跳到正文
10月6日週二
  1. ElevenLabs:Blog70

    ElevenLabs 發佈 Eleven v4 與 Eleven v4 Turbo 文字轉語音模型

    ElevenLabs 發佈 Eleven v4 文字轉語音模型及低延遲版本 Eleven v4 Turbo,兩者均支援 90 多種語言。Eleven v4 可按語氣、節奏、情緒、角色和上下文生成語音,並改善多説話者對話、聲音克隆及跨語言口音保留。Turbo 的中位推理延遲約 100ms,兩款模型現已可透過 ElevenAgents、ElevenCreative 和 ElevenAPI 使用。

  2. Suno:Blog67

    Suno 開放 Speech beta,生成語音與音樂融合音軌

    Suno 開放 Speech beta,這款音訊模型可將生成語音與音樂整合為同一音軌。用戶輸入構想、詩作或文字,再描述所需的聲線與音樂風格,即可創作配有原創背景音樂的口述音訊。Speech 過去一個月曾由小羣用戶測試,現向所有人開放 beta;Suno 將繼續根據社羣回饋改進。

  3. 小米 MiMo:官網發佈與博客58

    小米發佈 MiMo-V2.5-TTS 語音合成模型系列

    小米發佈 MiMo-V2.5-TTS 系列語音合成模型,涵蓋預設聲線、按文字描述設計新聲線,以及以參考音訊複製聲音三種用途。系列支援自然語言風格指令、行內音訊標籤和劇本式結構輸入;聲音複製只需短音訊樣本,無須額外訓練、標註或微調。三款模型限時免費開放於 Xiaomi MiMo API 平台,整合技能已開源於 GitHub 倉庫 XiaomiMiMo/MiMo-Skills。

  4. 小米 MiMo:官網發佈與博客59

    小米 MiMo 發佈開源語音辨識模型 MiMo-V2.5-ASR

    小米 MiMo 發佈開源語音辨識模型 MiMo-V2.5-ASR,支援中英雙語、中文方言、語碼轉換、歌詞辨識、噪音環境及多説話者場景。頁面列出多項公開及內部基準測試結果,MiMo-V2.5-ASR 在 Open ASR Leaderboard 的英文辨識平均 WER 為 5.73(WER 越低越好)。模型採用大規模中期訓練、高質素監督式微調(SFT)及強化學習(RL)算法。

  5. NAVER / CLOVA 研究57

    NAVER Cloud 介紹 Sommelier 全雙工語音 AI 數據流程

    NAVER Cloud 的 Sommelier 論文於 ACL 2026 發表,提出供全雙工語音語言模型使用的多輪音訊預處理流程。Sommelier 開源流程包含説話者及發言時間標記、重疊語音還原,以及多個語音辨識模型輸出的交叉校驗。團隊以 83 小時對話資料進一步訓練全雙工 Moshi,插話內容回應評分由 0.765 升至 3.684,短回應頻率由 0.001 升至 0.052。

  6. 字節 Seed:Research Feed62

    Seed Audio 1.0 音訊創作模型發佈,支援多要素統一生成

    字節 Seed 發佈音訊創作模型 Seed Audio 1.0,以統一框架生成對白、音效及環境聲,並支援按時間線控制聲音進場。模型支援 100ms 間隔精度的時間控制、參考音訊延展生成及 20+ 種語言;單次可生成約 2 分鐘音訊,並可繼續延長。Seed Audio 1.0 已在火山方舟體驗中心上線。

10月5日週一
  1. IT之家27

    倍思 MC2 NC 降噪耳夾耳機發售:12mm 動圈、-50dB 降噪,783 元(國補後 598 元)

    倍思旗下 MC2 NC 降噪耳夾耳機已在京東發售,定價 783 元,部分地區國補後低至 598 元。耳機配備 12mm 碳纖維三磁路動圈,降噪深度達 -50dB,配合充電盒續航最高 60 小時(關閉降噪)。另接入豆包、通義千問及 DeepSeek 模型,提供 AI 錄音轉寫、即時助答及同聲傳譯功能。

  2. IT之家21

    狼蛛 A8 鏤空電競頭戴式耳機上架:重約 235g、配備 40mm 單元,299.2 元起

    狼蛛 A8 鏤空電競頭戴式耳機已在京東上架,首發價由 299.2 元起,機身重約 235g±5g。耳機配備 40mm PET 複合振膜單元、C-Media 聲卡晶片及可插拔 360° 全向 AI 降噪麥克風。耳機支援 2.4GHz、USB-C、藍牙及 USB 聲卡四模連接;關閉氛圍燈並以 30%-50% 音量使用時,內置 500mAh 電池續航約 40 小時。

  3. IT之家31

    圓剛推出 AIClear Mic (A113) AI 降噪麥克風,工作温度範圍達 -25℃ 至 +60℃

    圓剛推出面向工業應用的 AIClear Mic (A113) AI 降噪麥克風,工作温度範圍為 -25℃ 至 +60℃。其降噪功能可清除音訊中的環境噪音,令語音識別準確率提升 60% 以上,亦可提高聲紋認證的身份驗證準確性。麥克風支援免驅動即插即用及 USB-C 一線連,並提供一對 3.5mm 音訊插孔;存放温度範圍為 -40℃ 至 +85℃。

  4. 通義 QwenAudio:原創語音項目27

    Qwen Audio 首頁整理系列語音研究項目與示範資料

    Qwen Audio 首頁整理 Qwen-Audio 系列的語音理解、生成及互動研究,連結各項目示範與研究資料。重點項目為 Qwen-Audio-3.1-ASR 和 Qwen-Audio-3.1-Realtime,涵蓋多語言 ASR、説話者分離、語音推理及自然語音互動;3.0 ASR、TTS 項目頁仍保留,模型可用情況與授權須查閲各自頁面。

10月3日週六
  1. The Decoder60

    Suno 新增 Speech 功能,可將語音與相配背景音樂合成單一音軌

    Suno 新增 Speech 功能,可將語音與相配背景音樂一併生成為單一音軌。用户可輸入構想或文字,並描述所需聲線及音樂風格;Suno 稱功能可用於詩歌、冥想和睡前故事。測試版仍有問題,例如英國口音有時聽來像澳洲口音;Suno 未説明模型訓練方式,唱片公司已就版權問題起訴 Suno,慕尼黑法院近期亦裁定 Suno 不能以合理使用為由,為使用受版權保護數據辯護。

  2. LlamaIndex:產品、工程與評測44

    LlamaIndex 電子通訊:2025-08-05

    LlamaIndex 本期通訊彙整多項產品與工程更新,包括 Gemini Live 的 TypeScript、Python 語音整合,以及 LlamaParse Indexes 上線託管嵌入向量功能,毋須自備 API key,並提供 10,000 個免費 credits。

  3. Google Developers Blog63

    ADK 如何評估即時語音智能體

    Google 在 ADK 加入原生即時評測功能,可透過模擬使用者以音訊與即時語音智能體對話,評分語音回覆,並沿用文字智能體的評測流程。測試案例可採對話情境或固定對話,並以自然語言評分規準評估整段多輪互動,也可逐輪評分回覆或工具執行。評測可由 CLI 執行,或透過 AgentEvaluator 納入 CI/CD;ADK Web 會呈現轉錄文字及可播放音訊。

  4. Microsoft AI:官方博客48

    MAI-Transcribe-1.5 推出,支援關鍵詞偏置

    MAI-Transcribe-1.5 現可按使用者提供的領域關鍵詞清單調整轉錄預測,提升專業詞彙識別。啟用關鍵詞偏置後,模型在 FLEURS 多語言基準測試上的 Word-Error-Rate(WER)降低 30%。模型會結合上下文決定何時套用偏置,而非強行匹配,並維持一般語音的準確度。

  5. TechCrunch · AI53

    Legato 推出 AI 助聽眼鏡 Legato Frames

    Legato 宣佈 AI 助聽眼鏡 Legato Frames 現已開售,售價 $999 起,適用於有中度或以下聽力損失的成年人。產品把公司的專利助聽技術整合於眼鏡鏡臂,AI 系統會分辨人聲與背景噪音,放大人聲並降低不需要的聲音;公司稱所有處理均在眼鏡上完成,沒有攝影機或錄音。

10月2日週五
  1. The Verge · AI61

    Suno 推出 Speech 公測功能,可生成口語並同步配樂

    Suno 在網頁及手機平台推出 Speech 公測功能,可根據提示描述或自訂稿生成口語,並同步生成配樂。Simple 模式以提示描述生成,Advanced 模式可輸入自訂稿並調整 AI 聲音性別、説話風格及生成多樣性;配樂可關閉,最長時長約 8 分鐘。Suno 表示功能仍在 beta 階段,會根據用户意見持續改進。

  2. HuggingFace Daily Papers(社區熱門論文)51

    DuplexJev 不經解碼即可批次處理語音決策,單 Token 監督讓凍結 LLM 聽見逐字稿以外的資訊

    DuplexJev 提出將 ASR 編碼器的隱藏狀態經小型連接器送入凍結的 LLM,直接以單個 Token 對選項作分佈預測,無需自回歸解碼。在 8-GPU 節點上,系統約 0.1 s 內可針對八段語音作出 80 項決策;使用最後一層連接器時,語音問答準確率為 90%,接近讀取逐字稿的 91%。

9月30日週三
  1. Sarvam AI65

    Sarvam AI 推出 Bulbul V4 Flash 文字轉語音模型

    Sarvam AI 推出 Bulbul V4 Flash 文字轉語音模型,面向即時應用,改善印度語言語音的自然度與表達能力。模型在生產環境的 time-to-first-audio 低於 250 ms,收費為 ₹20 per 10,000 characters,較 Bulbul V3 的 ₹30 per 10,000 characters 低三分之一。

  2. Hugging Face Blog65

    Open TTS Leaderboard 為多語言文字轉語音與聲音複製提供可擴展評估

    Hugging Face 建立 Open TTS Leaderboard,以客觀指標評估開源、多語言 TTS 模型及聲音複製能力。評估涵蓋 WER/CER、批次推理速度(RTFx)、首段音訊延遲(TTFA)及説話者相似度(SIM),可把單個模型的評估時間由數週縮短至數小時。排行榜不取代人工偏好評選,並設有 Listen 頁籤供用户比較生成音訊及投票;其指標不直接衡量自然度、表現力或聽者偏好。

    推薦理由:排行榜以客觀指標並列呈現語音清晰度、説話者相似度與速度表現,並保留聆聽投票,方便比較多語言及聲音複製模型。

9月29日週二
  1. Google AI:DEV 作者專屬58

    如何使用 Gemini Live API 建立即時語音 AI 智能體

    Gemini Live API 可用於建立即時語音 AI 智能體,透過雙向 WebSocket 同時傳送和接收音訊,支援即時回應及用戶插話。建議並行處理麥克風上行音訊與模型下行語音,並在麥克風偵測到用戶説話時立即靜音及清除播放緩衝區;Gemini Live 內置 VAD 負責偵測語音活動。工具操作可非同步執行並即時回傳確認,避免較慢的外部操作令語音生成停頓。

9月28日週一
9月26日週六
  1. elsewhere:文章64

    網易有道開源 R2T2、T3PO,分別登上 Hugging Face ASR 和 Translation Trending 榜首

    網易有道開源實時語音模型 R2T2 和 T3PO,兩款模型發布數日後分別登上 Hugging Face 的 ASR 和 Translation Trending 榜第一。R2T2 是 2B 參數的流式語音識別模型,採用「只增不改」方式,平均識別延遲為 200 至 600 毫秒。T3PO 是 15B 參數的中英同聲傳譯模型,提供低延遲、原生和高質量三種模式,採用 Apache 2.0 協議。