用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行助手
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 与 Amazon Bedrock Knowledge Bases，可构建航空语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。
#语音
#语音
今日 0 条AWS Machine Learning BlogAI 评分2222
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带精确唇形同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言同步等具体细节，可据此判断企业级多模态交互的落地形态。
Google DeepMind精选AI 评分6868 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与逐行表演指导，后者面向高并发配音和语音智能体。
推荐理由：两款 TTS 模型给出从 30 种预设到可自定义音色的能力变化，并列出基准排名与开放入口。
OpenAI NewsAI 评分2020 Ringg 用 OpenAI 模型让 AI 智能体解决高达 65% 的客户来电
Ringg 基于 GPT-5.6 打造的多语言 AI 智能体可解决高达 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页渠道，成本较 GPT-4.1 降低 90%。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布两款实时对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化低成本场景与高复杂度任务。
推荐理由：官方给出两款语音模型的基准成绩与开放渠道，可据此判断实时语音智能体的能力水位。
OpenAI News精选AI 评分6868 OpenAI 在 API 中推出 GPT-Live-1 语音模型
OpenAI 在 API 中推出 GPT-Live-1，支持自然的全双工语音对话。该模型具备更强的指令遵循能力，支持自定义音色和电话通信（telephony）接入。
推荐理由：OpenAI 把全双工语音对话能力开放到 API，开发者可据此判断语音应用的接入方式。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文字模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文字模型，可将原始音频直接转为准确、经过格式化的文本。
推荐理由：官方给出 WER、延迟与多语言等量化指标，并说明实时与录音两条 API 路径的接入方式。
OpenAI NewsAI 评分4242 OpenAI 如何在六个月内为 GPT-Live 构建实时语音 AI 系统
OpenAI 披露其为 GPT-Live 构建实时语音系统的过程，该系统采用无轮次（turnless）语音模型与低延迟架构，实现与 AI 的连续语音交互，让对话更快、更自然。
OpenAI NewsAI 评分2222 avatarin 如何用 GPT-Realtime 打造 24/7 零售智能体
avatarin 基于 OpenAI 的 GPT-Realtime 为山田电机（Yamada Denki）顾客提供 24/7 多语言支持。两周内有 30,000 人使用该智能体，92% 的问卷反馈为正面评价。
OpenAI NewsAI 评分4242 OpenAI 推出企业级 AI 智能体平台 OpenAI Presence
OpenAI 推出企业级 AI 智能体平台 OpenAI Presence，可部署可信的语音与聊天智能体，用于客户及内部工作流。该平台定位为经过验证的企业 AI 智能体平台，帮助组织落地相关智能体应用。
OpenAI NewsAI 评分2020 Cars24 如何用 OpenAI 扩展对话规模并加速构建
Cars24 借助 OpenAI 的语音与聊天智能体，每月处理超 100 万分钟对话，并挽回 12% 的流失线索。该公司还将智能体工作流推广至全公司各团队，以加快构建速度。
OpenAI News精选AI 评分6060 OpenAI 发布新一代语音模型 GPT-Live
OpenAI 发布新一代语音模型 GPT-Live，用于实现更自然的人机交互，目前已接入 ChatGPT Voice。
推荐理由：OpenAI 发布新一代语音模型并接入 ChatGPT Voice，读者可了解语音交互能力的一次代际更新。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70+ 语言的近实时语音到语音翻译音频模型，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：官方给出 70+ 语言实时语音翻译的连续生成机制与多产品落地节奏，可据此判断实时翻译的可用边界。
OpenAI NewsAI 评分2222 Parloa 借助 OpenAI 模型打造可规模化语音客服智能体
Parloa 利用 OpenAI 模型构建可规模化的语音驱动 AI 客服智能体，让企业能够设计、模拟并部署可靠的实时交互。
OpenAI News精选AI 评分5757 OpenAI 在 API 中推出新的实时语音模型
OpenAI 在 API 中推出新的实时语音模型，可进行推理、翻译和语音转写，用于构建更自然、更智能的语音体验。
推荐理由：OpenAI 在 API 中上线新的实时语音模型，读者可据此了解语音能力在推理、翻译与转写上的变化。
OpenAI NewsAI 评分2222 Uber 用 OpenAI 驱动 AI 助手与语音功能，帮司机多赚钱、乘客更快叫车
Uber 正用 OpenAI 驱动 AI 助手和语音功能，帮助司机更聪明地赚钱、乘客更快叫车，服务覆盖全球实时交易市场。
OpenAI NewsAI 评分4040 OpenAI 如何为实时语音 AI 重建 WebRTC 栈
OpenAI 重建了其 WebRTC 技术栈，以支撑实时语音 AI 的低延迟、全球规模与流畅的对话轮次切换。该栈面向大规模并发场景，重点解决实时语音交互中的延迟与轮次衔接问题。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗智能体研究
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生更偏好其回答而非现有证据合成工具；在 20 个模拟远程问诊场景、140 项问诊技能评估中，专家医生整体表现更好，但 AI 在 68 项上达到或超过初级保健医生水平。
推荐理由：Google DeepMind 公开 AI co-clinician 研究，含 98 例零关键错误与 140 项问诊能力对比，可看医疗智能体的能力边界。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS，一款主打可控性与表现力的文本转语音模型，已在 Gemini API 和 Google AI Studio 面向开发者预览、在 Vertex AI 面向企业预览，并通过 Google Vids 向 Workspace 用户开放。
推荐理由：官方给出音频标签控制方式、Elo 分数与多语言覆盖，可据此判断语音生成的可控性进展。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，精度更高、延迟更低。该模型在 ComplexFuncBench Audio 上取得 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后取得 36.1%。
推荐理由：官方给出语音模型的基准成绩与多端开放入口，可据此判断实时语音智能体的能力边界。
OpenAI NewsAI 评分2020 Descript 如何用 OpenAI 推理模型实现大规模多语言视频配音
Descript 借助 OpenAI 推理模型实现大规模内容库的自动本地化，在不丢失时间轴与语义的前提下完成多语言视频配音。该方案面向大体量内容库的自动本地化需求，解决了配音中时序与含义难以兼顾的问题。
OpenAI NewsAI 评分2222 Tolan 如何用 GPT-5.1 打造语音优先 AI
Tolan 基于 GPT-5.1 打造了一款语音优先的 AI 伴侣，结合低延迟响应、实时上下文重建和记忆驱动的人格，实现自然对话。
Google DeepMind精选AI 评分6666 Google DeepMind 更新 Gemini 2.5 Flash Native Audio 并推出实时语音翻译
Google DeepMind 发布面向实时语音智能体的 Gemini 2.5 Flash Native Audio 更新版，在函数调用、指令遵循和多轮对话三方面做了改进，其中对开发者指令的遵循率从 84% 提升到 90%，在 ComplexFuncBench Audio 上以 71.5% 领先。
推荐理由：官方给出函数调用、指令遵循与多轮对话三项能力的具体提升数据，并同步上线实时语音翻译。
OpenAI News精选AI 评分6565 OpenAI 发布 gpt-realtime 并更新 Realtime API
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并更新 Realtime API。新 API 能力包括 MCP server 支持、图像输入和 SIP 电话呼叫支持。
推荐理由：OpenAI 发布语音到语音新模型并扩展 Realtime API，读者可了解语音智能体接入工具与电话场景的能力边界。
OpenAI NewsAI 评分1818 Speak 如何用 AI 个性化语言学习
Speak 正借助 AI 实现语言学习的个性化。OpenAI 与 Speak CEO 兼联合创始人 Connor Zwick 展开对话，介绍相关做法。
OpenAI NewsAI 评分3535 ChatGPT 视觉与语音功能助力多模态输入与自然沟通
ChatGPT 引入视觉与语音功能，支持多模态输入，提升团队沟通效率；功能旨在使沟通更自然。
OpenAI News精选AI 评分6060 OpenAI 在 API 中推出新一代音频模型
OpenAI 在 API 中推出新一代音频模型，开发者首次可以指示文本转语音模型以特定方式说话，例如“像一位有同理心的客服人员那样说话”，为语音智能体带来新的定制能力。
推荐理由：OpenAI 在 API 中开放语音风格指令能力，读者可据此判断语音智能体的定制空间。
OpenAI News精选AI 评分6262 OpenAI 推出 Realtime API，支持开发者构建语音到语音体验
OpenAI 推出 Realtime API，开发者可将其集成到应用中，构建快速的语音到语音交互体验。
推荐理由：OpenAI 面向开发者开放 Realtime API，可用于构建低延迟的语音到语音交互体验。
OpenAI NewsAI 评分1515 OpenAI 提出 Consistency Models，实现快速生成
OpenAI 提出 Consistency Models，可在不依赖迭代采样的情况下实现图像、音频和视频生成，从而解决扩散模型生成速度慢的问题。扩散模型虽推动了这些生成领域的发展，但其迭代采样过程导致生成缓慢。
OpenAI NewsAI 评分4040 OpenAI 详解 Voice Engine 工作原理与安全研究
OpenAI 详解其文本转语音模型 Voice Engine 的技术原理及安全研究。
OpenAI NewsAI 评分2020 ChatGPT 的声音是如何选出的
OpenAI 与业内顶尖选角及导演专业人士合作，从 400 多份投稿中筛选，最终为 ChatGPT 选定 5 种声音。
OpenAI News精选AI 评分8282 OpenAI 发布新旗舰模型 GPT-4o
OpenAI 宣布推出新旗舰模型 GPT-4 Omni（GPT-4o），可在音频、视觉和文本之间进行实时推理。
推荐理由：OpenAI 官方发布新旗舰模型，读者可据此了解其在音频、视觉与文本上的实时推理定位。
OpenAI News精选AI 评分6262 OpenAI 推出 ChatGPT 和 Whisper API
OpenAI 发布 ChatGPT 和 Whisper API，将其对话模型与语音识别能力开放给开发者调用。
OpenAI NewsAI 评分4040 OpenAI 分享 Voice Engine 自定义语音模型小规模预览的经验
OpenAI 分享了自定义语音生成模型 Voice Engine 小规模预览的经验教训。该模型可根据文本创建定制声音，目前仍处于小范围测试阶段。
OpenAI News精选AI 评分7878 ChatGPT 新增看、听、说能力
OpenAI 宣布 ChatGPT 新增看、听、说能力，可处理图像与语音输入并语音回复。
OpenAI News精选AI 评分6262 OpenAI 推出 ChatGPT iOS 应用
OpenAI 发布 ChatGPT iOS 应用，可同步对话记录并支持语音输入，同时把最新的模型改进带到移动端。
推荐理由：OpenAI 官方公布 ChatGPT iOS 应用的核心能力，读者可据此了解移动端入口与语音输入带来的使用变化。
OpenAI News精选AI 评分7878 OpenAI 开源语音识别模型 Whisper
OpenAI 训练并开源了神经网络 Whisper，其在英文语音识别上接近人类水平的鲁棒性和准确率。
推荐理由：OpenAI 开源语音识别模型 Whisper，读者可了解其在英文语音识别上的鲁棒性与准确率定位。