技术方向
AI 语音与音频：语音合成、实时语音对话、音乐生成与音频理解的模型与产品。
10 条精选近 30 天 10 条共收录 18 条
苹果宣布 iOS 27.3 将在中国推出 Apple Intelligence，新功能将在 11 月 4 日的测试版中首次提供，正式版计划于 12 月上线。最初在中国推出的功能包括通知摘要、实时翻译、改写和校对工具、视觉智能以及从照片中移除物体。新 Siri AI 不会在中国推出。此外，苹果表示已与阿里合作，在其部分体验中加入对 Qwen 的支持。
推荐理由：报道明确了 iOS 27.3 在中国落地 Apple Intelligence 的功能范围和上线时间表，便于用户判断本地可用的 AI 能力。
NVIDIA 在 Hugging Face Blog 发文演示基于 NVIDIA Nemotron Voice Agent 的万圣节互动角色 MonsterHouse，对话主体由新引入的 NVIDIA Nemotron 3.5 Bolt E4B 4GB 承担。
推荐理由：原文披露了 Bolt E4B 的本地跑通效果与端侧部署路径，可据此判断小模型在低算力条件下的智能体可用性。
Deepgram宣布收购开源语音AI框架Pipecat的开发商Daily，旨在加强对实时语音和视频基础设施的理解。收购后Pipecat将继续保持开源，并推出与Pipecat团队联合开发的开放协议Real-Time Context Standard（RCS），用于定义语音Agent的上下文元数据。
推荐理由：原文披露了收购双方背景、Pipecat开源承诺及RCS协议细节，可据此判断Deepgram在语音Agent基础设施上的布局思路。
NVIDIA 发布 Nemotron 3.5 Transcribe 开源语音模型，支持 40 种语言转录、31 种语言翻译及 13 种语言说话人归属，并在 Hugging Face Open ASR、David AI 和 VoiceArena 等多个榜单中获得开源模型第一。
推荐理由：模型在多个基准上刷新了开源记录，并附带 Granary v2 数据集和微调方案，方便开发者快速验证效果。
Google DeepMind 宣布发布 Genie 4，这是一个原生多模态的世界模型，可与 Gemini 模型结合进行实时交互式模拟。它支持在生成画面的同时同步生成音频，包括环境音、音乐和人物对话。Genie 4 目前作为研究预览提供给受信任的测试人员，并计划向 Google AI Ultra 订阅用户和 Gemini API、Google AI Studio 的早期访问合作伙伴开放。
推荐理由：官方公布Genie 4能力与测试名单，可据此了解世界模型在实时交互与多模态生成上的最新进展。
Block 从其研究实验室发布新语音模型 Dessa，宣称在单张 NVIDIA GPU 上即可本地运行，具备全双工语音交互能力和内置情感表达，可在 MacBook M4 Max 等消费级设备上部署。目前该模型尚未对公众开放，Block 正在招募安全研究人员进行测试。
推荐理由：原文给出了该语音模型的本地运行方式和情感特性，读者可据此评估其端侧落地可行性。
AWS 发布教程，介绍如何在 Amazon SageMaker AI 上部署 Kokoro-82M 文本转语音模型，并通过双向流式接口将每个句子实时送入模型合成音频，从而避免等待完整响应再开始语音合成。
推荐理由：原文给出一套可在 SageMaker AI 上复现的流式语音方案，读者可据此降低语音 Agent 的首个音频延迟并比较两种传输成本。
Amazon Polly Generative engine 完成重大升级，新增 14 款生成式声音，覆盖 9 个地区，首次提供印地语和芬兰语的generative voice。此次升级无需修改代码，现有应用可直接获得更自然、准确且低延迟的语音输出，价格保持不变。目前新引擎和新声音已在包括 GovCloud 在内的 11 个 AWS 区域正式推出。
推荐理由：作为官方升级公告，提供了新增声音、语言及可用性变化，适合关注 Polly 实际升级点和集成兼容性的读者参考。
IBM 发布 Granite Speech 5.0 语音模型家族并更新 4.1 版本，含 granite-speech-5.0-2b、 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus，支持英语、法语、德语、西班牙语、葡萄牙语、日语等转录与翻译，并提供关键词偏置、说话人归属和原生标点功能。
推荐理由：原文披露了三个模型的能力差异与基准数字，开发者可据此按准确性、速度或多人场景选型。
ElevenLabs 发布 Eleven Realtime v1 Max 与 v1 Mini 两款语音合成模型。v1 Max 在 Big Bench Audio 上得分 98.8%，响应延迟 0.57 秒；v1 Mini 成本更低，适合自然对话。两者均通过 ElevenAgents 平台及 OpenAI 兼容的 Realtime API 开放，定价按分钟与 token 计费。
推荐理由：提供了两项基准成绩对比和开放入口，读者可据此评估实时语音模型的响应速度与适用场景。