Fleeting 以虛構會議音訊營造正在開會的效果
Fleeting 提供逼真的虛構會議錄音,供用戶在背景播放,營造正在開會的效果。每段會議約 12 分鐘,從隨機位置開始;開啟「Back-to-back meetings」後,播完會在幾秒後接上符合時段的另一場會議,否則會循環播放。網站表示,所有聲音均為合成聲音,人物影像由 AI 生成或取自經授權的素材影片,沒有錄製真實會議。
Fleeting 提供逼真的虛構會議錄音,供用戶在背景播放,營造正在開會的效果。每段會議約 12 分鐘,從隨機位置開始;開啟「Back-to-back meetings」後,播完會在幾秒後接上符合時段的另一場會議,否則會循環播放。網站表示,所有聲音均為合成聲音,人物影像由 AI 生成或取自經授權的素材影片,沒有錄製真實會議。
Caloroga Media 推出在瀏覽器運作的 AI 輔助 Podcast 製作室 Linnet,把錄音、混音、影片剪輯、撰寫及謄寫腳本等工作整合在同一工作空間。God Mode 可根據單一提示詞生成包含影片和封面圖的完整節目初稿,供創作者修改;平台目前以邀請制 Beta 分批開放,測試用戶可免費使用 Creator 方案 30 天。
開源電子書管理軟件 Calibre 發佈 9.16 版本,新增 Kokoro 文本轉語音(TTS)語音,並改進 PDF 匯入、多欄排版處理及 AVIF 圖像支援。新版提升書庫管理性能,並修復 EPUB 3 轉換、DOCX 輸出及閲讀器深色模式等問題。
極米宣佈,記得 AI 顯示眼鏡 MemoMind One 正式開放提前預約。眼鏡採用蔡司顯示系列翎思鏡片、無鏡頭私隱保護設計,並獲歐盟 EN18031 認證。產品支援 Memo 記憶功能、雙目顯示及 Harman Audio EFX,提供 16 小時綜合續航,並搭載 Apple MFi 晶片,支援對話、翻譯、演講和錄音。
Ubuntu 26.10(stonking)已推出 Beta,並隨即進入 Final Freeze。若流程按計劃完成,預計於10月15日(當地時間)正式發佈;7.3 核心可能仍處於 RC 階段便隨版本發佈,之後再替換為正式版。
Speech Event Detector 是一款 5.8-million-parameter convolutional-Transformer 模型,可識別 54 類説話及背景事件,並將帶時間戳的事件合併至 Whisper 轉錄稿。
Serve AI 使用 LiveKit 的 Agent Simulations,將電話智能體從 Retell 的對話流程圖改為單一提示詞架構,並以約 100 通真實生產通話測試至 98% 通過率。經過 10 至 15 輪調整後,中位回合延遲為 1.3 秒,低於 1.5 秒上限。上線後,無需轉接人工的來電比例提高 15%;Serve 估計每年可為客戶額外節省 $320,000。
Cactus Compute 發佈 Whistle,一款 16.9 MB、可在 CPU 上無需依賴其他套件執行的語音辨識模型,支援英語、德語、法語、西班牙語、意大利語、荷蘭語和波蘭語。
TII 推出 Falcon-ASR,這款 1.6 billion 參數的阿拉伯語語音識別模型特別聚焦阿聯酋方言,亦支援英語、法語、西班牙語及葡萄牙語。在六組阿拉伯語測試集上,Falcon-ASR 平均 WER 為 20.92%,較所用排行榜快照中的最佳已公佈結果低 2.25 個百分點;內部阿聯酋方言測試的 WER 和 CER 分別為 22.73% 和 10.19%。
阿布扎比技術創新研究院推出以阿聯酋阿拉伯語方言訓練的 AI 模型,改善翻譯、轉錄及語音服務。其語音識別模型有 1.6 billion parameters,據該研究院稱,準確度高於一個 30-billion-parameter model。研究院希望透過本地方言、慣用語和文化參照訓練模型,減少翻譯錯誤,令 AI 更切合區內需要。
LiveKit 的 async tools 讓語音智能體在工具執行期間先回應用戶並播報進度,避免慢速後端令對話陷入沉默。功能隨 livekit-agents 1.6.0 於 2026-06-11 發佈,文章以退款流程示範 ctx.update()、ctx.with_filler()、CANCELLABLE 和 on_duplicate 的用法。
LiveKit 宣佈在 LiveKit Agents 推出 expressive mode,讓語音智能體按對話情境生成情緒、表達方式、非語音聲音及停頓標記,再由 TTS 呈現。
LiveKit 表示,LiveKit Inference 提供的所有 LLM、STT 和 TTS 模型均預設採用零數據保留(ZDR),不會以用戶數據訓練模型;此設定適用於所有 LiveKit 方案,毋須另行啟用。
LiveKit 説明語音 Agent 在 yes、no、ok、42 等短回答後沒有回應的常見原因及排查方法。文章指出,EOU 需要 final_transcript 和 end_of_speech 同時出現,中間轉錄稿不會結束回合。
LiveKit 的指南比較 LiveKit Agents 與 Pipecat 兩個開源框架,分析它們構建即時語音及影片 AI 智能體時的設計取捨。LiveKit Agents 使用 LiveKit 的 WebRTC 和 SIP 基礎設施,抽象層較高;Pipecat 不預設傳輸方式,讓開發者自行組裝流程。
Cartesia 發佈語音模型 Sonic,可生成逼真語音,模型延遲為 135ms。Sonic 隨附網頁 Playground 和低延遲 API,支援即時聲音克隆及聲音設計(速度、情緒),相關功能亦可透過 API 使用。
Cartesia 宣佈端側 AI 更新,發佈開源 Edge 程式庫和 1.3B 參數語言模型 Rene,並令 Sonic On-Device 進入私人測試。Edge 採用 Apache 2.0 授權,提供適用於 Apple 硬件的 Mamba-2 Metal kernels;Rene 採用混合 Mamba-2 SSM 架構,以 1.5T tokens 從零預訓練。
Cartesia 宣佈 Sonic Multilingual Alpha 版新增印地語、意大利語、韓語、荷蘭語、波蘭語、俄語、瑞典語及土耳其語,支援語言增至 15 種。多語言版本具備 Sonic English 的低延遲、高評級對話品質及聲音設計功能,並以 SSM 架構支援即時語音生成。
Cartesia 推出 Voice Changer,可轉換音訊片段中的聲音,同時保留原有的表達方式和情緒。用戶可從錄音室級聲音庫選擇聲線或複製自己的聲音,並控制發聲、情緒和韻律等細節。產品可透過 playground 使用,Cartesia 亦提供實作指南和 API 文件。
Cartesia 在 2024 年 10 月舉辦多場黑客松,吸引逾 2,000 名開發者參與,並展示以 Sonic 打造的語音 AI 專案。活動在 8 日內完成 50 多個項目,涵蓋教育、遊戲和機械人等領域。Cartesia 與 Daily 合辦的兩日開源黑客松設有 $20,000 獎金。
Cartesia 宣佈完成 $27M 種子輪融資,由 Index Ventures 領投,並獲 Lightspeed 等機構及 90 位天使投資人參與。公司介紹一種用於多流模型的新 SSM 架構,可讓不同模態的數據流並行推理與生成,並以端到端語音生成模型示範如何細緻控制文本以避免幻覺。
Cartesia 的《2024 年語音 AI 現況報告》總結語音互動架構、企業級 API 和語音智能體平台的年度進展,並展望 2025 年。報告記錄 STT→LLM→TTS 編排式系統及端到端語音模型的興起,並指出 Cartesia Sonic TTS 採用的 SSM 架構讓記憶體效率更高的裝置端部署成為可能。Deepgram Nova-2 的字錯率(WER)降低 30%。
教程示範如何使用 Cartesia API 和 Sonic 模型,以 Python 建立語音 AI 智能體。系統將語音轉為文字,由 LLM 生成回覆,再透過 Cartesia 轉換成語音;使用 API 需要 Cartesia 帳戶和 API key,FFmpeg 則有助處理音訊,但並非必要。
Cartesia 宣佈由 Kleiner Perkins 領投的 $64 million A 輪融資,並推出語音生成模型 Sonic 2.0。Sonic 2.0 採用新的狀態空間模型架構,規模是 Sonic 的兩倍,全模型延遲為 90ms、turbo 為 40ms;在以 100 個留出語音進行的盲測對比中,選擇 Sonic 2.0 的人數是選擇次佳供應商的 1.5 倍。
Cartesia 發佈 Python SDK v2.0.0,改善開發者使用 Cartesia AI 語音功能的體驗。SDK 提供非同步用戶端,支援串流回應、WebSocket 整合及指數退避自動重試;預設逾時時間為 60 秒,並可在用戶端或請求層級設定。
Cartesia 推出 Organizations 和 Dashboards,讓團隊共用資源,並讓用戶即時查看使用量與效能。Organizations 讓團隊在同一帳戶共用 API keys、自訂、本地化及複製聲線,並集中處理帳單及共用點數,現供 Startup+ 方案使用。
Cartesia 推出 Ink 系列串流語音轉文字模型,首款 Ink-Whisper 是以 OpenAI 的 Whisper 為基礎、針對即時對話低延遲轉錄改造的模型。
Cartesia 推出 Line,供開發者以程式碼建立、部署及迭代語音智能體。平台提供 SDK、CLI 和 GitHub 整合,支援以一個命令部署,並記錄通話音訊、文字記錄及延遲等系統指標,供測試與除錯。Line 即日起向所有開發者開放,整合 Sonic、Ink;各訂閲級別可獲等同月費金額的 agents 預付額,企業亦可選擇本機部署及模型微調。
Cartesia 宣佈其文字轉語音平台現已符合 GDPR 規定,這項成果反映數月嚴格工作,並落實其個人資料保障及私隱承諾。合規代表平台符合歐盟對合法處理資料、保障資料當事人權利及採取安全措施的嚴格標準。其安全基礎亦包括 SOC 2 Type II、PCI-DSS(服務級別供應商)、HIPAA,以及可選的 Zero Data Retention。
Cartesia 的入門指南梳理語音 AI 的核心術語,涵蓋 STT、VAD、輪次檢測、TTS、對話功能、聲音特徵及效能指標。文中指出,Ink-2 將輪次檢測整合在模型內;Sonic 3 的 TTFB 為 40ms 至 90ms。
Cartesia 發佈企業語音 AI 模型選擇指南,建議按真實通話場景而非只依賴實驗室基準評估模型。文中主張重視端到端 TTFS、回合偵測及按輸入類別衡量的 WER,而非只看首 token 延遲和單一平均 WER。其評估框架建議以 50 通真實客戶電話測試供應商,並為各流程環節設定延遲預算。
Cartesia 推出面向即時語音智能體的語音轉文字模型 Ink-2;截至 2026 年 6 月,Ink-2 在 Artificial Analysis 串流排行榜以最低詞錯誤率排名第一。
Cartesia 指出,TTS 模型的質素不能只看字詞是否正確,還取決於語境準確度、自然度、穩定性,以及模型是否符合實際使用情境。文章比較 WER、DNSMOS、NISQA、UTMOS 等自動評分與人類聆聽測試的限制;一個日語音調例子中,人工評分下降 1.84 MOS 分,而各自動模型的變化均少於 0.1。
Cartesia 為 Ink-2 推出關鍵詞提示和可配置輪次偵測,兩項功能現已向所有 Ink-2 用戶開放。關鍵詞提示可透過 `keyterm` 查詢參數輸入最多 100 個關鍵詞(合計 1,200 個字符),而 Cartesia 在 Earnings22 評估中的關鍵詞召回率為 93.8%。輪次偵測可在建立連線時或通話期間調整,以選擇較低延遲或較高端點判定準確度。
Cartesia 推出語音模型 Sonic-3.6,稱其在涵蓋 15 個語區的盲測中,聽眾偏好率最高達 93%。美國英語盲測中,聽眾有 92% 選擇 Sonic-3.6 而非 Eleven v3,母語者評審亦在所有受測核心語言中偏好 Sonic-3.6。
Cartesia 説明,Voice AI 評估應按各項檢測事件分別報告精確率(precision)和召回率(recall),不能只依賴 accuracy。文章以 VAD、turn_start 和 turn_end 為例,指出應先界定目標事件及誤報、漏報,再按錯誤成本選擇指標和閾值。
TTS 模型負責生成語音,聲音則是塑造輸出的輸入;區分兩者有助判斷語音智能體的問題出在模型還是聲音。固定説話者模型只接受文字稿,多説話者模型可選擇預設聲音,零樣本聲音克隆則以文字稿和參考音訊生成指定説話者的語音。Cartesia Instant Voice Cloning 以 10 to 60 seconds 的音訊作提示,專業聲音克隆則用較大的錄音數據集微調模型。
QwenAudio/FunResearch 項目頁列出 Agentic-GER、DuplexKWS、ECoM-Reasoning、FineAudio-Judge 等語音項目。頁面亦列有 Apache-2.0 授權。
華碩 ROG 為降臨 OWS(Cetra Open Wireless)開放式電競耳機新增「暮粉」(Dusk Pink)配色,黑色原版目前到手價為 1199 元。耳機配備 14.2mm 類鑽碳(DLC)驅動單元及具 AI 降噪技術的 4 麥克風陣列,支援雙模無線連接,總播放時間可達 64hr。
Sierra 推出 fleming-1,分析通話語音並標示可能由 AI 智能體發起的來電。Sierra 亦與業界夥伴共同開發開放標準 Personal Agent Protocol,讓個人智能體以直接、獲授權的方式與企業互動,並表明代表誰行事。fleming-1 即時評分語音中的 AI 生成跡象,預設採保守設定,並適用於任何以 Sierra 建構的語音智能體,啟用即可使用。