VibeVoice-ASR-BitNet：微软开源的轻量级语音识别模型
微软开源的VibeVoice-ASR-BitNet语音识别模型体积小至1.58GB，支持纯CPU推理，支持中英法意等多语言，为本地中文转写提供了一种新的选择。
推荐理由：原文介绍了微软开源的语音识别模型VibeVoice-ASR-BitNet，该模型体积小，支持纯CPU推理，对需要本地中文转写的用户有参考价值。
#语音
#语音
今日 0 条开源中国精选AI 评分6060
TechCrunch · AI精选AI 评分6565 Deepgram 收购 Pipecat 制造商 Daily 以加强语音 AI 基础设施
Deepgram 收购了 Pipecat 制造商 Daily，以加强其语音 AI 基础设施，并承诺将 Pipecat 保持开源。Daily 提供了语音和视频通话的托管基础设施，Pipecat 是一个管理语音和视频流以及语音识别和语音合成的框架。Deepgram 还推出了实时上下文标准 (RCS)，这是一个为语音代理定义元数据和指导的开放协议。
推荐理由：Deepgram 通过收购 Daily，加强了其语音 AI 基础设施，并承诺将 Pipecat 保持开源，这可能对语音 AI 领域产生重大影响。
IT之家精选AI 评分8585 英伟达开源最强转录 AI 模型 Nemotron 3.5 Transcribe：支持 40 种语言，8 人抢话也能精准转录
英伟达推出开放权重语音转录模型 Nemotron 3.5 Transcribe，支持 40 种语言转录，最多可区分 8 名说话人，已在 Hugging Face 与 ModelScope 免费开放。
推荐理由：英伟达开源了 Nemotron 3.5 Transcribe 模型，支持多语言转录和说话人识别，对多场景应用有重要意义。
爱范儿精选AI 评分6565 AI 语音助手发展现状与趋势分析
文章分析了语音助手的发展现状，包括 Dessa 和 Grok Voice 3.0 等模型的特性，探讨了语音助手在日常生活和工作中的应用，以及语音助手面临的挑战和未来发展趋势。
推荐理由：文章探讨了语音助手的发展趋势，分析了不同语音模型的技术路线和实际应用，对读者了解语音助手的发展方向有参考价值。
Show HN精选AI 评分6565 ESP32-P4微控制器实现实时语音转文字
ESP32-P4微控制器上实现了实时语音转文字功能，无需云端支持。
推荐理由：该工具展示了在ESP32-P4微控制器上实现实时语音转文字的能力，对于需要端侧语音处理的应用场景具有参考价值。
Show HNAI 评分4545 RainbowSay – 使用喜爱的节目学习、教授和研究语言
RainbowSay 通过分析用户喜爱的系列剧、视频和播客，提供实时语言学习体验。它暂停于每个句子的结尾，展示翻译、词汇和语法。该应用支持多种语言，提供听力、口语和字幕练习方式，帮助用户在真实语境中学习语言。
Show HNAI 评分55 OmniVoice 拉丁语语音合成模型：Restored Classical 风格
用户对 OmniVoice 模型进行微调，实现了拉丁语的 Restored Classical 风格语音合成，这是其在学习拉丁语过程中最成功的尝试之一。
Show HNAI 评分4545 Hurston-1 开源 TTS 模型支持美式英语及南方美式和非洲英语口音
Hurston-1 是一个开源的窄带语音合成模型，擅长美式英语，尤其擅长南方美式和非洲英语口音。该模型由 Destined AI 开发，基于 20,000 多人的语音数据训练而成，目前已支持亚马逊和 Salesforce 等客户，并创造了超过 500 万美元的收入。该模型不支持语音克隆，且在不同提示下声音可能不一致，适用于电话等场景。
Show HNAI 评分4545 Fish Audio Drama 3 (35B TTS) 模型在单16GB GPU上实现2.7倍实时速度的土耳其语语音合成
Fish Audio Drama 3 (35B TTS) 模型在单16GB GPU上实现了2.7倍于实时速度的土耳其语语音合成，适用于短句和段落，保留了内置指令和情感。该模型在Hugging Face上可用，并已在dev.to和Medium上详细介绍了其构建过程。
IT之家精选AI 评分7070 科大讯飞发布星火语音基座大模型SparkAudio 1.0：中英文任意切换、说话人实时识别
科大讯飞发布星火语音基座大模型SparkAudio 1.0，具备中英文切换和实时说话人识别功能，已在讯飞输入法等多个产品中上线。
推荐理由：原文介绍了科大讯飞发布的星火语音基座大模型SparkAudio 1.0，该模型具备中英文切换和实时说话人识别等功能，读者可以了解其如何改变现有语音处理工作流。
开源中国AI 评分4040 蚂蚁百灵开源 Ming-3.0 语音系列：多任务拆分与导演模式创新
蚂蚁百灵开源 Ming-3.0 语音系列，包含声音创作、长语音分析和业务语音转写三套模型及五款产品，支持按需组合；Ming-3.0-tts 引入导演模式，支持文字描述和参考音频定音色。
IT之家精选AI 评分8585 蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别
蚂蚁百灵开源 Ming-3.0 语音系列模型，包括语音合成、音频理解与对话、语音识别三个系列，共五款模型，支持开发者按任务选择或组合使用。
推荐理由：蚂蚁百灵开源 Ming-3.0 语音系列模型，涵盖了语音合成、音频理解与对话、语音识别等多个方面，对语音技术领域具有推动作用。
Show HNAI 评分4545 SPEV：原生支持音频和视频输入的多模态决策模型
OpenAI的Decisions和Cloudflare的Clef等多模态模型支持文本或图像输入，而SPEV原生支持音频和视频输入，直接从音频推理，无需语音转文字转换，音频决策速度比OpenAI快3.5倍，仅需166毫秒。
TechCrunch · AIAI 评分3535 PolyAI CTO Shawn Wen：语音AI尚未达到ChatGPT时刻
PolyAI首席技术官Shawn Wen认为，尽管全双工模型已经发布，但语音AI尚未达到ChatGPT时刻。他认为，语音AI的下一个挑战是快速推理，以便模型能够快速获取答案，使对话感觉自然。他还强调，客户服务中的AI智能体不应听起来像机器人，并应给呼叫者足够的信心，相信他们可以解决问题。
Show HNAI 评分4545 BabyTalk：ESP32离线语音识别与语音合成软件库
BabyTalk是一个基于ESP32的离线语音识别与语音合成软件库，支持C、MicroPython和Erlang/Elixir语言，无需云和互联网即可运行。该库包含6MB的语音识别模型和1.9MB的语音合成模型，适用于无需联网、保护隐私或依赖服务器的场景。
Show HNAI 评分4242 Superwhisper S1 mini：语音转文字的文本与语气规范化工具
Superwhisper S1 mini 是一款针对语音转文字（speech-to-text）的文本与语气规范化工具，在 Show HN 上发布。该工具用于对语音识别输出进行文本和语气层面的整理，目前获得 6 个积分、暂无评论。
Show HN精选AI 评分6868 OpenClicky 发布开源 macOS 听写与屏幕指点工具
OpenClicky 发布开源 macOS 听写工具，按住 fn 键说话即可在光标处输入，默认用 Apple 端侧识别离线运行，填入 Sarvam key 后支持十一种印度语言。它同时保留语音伴侣功能，按住 ⌃⌥ 可询问屏幕内容并让光标指向答案，还能把文件、命令类任务交给 Codex agent，采用 MIT 许可，要求 Apple Silicon 与 macOS 14.2+。
推荐理由：开源 macOS 听写工具把离线识别、按应用风格改写和屏幕指点、Codex 派活放在同一条链路里，可据此判断本地语音助手的形态。
IT之家AI 评分3838 亚马逊 Ring 发布支持手拧应急发电的智能门锁
亚马逊旗下 Ring 发布一款智能门锁，内置电池并配备手拧应急发电旋钮，可在电池没电时避免无法进门。该门锁支持指纹、键盘、Ring 应用和 Alexa 语音助手 4 种解锁方式，可设置访问权限，并通过 Amazon Sidewalk 共享网络保持连接。Ring 同期还发布 5 款监控产品，含 4 款 4K 摄像头和 1 款室内 2K 环形云台摄像头。
Show HN精选AI 评分6262 Lessong 发布：把任意歌曲变成语言听力课
Lessong 是一个开源工具，能把任意歌曲自动转成语言听力课：先逐句朗读歌词原文与译文，再播放对应的真实歌曲段落。它用一条命令完成人声分离、歌词对齐、翻译、旁白和节拍对齐混音，依赖 Demucs、ElevenLabs 和 OpenAI API，一首 4 分钟歌曲在 Apple 芯片笔记本上约需 4 到 5 分钟。项目采用 MIT 许可，作者提醒使用者需自行确保音频使用权利。
推荐理由：原文给出了从分轨到混音的完整流水线、命令行用法和成本估算，读者可据此判断自建歌曲教学音频的可行路径。
Show HN精选AI 评分7171 TuxWhisper：Linux 离线按键听写工具，支持 Wayland
TuxWhisper 是面向 Linux 的离线按键听写工具，按快捷键说话即可把文字粘贴到光标处，语音识别用 faster-whisper 在本地运行，不上传云端。
推荐理由：原文给出了 Linux 端离线听写工具在 Wayland 下的实现方式与配置细节，可据此判断本地语音输入的可用边界。
Show HN精选AI 评分5858 VoiceGremlin 发布面向 AI 电话智能体的自动化测试 SaaS 工具
VoiceGremlin 发布一款 SaaS 工具，用于对 AI 电话智能体做自动化测试。用户可通过 API 提交电话号码和测试项，例如验证智能体是否在首条消息中披露其 AI 身份和录音，接口返回 run_id 与排队状态，查询运行结果可得到通过数量及判定理由。
推荐理由：原文给出 API 调用示例，读者可据此判断如何对 AI 电话智能体做自动化合规测试。
Show HNAI 评分3838 PetPaw：用 LLM 语音和 Jev 动作驱动的 Mac 桌面宠物
开发者发布 Mac 桌面宠物应用 PetPaw，用 LLM 实现实时语音对话，并用 Jev 驱动宠物动作与姿势。应用要求 macOS 14 Sonoma 或更高版本，支持 Apple Silicon 与 Intel Mac，实时语音需自备 Vercel AI Gateway key，密钥存于 macOS Keychain。
Show HNAI 评分3838 Daydream 推出浏览器虚拟录音棚：可实时指挥虚拟乐手
音乐研究实验室 Daydream 发布浏览器内虚拟录音棚预览，用户可录制、上传或生成源音轨，再预约"session players"实时指挥，逐步完成整首歌曲。其核心实时引擎已开源，研究聚焦于音乐控制模型，强调实时演奏与对音乐的实际理解。
Show HN精选AI 评分5858 Luke 发布：面向编码智能体的语音规划工具
Luke 是一款面向编码智能体的语音规划工具，用户口述功能需求时它会阅读代码，并生成可直接粘贴到 Claude Code 或 Codex 的计划。该工具提供 macOS 版本，要求 macOS 14+ 与 Apple silicon，代码已在 GitHub 开源。
推荐理由：语音口述需求、工具读代码并生成可粘贴到 Claude Code 或 Codex 的计划，展示了编码智能体前置环节的一种新做法。
Show HNAI 评分2222 Show HN：一款无后端的 macOS 实时销售通话教练
开发者发布了一款面向 macOS 的实时销售通话教练工具，主打无需后端即可运行。该工具在本地完成实时通话辅导，具体模型、参数与价格信息未在原文中披露。
Show HN精选AI 评分5858 RoamDeck 发布：用 Android 手机远程驱动 Windows PC 的真实终端
RoamDeck 上线，可将 Android 手机与 Windows PC 直连，在手机上打开并操作 PC 上的真实终端窗口，支持语音听写、文件传输和屏幕实时查看。
推荐理由：原文给出了端到端加密的直连方式与 Whisper 本地转写等具体能力，读者可据此判断远程控制 PC 的实际可用性。
Show HN精选AI 评分7171 Audistill 发布 macOS 本地音频知识库，支持播客与 YouTube 转写摘要
Audistill 是一款面向 macOS 的本地优先 AI 音频知识库，可把播客、YouTube 视频、会议和任意音频转成可搜索的摘要、笔记和可对话的知识库。
推荐理由：原文交代了本地转写与自带 key 调用 LLM 的分工，读者可据此判断隐私边界和实际成本。
Show HN精选AI 评分6868 Daisy 发布 Mac 本地会议记录应用，内置 MCP server
Daisy 是一款 Mac 会议记录应用，在设备端完成转录与说话人分离，并在应用内运行绑定 127.0.0.1 的本地 MCP server，让 Claude Desktop、Cursor、Codex 等客户端搜索和读取会议内容。
推荐理由：原文给出了本地转录与本地 MCP 服务的数据边界和接入步骤，可据此判断会议记录能否留在本机。
Show HN精选AI 评分5858 ZWhispr 发布 macOS 语音听写工具，同时调用三个语音模型
ZWhispr 是一款 macOS 语音听写工具，同时把音频发送给多个语音转写模型并智能合并结果，官方称可降低错误率并避免等待最慢的模型。当前模型阵容为 Grok Voice Transcribe 2.0、Meta Muse Voice Transcribe 和 Soniox STT-RT v5，每月免费 2000 词，无限听写订阅为 16 美元/月。
推荐理由：多模型并行转写加屏幕词汇提示的思路，为语音输入类工具提供了可比较的工程取舍参考。
IT之家AI 评分1212 苹果发布 iOS 27.2 第 2 个公测版：升级健康应用、FaceTime 支持群组双镜头等
苹果推出 iOS 27.2 第 2 个公开测试版，以完善功能、提高稳定性为主，用户可见的新功能有限。首个公测版带来 Siri AI 新增法语、日语、韩语、葡萄牙语和西班牙语支持，FaceTime 群组通话可同时使用前后摄像头，健康 App 新增「洞察」「长寿」页面。系统代码还显示苹果可能在开发名为 AutoLock 的防抢夺功能，但当前测试版尚不可用。
Show HN精选AI 评分6262 Vibeconferencing：把 Claude Code 或 Codex 接入 Google Meet
作者和朋友做了一个本地 Electron 应用 Vibeconferencing，让 AI 智能体以参会者身份加入 Google Meet 通话。智能体通过 MCP 或 HTTP 驱动它，可调用听、说和写入共享白板三类工具，Claude Code、Codex 和 Cursor 都能运行。
推荐理由：作者把 Claude Code、Codex 等 MCP 智能体接入 Google Meet 的本地实现讲清楚了，可看它如何复用会议字幕与虚拟麦克风。
Show HN精选AI 评分6262 Vokalu 发布 Windows/Mac 语音听写工具，支持本地免费或云端 2¢/分钟
Vokalu 发布面向 Windows 和 Mac 的语音听写工具，按住 Ctrl+Win 或 Control+Option 说话，松开即在当前应用中插入整理后的文本。云端语音听写加格式化按 2¢/分钟计费，无强制订阅；Private 模式可下载端侧语音模型，本地识别且不联网，端侧听写不含 AI 格式化时免费。工具还支持会议笔记，不加入机器人，笔记和听写历史保存在本机。
推荐理由：原文给出了本地与云端两种听写路径及按分钟计费方式，读者可据此判断语音输入的隐私与成本取舍。
Show HNAI 评分3838 Prevo：面向签证、公民入籍、路演与求职面试的 AI 语音面试练习应用
Notside, LLC 推出 AI 语音面试练习应用 Prevo，覆盖美国签证、公民入籍、投资人路演和求职面试四条路径，支持英语、西班牙语、葡萄牙语、中文、印地语、他加禄语和日语。用户需开口作答，Prevo 会追问模糊回答并给出清晰度、自信度、一致性和回答质量四维准备度评分。Quiz Mode 免费不限量，语音会话按次付费，新账号可免费体验 2 次。
Show HNAI 评分3838 Pratevenn：本地离线练挪威语口语的 AI 对话工具
Pratevenn 是一款在本地运行的挪威语（Bokmål）口语练习工具，全程离线、无需联网或云端账号，对话中会给出语法提示并支持回顾错误。它基于 NB-Whisper 做语音识别、Piper 做语音合成、Gemma 4 负责对话与复盘，通过 llama.cpp 在 CPU 或 NVIDIA GPU 上推理，推荐使用 8GB 显存以上的 GPU。
Show HN精选AI 评分5858 Willow 发布语音听写工具，称比系统听写准确 3 倍
Willow 发布语音听写产品，称其准确率比系统自带听写高 3 倍，文字最快 200ms 出现。产品支持风格匹配、自动学习词典、快捷短语、100 多种语言和离线模式，并称通过 SOC 2 Type II 认证、符合 HIPAA、零数据留存且端到端加密。
推荐理由：原文列出语音听写的准确率、延迟与风格匹配等具体指标，可据此判断它和系统自带听写的差异。
AWS Machine Learning BlogAI 评分2222 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。
Show HN精选AI 评分5858 Show HN：用 6 美元的 ESP32 让 ChatGPT 接听普通 SIM 卡来电，无需 Twilio
作者在 Show HN 发布一个项目，用 6 美元的 ESP32 让 ChatGPT 接听普通 SIM 卡上的来电，不依赖 Twilio。材料仅提供标题和链接，未给出更多实现细节。
The Verge · AIAI 评分2828 Amazon Alexa Plus 被曝诡异 bug：Echo 音箱反复唱“lalala”数分钟
Amazon Alexa Plus 出现 bug，部分 Echo 智能音箱会在对话中反复说唱“lalala”长达数分钟，被追问时 Alexa 完全不知道自己在做什么。该问题近几周在 Reddit 被多次报告，涉及多种 Echo 型号，Amazon 称仅影响“少量 Alexa Plus”用户，正在修复。
IT之家AI 评分2222 亚马逊 Alexa Plus 出现诡异 Bug：Echo 音箱无征兆哼唱“啦啦啦”数分钟，官方确认并承诺修复
亚马逊 Alexa Plus 语音助手出现 Bug，部分 Echo 系列智能音箱会在对话中突然卡住并持续哼唱“啦啦啦”数分钟，事后 Alexa 无法回忆刚才说了什么。亚马逊发言人确认该漏洞存在，称仅影响少量 Alexa Plus 用户，目前正在研究解决方案。
Ask HNAI 评分2222 Ask HN：有没有基于文本和参考音频生成声音的 AI 模型？
一位开发者在 Ask HN 上求助，寻找能同时接受参考音频和文本指令、输出新声音的 AI 模型，用于基于少量干净样本生成新音效。他试过 ElevenLabs SFX，但该产品只支持 text-to-audio、无法用参考音频引导；也试过号称支持该功能的 Stable Audio 3，结果很差。他认为这一模态仍停留在图像生成 2016 年的水平。