跳到正文
目前篩選:模型
今天11月22日週日1 則
  1. DEV Community54

    ChatGPT 能讀出歌詞,卻難以辨認旋律

    作者實測 ChatGPT 語音功能,並測試三種 OpenAI API 路線,發現這些系統能依歌詞辨認歌曲,卻幾乎不能只憑哼唱辨認旋律。在 MTG-QBH 測試中,逐字稿路線和 gpt-audio-1.5 各辨認有歌詞歌曲 71/76 首,gpt-realtime-2.1 辨認 74 首;對 30 段無詞錄音,三者分別只辨認 0、1、1 首。

11月21日週六
  1. MarkTechPost52

    OpenAI 將語音模型 GPT-Live-1.1 上線 API,新增每分鐘 $0.02 待機費率

    OpenAI 已在 API 提供語音模型 GPT-Live-1.1,新增待機模式,閒置 WebRTC 時段每分鐘收費 $0.02,低於啟用時的 $0.05。模型支援多語言全雙工對話;OpenAI 稱其口音、轉錄、字母與數字處理及任務完成能力有所改善,但未公佈基準分數。待機期間推理會暫停而 WebRTC 連線保持開啟,閒置逾時可設定為 5 至 60 秒。

11月20日週五
  1. DEV Community46

    語境如何決定讀音:日語同形異讀標註器 ja-reading-tagger-v1(0.723 對字典的 0.557)

    ja-reading-tagger-v1 是一款日語同形異讀標註器,按語境逐段輸出供假名標註顯示的書寫讀音,以及供文字轉語音使用的發音讀音。在 5,000 句封存測試中,整體準確率為 0.9354,高於 Sudachi 的 0.9308;同形異讀測試為 0.7230,勝過字典的 0.5570,但普通文本略低於 Sudachi(0.9360 對 0.9432)。

  2. DoNews70

    OpenAI 開放 GPT-Live-1.1 API,支援即時雙向對話

    OpenAI 向開發者開放 GPT-Live-1.1 API,讓第三方可把模型整合至應用程式,構建能即時聆聽、回應及執行複雜任務的語音智能體。GPT-Live-1.1 支援全雙工語音互動,可同時聆聽和説話,並改進多語言處理、指令遵循及語音保真度。它亦可把需要深入推理或工具調用的任務交由開發者選擇的後端模型處理,期間語音對話可繼續;後端可選用 OpenAI 或第三方模型。

  3. DoNews53

    OpenAI 開放 GPT-Live-1.1 語音模型 API

    2026年11月20日,OpenAI 向全球開發者開放 GPT-Live-1.1 語音模型 API,供開發者整合至應用。模型支援全雙工即時語音交互,可邊聽邊説,並能識別停頓、打斷及語速變化;相較前代,多語言處理、指令遵循和語音保真度顯著提升,尤其強化字母數字等精確資訊的識別。

11月19日週四
11月18日週三
  1. Hugging Face Blog67

    Rumble-2-Flash 開源,支援 40+ 種語言的 0.5B 語音辨識模型

    Rumble-2-Flash 以 Apache 2.0 授權開源,是支援 40+ 種語言的 0.5B 語音辨識模型。在 Open ASR Leaderboard 多語言賽道,它跨 9 種語言的平均錯誤率為 6.96%,優於 Meta 的 omniASR-LLM 7B 和 Whisper large-v3。

    推薦理由:文章以多語言辨識榜單及真實客服通話基準比較 Rumble-2-Flash,呈現小型模型在不同語音條件下的錯誤率表現。

  2. DoNews62

    微軟發布自研醫療語音模型 MAI-Transcribe-2

    微軟在 Ignite 2026 宣佈,Dragon Copilot Transcribe 全面啟用自研語音識別模型 MAI-Transcribe-2。模型支援 60 種語言及中英、印地語-英語混説,詞錯誤率為 5.2%,處理速度達競品的 10 倍。它目前承擔 100% 醫患對話轉寫任務,每月處理約 1000 萬次就診錄音,覆蓋全美約三分之一醫師,並提供説話人區分、詞級時間戳及多模式輸出。

11月17日週二
11月15日週日
11月13日週五
  1. 新浪科技53

    騰訊混元發布即時語音模型 Hy Realtime

    騰訊混元於11月13日發布即時語音模型 Hy Realtime,提升語音理解、指令遵循和擬人化表達能力,並新增智能體工具調用與唱歌能力。模型目前已在元寶語音通話、騰訊客服上線,近期將登陸騰訊雲並對外提供 API 服務。下一階段將重點提升雙工互動、長期個人化記憶及前後台 Agent 互動能力。

  2. 新浪科技61

    騰訊混元發佈 Hy Realtime 即時語音模型,新增智能體工具調用和唱歌能力

    騰訊混元正式發佈即時語音模型 Hy Realtime,提升語音理解、指令遵循及擬人化表達能力,並新增智能體工具調用和唱歌能力。模型已在騰訊元寶語音通話及騰訊客服上線,近期將登陸騰訊雲,向開發者和企業客戶提供 API。下一階段將重點提升雙工互動、長期個性化記憶及前後台 Agent 互動能力。

  3. IT之家65

    騰訊混元發佈即時語音模型 Hy Realtime,新增工具調用與唱歌能力並已在元寶語音通話、騰訊客服上線

    騰訊混元發佈即時語音模型 Hy Realtime,新增智能體工具調用和唱歌能力,並已在元寶語音通話、騰訊客服等產品上線。模型可結合上下文理解不完整或經修改的語音意圖,並判斷是否調用網絡搜尋;近期也將上線騰訊雲並提供 API 服務。

  4. 第一財經53

    騰訊混元發佈全新即時語音模型 Hy Realtime

    騰訊混元於11月13日發佈全新即時語音模型 Hy Realtime,新增 Agentic 工具調用與唱歌能力。模型在語音理解、指令遵循及擬人化表達等基礎對話能力上表現優異。Hy Realtime 已在元寶語音通話、騰訊客服等產品上線,近期亦將上線騰訊雲並提供 API 服務。

11月12日週四
  1. 字節 Seed:Research Feed73

    SeedRealtime 發佈音影片全雙工大模型,邁向全模態自然互動

    字節 Seed 正式推出 SeedRealtime 原生音影片全雙工大模型,將音訊、影片與文字整合於統一架構,並支援連續多模態資訊流即時互動。它可進行音影片聯合理解、主動介入及對話節奏判斷;端到端人工評測顯示,相較級聯模型,音影片對話節奏問題減少一半。SeedRealtime 已在豆包 App 全量上線,更新至最新版本後,可在對話框選擇「打電話」進入影片通話體驗。

  2. Unite.AI49

    Decagon 推出 Alto,掌控語音智能體對話

    Decagon 推出 Decagon Labs 模型 Alto,負責控制雙向語音智能體的對話層,決定何時發言及説甚麼。Decagon 表示,Alto 在實際客戶通話中令問題解決率提升超過五個百分點,平均回應時間約 700 毫秒。模型推出前曾以超過 90 million 次模擬通話進行測試,並在實際流量中以影子模式評估。

11月11日週三
  1. IT之家53

    DeepL 推出語音 AI 翻譯模型 Aure,實時重現説話者的語氣與情緒變化

    DeepL 推出語音 AI 翻譯模型 Aure,稱其是迄今最具動態感、表現最逼真的語音 AI 模型,能在即時翻譯中重現説話者的語氣、情緒、重音及語速變化。Aure 已支援 DeepL Voice 網頁會議版、DeepL Voice 面對面交談版及 DeepL 語音 API,首發支援英語、德語、西班牙語、法語、意大利語、日語、葡萄牙語及韓語。

11月10日週二
11月9日週一