享。

    匹配字段标题、摘要

    #analysis#现象/趋势#语音#Agent

星期六

  1. The Decoder

    Suno 推出 Speech 功能，可生成语音与配套背景音乐

    AI 音乐生成器 Suno 新增 Speech 功能，可将口播文本与匹配的背景音乐合成为一条音轨，用户输入想法或文字并描述想要的音色与音乐风格即可生成。Suno 产品负责人 Jack Brody 表示该功能已在小范围测试一个月，可用于诗歌、冥想和睡前故事，但 beta 版仍有 bug，例如英式口音有时会听起来像澳式口音。

    匹配字段标题

    #ai-vertical#产品更新#语音#多模态
  2. MarkTechPost

    微软发布 MAI-Transcribe-2-Streaming 流式语音转文字模型，登顶 Artificial Analysis 榜单

    微软 AI 发布首款流式语音转文字模型 MAI-Transcribe-2-Streaming，支持 60 种语言并自动连续检测语种，在收到音频后 100 毫秒出头即输出首个部分转写结果。Artificial Analysis 的 AA-WER Streaming 测试显示，其最终转写与首个部分转写均为 2.5% WER，在 38 个模型中均排第一，最终结果延迟 0.13 秒。该模型定价为每小时音频 0.54 美元（2026 年底前的尝鲜价），可通过 Realtime API 或 Azure Speech SDK 接入，目前为公开预览，无 SLA 且未开放权重。

    匹配字段标题、摘要

    #ai-vertical#模型发布#语音#Microsoft

星期五

  1. The Verge AI

    Suno 推出语音生成功能，可同时生成人声与背景音乐

    AI 音乐生成平台 Suno 上线语音生成功能，目前以公开测试形式在网页端和移动端开放，可同时生成配音与背景音乐并合成为一条音轨。该功能提供 Simple 和 Advanced 两种模式，前者通过提示词描述场景，后者支持自定义脚本并调整 AI 声音性别、语音风格和生成多样性，最长时长约 8 分钟。Suno 首席产品官 Jack Brody 表示测试版仍不完善，将根据用户反馈持续改进。

    匹配字段标题、摘要

    #tech-media#产品更新#语音#多模态
  2. Dominik Kundel

    用户称通勤时用 dot 语音模式排练演讲

    dominik kundel 表示，多亏了 dot，他在通勤途中完成了大量工作，包括排练演讲；而常规语音模式一直不太适合他。被引用的 Alexander Embiricos 则提到自己也喜欢通勤时用 dot 语音通话，并称用户对通话 UI 的反馈褒贬不一。

    匹配字段标题、摘要

    #analysis#现象/趋势#语音
  4. Suno

    Suno 回应语音与配乐同步生成难点

    Suno 转发了一条讨论：语音与背景音乐一次性生成看似简单，难点在于两者保持时间上的一致，两个生成器争夺同一时间线通常会互相干扰；如果音乐能围绕人声真正地压低、渐强和点缀，而不是事后贴上去，对实时音频是实质性进步。Suno 回应称“谢谢，我们非常努力”。

    匹配字段标题、摘要

    #company#其他
  6. Suno

    Suno 推出 Speech 语音生成功能 Beta 版

    Suno 宣布 Speech 功能进入 Beta，称其为首个能在生成语音的同时配上匹配背景音乐的模型，用户更新 App 即可使用。官方示例包括用 Gen Z 俚语朗读《奥德赛》中的塞壬段落、用维多利亚时代英语请求室友洗碗。Suno 提醒 Beta 阶段仍有不足，例如英国口音有时听起来更像澳大利亚口音，戏剧性停顿可能过于夸张，后续会逐步改进。

    匹配字段标题、摘要

    #company#模型发布#语音#多模态
  7. Suno：Blog

    Suno 发布 Speech 语音模型 beta，可同时生成人声与音乐

    Suno 发布 Speech 语音模型 beta，这是其首个将人声与音乐作为一条完整音轨同时生成的音频模型。用户在 Suno 中输入想法、诗歌或文字，并描述想要的音色与音乐风格，即可生成配原创背景音乐的语音内容。该功能已向全部用户开放 beta，此前已在小范围用户中测试一个月，官方称 beta 阶段口音和停顿仍不稳定。

    Introducing Speech, now in Beta on Suno

    匹配字段标题、摘要

    #company#产品更新#语音#多模态
  8. Microsoft AI Blog精选

    微软发布 MAI-Transcribe-2-Streaming 流式转写模型及两款语音模型

    微软发布首款流式转写模型 MAI-Transcribe-2-Streaming，支持 60 种语言和自动连续语言检测，在 Artificial Analysis 的最终与部分转写准确率上均排名第一，收到音频后 100ms 出头即可给出首个部分结果，年内按每小时音频 0.54 美元计价。同时发布多语言文本转语音模型 MAI-Voice-2.1，支持 23 种语言和 26 个地区，单一音色可用各语言的原生口音，定价每 100 万字符 22 美元；以及面向高并发低延迟场景的 MAI-Voice-2.1-Flash，端到端延迟 150ms、可生成 45 秒音频，推理速度提升 55%，定价每 100 万字符 15 美元。三款模型可通过 Microsoft Foundry 等渠道使用，MAI-Voice-2.1 系列已上线 OpenRouter。

    Pink semicolons arranged in a swirling pattern against a blue background with soft, blurred light streaks.

    匹配字段标题、摘要

    #company#模型发布#语音#Microsoft

星期四

  1. TechCrunch AI

    AI 语音初创公司 ElevenLabs 估值翻倍至 220 亿美元

    AI 语音初创公司 ElevenLabs 宣布允许员工按 220 亿美元估值出售部分已归属股权，较其 2 月融资时的 110 亿美元估值翻倍。此次 3 亿美元要约收购由 Wellington 和 T. Rowe Price 联合领投，是该公司第二次为员工安排股权转让，上一次是 2025 年 9 月按 66 亿美元估值进行的 1 亿美元要约。ElevenLabs 成立于 2022 年，以生成高度逼真的人声和音效著称，总部位于纽约和伦敦。

    匹配字段标题、摘要

    #tech-media#行业动态#语音

星期三

  1. Hugging Face

    Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与语音克隆的可扩展评测

    Hugging Face 发布 Open TTS Leaderboard，默认按 Seed TTS Eval 英文集与 CV3 Eval（zero shot）的宏平均 WER 排名，hexgrad/Kokoro-82M、Supertone/supertonic-3 和 fishaudio/s2-pro 领先。榜单支持多语言切换（中日韩用 CER）、语音克隆对比与 SIM 说话人相似度列，并新增 Streaming 标签页按 TTFA 排名，kyutai/pocket-tts 在 GPU 和 CPU 上表现突出。

    匹配字段标题、摘要

    #lab#评测/基准#语音#开源生态

星期二

  1. Vapi Blog

    Vapi 推出 Vapi for CX：让企业掌控语音智能体全生命周期

    Vapi 发布 Vapi for CX，一套面向 CX、运营、产品和工程团队的语音智能体工具包，主打对智能体全生命周期的完全控制。Vapi Composer 支持用自然语言构建语音智能体，产出的配置对象与 API、CLI 和 MCP server 中的一致，底层设置仍可编辑；电话、轮次切换、打断处理、并发与合规由 Vapi 托管。

    匹配字段标题、摘要

    #company#产品更新#语音#Agent
  2. AWS Machine Learning

    在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（上）

    AWS 发布教程，演示如何用 vLLM-Omni Deep Learning Container 在 Amazon SageMaker AI 上部署 Qwen3-TTS，通过 SageMaker 双向流式连接实现文本流入、24 kHz PCM 音频分块流出，并配套 Gradio 应用。该 DLC 基于 vLLM-Omni v1.5，新增 SageMaker AI 所需的双向流式能力标签与路由中间件，示例使用 v1/audio/speech/stream 原生 WebSocket 路由。

    匹配字段标题、正文

    #lab#教程/实践#语音#部署/工程

星期一

  1. ElevenLabs Blog精选

    ElevenLabs 发布 Eleven v4，用 Audio Tags 逐句导演情感语音

    ElevenLabs 发布情感文本转语音模型 Eleven v4，可在脚本中用 [furious]、[sarcastic]、[crying] 等 Audio Tags 逐句指定情绪，模型会据此调整语气、节奏和停顿，并加入叹息、笑声等非语言声音。官方建议一次生成整段文本以建立场景上下文，TTS 应用单次最多支持 10,000 字符，每个句段只用一个情绪标签，效果不理想时优先替换标签而非改写文本。

    匹配字段标题、摘要

    #company#产品更新#语音#多模态