跳到正文
10月8日週四
  1. 字節 Seed:Research Feed74

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

    字節 Seed 正式推出 SeedRealtime 音訊與影片全雙工大模型,透過統一架構原生融合音訊、影片與文字,支援連續多模態資訊流上的即時互動。端到端人工評測結果顯示,相比級聯模型,SeedRealtime 的音訊與影片對話節奏問題減少一半,單次對話順暢、完整交流的機率亦明顯提升。

10月7日週三
  1. HuggingFace Daily Papers(社區熱門論文)36

    HiPLEX: Hierarchical Policy Factorization for Full Duplex Speech Language Models

    HiPLEX 提出一種強化學習框架,將預訓練的全雙工文字策略分解為控制策略與條件式內容策略,分別決定何時輸出內容及輸出甚麼。Full-Duplex-Bench v1 上的 Moshi 三個隨機種子測試顯示,HiPLEX 相較 GRPO 降低自然停頓及回應機會中的搶話率,並縮短受打斷後的回應延遲,同時維持相若的評審中斷回應品質。

  2. HuggingFace Daily Papers(社區熱門論文)41

    Hiding Tool Latency in On-Device Cascaded Voice Agent through Speculative Execution

    一種面向裝置端級聯語音智能體的推測式工具執行方法,會根據部分 ASR 假設預測工具呼叫,並在用戶仍在説話時啟動執行,以降低端到端回應延遲。在完整實作的 Android 語音助理實測中,首次音訊輸出的中位時間由 5.79 秒降至 4.60 秒,標準差由 3.49 秒降至 2.81 秒。

  3. HuggingFace Daily Papers(社區熱門論文)40

    PawCT:邁向具備演唱聲部指派的合唱轉錄

    PawCT 是端到端神經網絡框架,可從合唱音訊中識別活躍的 SATB 聲部,並將各聲部轉錄為獨立音符軌道。在 YouChorale 上,PawCT-RP-OC 的聲部感知音符 F1 分數為 0.225,較合唱基線的 0.165 高 36.4%。不區分聲部的 PagCT 取得 0.382 的 50 毫秒起音 F1,高於先前模型的 0.237。

  4. Sierra:Blog49

    Sierra Summit 2026: Bring us your hardest problems

    Sierra 在 Sierra Summit 2026 分享協助企業應對 AI 挑戰的方案,並宣佈推出 Curie 和 Fleming 兩款新模型。Curie 負責對話協調,Fleming 可識別來電者是否為另一個 Agent。Persona Studio 可讓用戶上載語音樣本並調整 Agent 個性;一間大型訂閲業務部署 Voice Personas 後,問題解決率提升逾 50%。

10月6日週二
  1. IT之家66

    意大利總理梅洛尼申請將自己的聲音註冊為商標,以防範 AI 深度偽造

    意大利總理焦爾吉婭·梅洛尼向歐盟知識產權局提交申請,擬將自己的聲音註冊為商標,以防範 AI 生成的深度偽造內容。申請日期為 10 月 5 日,材料附有一段 4 秒錄音,梅洛尼以意大利語重複説出自己的姓名兩次。申請仍在審核;報道指出,即使獲批,商標也不能完全阻止他人製作其 AI 深度偽造音訊,但可增加造假者面對的法律障礙。

  2. ElevenLabs:Blog16

    ElevenLabs Blog 第 2 頁文章列表

    ElevenLabs Blog 第 2 頁收錄 9 月 23 日至 10 月 5 日刊出的文章,涵蓋 Eleven v4、語音智能體、轉錄及 API 等主題。內容亦包括 Eleven v4 Turbo 現已可在 ElevenAgents 使用,以及 ElevenLabs 在荷蘭和比利時推出服務的消息。

  3. ElevenLabs:Blog52

    ElevenLabs 與烏克蘭合作建設全球首個智能體政府

    ElevenLabs 與烏克蘭政府簽署諒解備忘錄,合作推動 AI 公共服務由概念走向部署。教育部團隊正開發 Mriia 個人化 AI 導師應用程式,經濟部則把智能體整合至 Obriy,醫療領域運用語音技術減少行政工作。烏克蘭數碼轉型部計劃於 2030 年前成為 AI 公共服務應用的領先者,並以 Diia.AI 踏出第一步;該平台是全球首個公共服務智能體應用程式及平台。

  4. ElevenLabs:Blog63

    Eleven v3 結束 Alpha 階段,現已在所有平台正式提供

    ElevenLabs 的 Eleven v3 文字轉語音模型已結束 Alpha 階段,現已在所有平台正式提供。內部基準涵蓋 8 種語言、27 個類別,模型錯誤率由 15.3% 降至 4.9%,減少 68%。測試中,用戶有 72% 的情況偏好新版本;模型處理數字、符號及專門記法的準確度亦有所提升。

  5. ElevenLabs:Blog47

    Klarna 透過 ElevenAgents 將問題解決時間縮短 10X

    Klarna 在美國推出以 ElevenAgents 建構的語音 AI 智能體,作為電話支援第一線;查詢由智能體處理時,解決速度快至 10x。服務供美國 35 million 名 Klarna 客戶使用,智能體可處理資訊查詢,並在有需要時轉交人工客服。Klarna 計劃將服務擴展至全球,目標涵蓋 114 million 名客戶。

  6. ElevenLabs:Blog37

    ElevenLabs 擴展西班牙業務

    ElevenLabs 今日在馬德里開設辦事處,並擴大西班牙業務,擴充本地銷售及工程團隊。eDreams ODIGEO(eDO)使用 Eleven Agents,以五種語言處理數以百萬計的客戶支援互動,並在問題解決速度及轉接率方面取得雙位數改善。

  7. ElevenLabs:Blog58

    ElevenLabs 推出教授語音 AI 支援計劃及 Einstein 互動學習體驗

    ElevenLabs 推出教授語音 AI 使用計劃,並推出以 Einstein 的聲音和作品為基礎的互動學習體驗。教授可免費使用 Pro tier,並可為特定課程和項目向學生提供限時使用權限。重現後的 Einstein 聲音可在 ElevenReader 聆聽;基於 ElevenLabs Agents 的互動體驗則支援用戶即時提問和探索科學概念。

  8. ElevenLabs:Blog50

    ElevenLabs Voice Library 創作者累計收入逾 $22 million

    ElevenLabs 表示,Voice Library 創作者累計收入六個月內由 $11 million 增至逾 $22 million。平台現有 10,400+ 名創作者,Voice Library 收錄 32 種語言的聲音,涵蓋數十種口音和風格。創作者可設定授權用途、價格級別及最長兩年的通知期,收益按使用量和所訂條款計算,亦可更新條款、限制用途或移除聲音。

  9. ElevenLabs:Blog65

    ElevenLabs 在 ElevenCreative 推出 Flows Agent

    ElevenLabs 在 ElevenCreative 推出 Flows Agent,讓用戶以對話描述創作需求,由智能體建立、連接並執行工作流程。它會選擇合適模型、建立及連接節點,並在生成前確認影片長度、語氣和結構;啟用 Assist mode 後,高成本生成須經用戶確認。

  10. ElevenLabs:Blog51

    ElevenLabs 擴大加州業務,創造 173 個高薪職位

    ElevenLabs 宣佈擴大加州業務,將在全州增聘 173 人,涵蓋研究、工程、銷售等高薪職位,並投入數百萬美元。公司獲 California Competes Tax Credit(CalCompetes)計劃提供獎勵,並計劃與加州政府探索以語音 AI 提升公共服務的可及性;公司亦參與州長打擊科技促成詐騙的專責小組。

  11. ElevenLabs:Blog44

    ElevenLabs 正式在加拿大開展業務

    ElevenLabs 正式在加拿大開展業務,並加大對當地團隊及實體據點的投資。公司委任 Max Lemmens 為加拿大總經理,計劃今年將團隊擴大至目前規模的兩倍,並在多倫多開設首間加拿大辦公室。ElevenLabs 在加拿大已有 30,000 名用戶。

  12. ElevenLabs:Blog60

    ElevenLabs 以語音 AI 支援選舉資訊服務並加強防濫用措施

    ElevenLabs 正在 2026 年選舉週期與選舉機構及民間組織合作,以語音 AI 擴大選民取得官方資訊的途徑,並防範技術遭濫用。巴西最高選舉法院(TSE)將為「選舉助理」加入語音介面,讓民眾透過語音查詢其網站、App 和 WhatsApp 頻道資訊;ElevenLabs 亦會培訓 Comprova 合作夥伴使用 AI Speech Classifier 等檢測工具。

  13. Zyphra Research59

    Zyphra 發佈 ZONOS2 即時文字轉語音模型,支援高保真聲音複製

    Zyphra 發佈採用 Apache 2.0 授權的即時文字轉語音模型 ZONOS2,支援高保真聲音複製。模型採用 MoE 架構,規模由前代的 1.6B 增至 8B,即時生成吞吐量較前代提升 4x,並支援最長一分鐘的多語言及語碼轉換語音生成。ZONOS2 提供 stable 和 expressive 兩種模式,分別側重乾淨輸出,以及聲音複製的自然度與保真度。

  14. Liquid AI 模型與工程博客63

    Liquid AI 發佈 LFM2-Audio-1.5B 端到端音訊基礎模型

    Liquid AI 發佈 LFM2-Audio-1.5B,這款 1.5B 參數模型支援音訊與文字輸入及生成。模型在 VoiceBench 九項音訊互動基準的總分為 56.78,ASR 基準平均詞錯誤率為 7.24。以 4 秒輸入波形測試,平均端到端延遲低於 100 ms;Liquid AI 亦提供 Python 套件及語音對話應用參考實作。

  15. Suno:Blog51

    Suno Voices:提升人聲品質的 6 個技巧

    Suno 分享了使用 Voices 製作高質素人聲的 6 個技巧,涵蓋安靜錄音、事前練習及按曲風配搭聲線。可行的話,建議錄製至少一分鐘的人聲參考;較長錄音能讓 Suno 學習更多內容,令整首曲目的人聲結果更一致。Voices 現已可在 Web、iOS 和 Android 使用,並提供免費試用及付費方案。