跳到正文

语音与音频

AI 语音与音频的进展:语音合成、实时对话、音乐生成与音频理解的模型与产品。

51条精选相关主题多模态AI 视频产品更新

最新精选

第 1–20 条 · 共 51 条
11月11日周三
11月8日周日
  1. 极客公园60

    个人 AI 助手:陪伴是核心还是陷阱?

    文章探讨了个人 AI 助手的发展趋势,分析了语音交互和陪伴感在 AI 助手中的应用及其影响,提出了陪伴感既是 AI 助手的增长机制,也可能导致用户情感依赖的问题。

    推荐理由:文章探讨了个人 AI 助手的发展趋势,分析了语音交互和陪伴感在 AI 助手中的应用及其影响。

11月5日周四
  1. Solidot60

    Google 和 OpenAI 模型在语音评估中存在口音偏见

    研究人员发现,Google 的 Gemini 2.5 Pro、Gemini 2.5 Flash 和 OpenAI 的 GPT-Audio 1.5 在语音评估中对特定口音存在偏见,普遍将中国和尼日利亚口音的评分最低,美国和英国口音的评分最高。

    推荐理由:原文揭示了大型语言模型在语音评估中存在的偏见,对理解AI在语音处理领域的局限性有重要意义。

11月3日周二
10月30日周五
  1. 开源中国60

    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。

10月29日周四
  1. TechCrunch · AI65

    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。

  2. IT之家85

    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。

  3. 爱范儿65

    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。

10月27日周二
10月22日周四
  1. IT之家70

    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。

10月20日周二
  1. IT之家85

    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。

10月8日周四
  1. Show HN68

    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。

  2. Show HN62

    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。

  3. Show HN58

    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。

  4. Show HN58

    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。

10月7日周三