跳到正文
9月25日週五
  1. Sarvam AI66

    Sarvam AI 發佈 Saaras V4 語音識別模型

    Sarvam AI 發佈 Saaras V4 語音識別模型,稱其在 22 種印度語言達到 SOTA,並支援五種轉寫格式。模型結合音訊編碼器與從零開始訓練的 3B 混合狀態空間 LLM 解碼器,在七個英語基準測試中取得最低平均 WER。Saaras V4 支援低延遲串流,首個 token 延遲低於 150 ms。

9月24日週四
  1. 通義 QwenAudio:原創語音項目54

    Fun-Audio-Chat-8B 發佈,提供模型、訓練及推理程式碼

    Fun-Audio-Chat-8B 已發佈,並提供模型、訓練及推理程式碼,供自然、低延遲語音互動使用。模型採用 5Hz 共享骨幹與 25Hz 精細化輸出頭的雙解析度語音表徵,在維持語音質素下可減少近 50% GPU 使用時數。它支援語音問答、音訊理解、語音函數調用、語音指令跟隨及語音共情。

9月23日週三
9月22日週二
9月17日週四
  1. CPII 博智感知交互研究中心 · AI 研究及應用34

    將人工智能科研成果轉化為公共服務:博智感知互動研究中心以智能摘要技術提升香港電台《施政報告》直播體驗

    博智感知交互研究中心(CPII)連續第三年與香港電台合作,在2026年《施政報告》現場直播中部署升級版「即時語音轉摘要會議助手」,即時提供字幕、分節逐字稿及政策摘要。新版本以經錯字修正的完整句子生成摘要,並擴展日語、俄語、印地語、法語、韓語、西班牙語及葡萄牙語支援。

9月16日週三
  1. gihyo.jp79

    Google 發佈 Gemini 3.8 Live 及 Gemini 3.8 Live Extended Thinking

    Google 於 2026 年 9 月 15 日發佈語音對話模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking,兩者可在持續對話時理解視覺資訊及非同步呼叫外部工具。

    推薦理由:兩款模型分別面向快速、具成本效益的語音智能體與複雜多步任務,並可在不中斷對話下呼叫工具,清楚區分兩者的適用場景。

  2. Google Blog:AI55

    Google 介紹以 AI 支援多語言溝通的工作

    Google 表示,其技術與產品現已支援超過 300 種語言的日常互動,涉及逾 70 億人,約佔全球人口 86%。在語音方面,Google 以 Gemini 等模型直接處理音訊,目標支援全球最常用的 1,000 種語言,並透過 WAXAL、Project Vaani 等合作擴充地方語音資料。

9月15日週二
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI61

    OpenMOSS 開源 MOSS-Transcribe-Diarize 0.9B 音訊理解模型

    OpenMOSS 開源 MOSS-Transcribe-Diarize 0.9B,這款端到端音訊理解模型可在單次處理中完成長篇多説話人音訊轉寫、説話人分離及時間戳標註。模型支援 50+ 種語言,亦可選擇輸出聲學事件標註。整體表現更高的 MOSS-Transcribe-Diarize Pro 可透過線上 playground 使用。

9月13日週日
  1. 香港人工智能專業協會52

    香港人工智能專業協會出席黃大仙區「AI 防騙分享會」,講解偽造手法及自保方法

    香港人工智能專業協會代表出席黃大仙區「AI 防騙分享會」,講解換臉、扮聲及虛假訊息等詐騙手法,並即場示範以相片生成旅遊照片。分享會提出三項自保做法:有懷疑先掛斷並自行回撥已知號碼、追問只有真人才知道的事,以及透過視像通話要求對方即時做指定動作。

9月11日週五
9月10日週四
  1. 通義 QwenAudio:原創語音項目62

    Tongyi Lab 發佈 Fun-ASR 端到端語音識別模型系列

    Tongyi Lab 發佈 Fun-ASR 端到端語音識別模型系列,分為支援中英日及中文方言的 Fun-ASR-Nano-2512,以及支援 31 種語言的 Fun-ASR-MLT-Nano-2512。兩款模型均為 800M 參數,前者以數千萬小時語音訓練,後者以數十萬小時語音訓練。兩者均可接入 FunASR 作推理與服務,項目亦提供 vLLM 批次推理、即時串流及 WebSocket 服務路徑。

  2. OpenAI News66

    GPT‑Live‑1 為 API 帶來自然全雙工語音對話

    OpenAI 將 GPT‑Live‑1 引入 API,提供自然的全雙工語音對話及更強的指令遵循能力。它亦支援自訂聲音及電話服務。

    推薦理由:原文列出全雙工對話、指令遵循、自訂聲音及電話支援,能讓讀者迅速掌握 GPT‑Live‑1 接入 API 後涵蓋的語音能力。

9月8日週二
  1. FireRedTeam:原創語音與多模態項目65

    FireRedTeam 發佈 FireRedAudio 通用音訊語言模型及 PyTorch 程式碼

    FireRedTeam 發佈 FireRedAudio,一款以共用 9B 參數 LLM 為基礎、涵蓋音訊理解與語音生成的音訊語言模型。Audio Encoder 負責理解、RedAE pathway 負責生成;模型支援 ASR、音訊理解、零樣本及指令式 TTS、語音編輯,並可處理最長一小時的錄音。除 ASR 外,其他功能只支援中文和英文。

9月6日週日
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI37

    MOSS-TTS-Nano 示範網站與模型樣本

    MOSS-TTS-Nano 示範網站展示一款 100M 參數的多語言語音生成模型及樣本,模型支援 CPU 推理和聲音複製。網站提供模型下載及本機執行方式;ONNX CPU 部署、聲音複製和微調的資訊則見 MOSS-TTS-Nano README。

  2. OpenMOSS / 復旦NLP / 上海創智 / MOSI59

    OpenMOSS 發佈 0.1B 參數多語言語音生成模型 MOSS-TTS-Nano

    OpenMOSS 團隊與 MOSI.AI 發佈開源語音生成模型 MOSS-TTS-Nano,參數量為 0.1B,支援 20 種語言。模型提供聲音複製和串流生成,並採用 Audio Tokenizer + LLM 純自回歸架構。ONNX CPU 版本在團隊測試中處理效率接近原版的 2 倍,並可在 MacBook Air M4 單核流暢運行。

  3. OpenMOSS / 復旦NLP / 上海創智 / MOSI59

    OpenMOSS 團隊開源發佈 MOSS-Audio 4 款音訊理解模型

    OpenMOSS 團隊開源 MOSS-Audio,推出 4B、8B 的 Instruct 和 Thinking 版本。模型支援語音、環境音及音樂理解、音訊描述、時間感知問答與複雜推理,並採用跨層特徵注入和時間標記設計。在 MMAU、MMAU-Pro、MMAR 和 MMSU 四項通用音訊理解基準中,MOSS-Audio-8B-Thinking 的平均準確率為 71.08。

9月5日週六
  1. Sierra:Blog44

    呼叫中心 AI:營運及推行指南

    呼叫中心 AI 的推行應視為營運模式變革,先選定一條客戶旅程,訂立基準及擴展準則,再於真實渠道條件下驗證完整流程。指南聚焦自主語音及由 AI 路由的旅程,涵蓋渠道與系統銜接、路由和佇列安排、人手規劃、品質校準及故障復原,並指出客服代表輔助、預測和品質分析部署須採用不同切換準則。

9月2日週三
  1. Sierra:Blog58

    甚麼是 Voice AI?企業級 AI 語音智能體指南

    Sierra 的企業級 Voice AI 指南説明,AI 語音智能體可結合客戶背景及業務系統,在通話中處理要求並完成工作。企業準備程度須以整通電話作端到端評估,涵蓋延遲、輪流發言、語音辨識、上下文、操作、護欄及轉接七項測試,並納入噪音、打斷、模糊請求和整合失敗等情況。Sierra 的 tau-voice 基準以 278 項客戶服務任務,結合真實音訊及重疊發言,測試對話行為與資料庫狀態是否正確。

8月28日週五
  1. Hugging Face Blog68

    Open ASR Leaderboard 新增 Hindi、Indian English 評測集,首度納入全球南方語言

    Voice Arena 與 Hugging Face 為 Open ASR Leaderboard 加入 Monsoon en-IN 和 Monsoon hi-IN 評測集,涵蓋 Indian English 與 Hindi,令 Hindi 成為其多語言分頁首個 Indic language。

    推薦理由:這批評測集把説話者背景與可接受的拼寫變體納入 ASR 評估,讓總體 WER 之外的區域差異和 Hindi 正字法誤差更容易被辨識。

8月27日週四
  1. Google DeepMind69

    Google DeepMind 發佈 Gemini 3.5 Transcribe 語音轉文字模型

    Google DeepMind 發佈 Gemini 3.5 Transcribe,這是一款面向智能語音互動的語音轉文字模型。它可透過 Live API 以低於一秒的延遲進行即時串流,亦可經 Interactions API 處理預錄音訊,提供説話者歸屬及逐字時間戳。

    推薦理由:材料同時提供串流與非串流 WER,以及相較 Chirp 3 的最終轉錄時間改善幅度,讓準確度與延遲兩項表現有具體數據可供對照。

8月26日週三
8月25日週二
  1. Mistral AI55

    Mistral AI 與 HUMAIN 宣佈戰略合作,推進沙特阿拉伯及中東主權 AI

    Mistral AI 與 HUMAIN 宣佈戰略合作,將在沙特阿拉伯及區域內推進 AI 基礎設施、先進模型開發和 AI 解決方案部署。雙方將開發並本地化先進 AI 模型,初期聚焦網絡安全和語音,並計劃開發阿拉伯語表現出色的前沿模型;合作規模達數億歐元。Mistral AI 將探討使用 HUMAIN 的數據中心基礎設施,雙方亦計劃在沙特制定面向受監管行業的共同市場策略。

8月21日週五
  1. Hugging Face Blog54

    研究測量語音辨識模型的基準優化現象

    Hugging Face 的研究提出三項測試衡量語音辨識中的基準優化,並評估 11 個常用開源 ASR 模型,發現多個模型會重現與音訊不符的基準文本。研究在所分析的 VoxPopuli 測試片段中標記出 40% 的潛在參考文本錯誤,涉及約 3% 的參考詞;呈現基準優化行為的模型在相關測試中有 18–30% 的情況會重現錯誤參考文本。

8月16日週日
  1. PCM 電腦廣場 · AI41

    【場料】PRO 之上還有 MAX Soundcore Liberty 5 Pro MAX

    Soundcore 推出 Liberty 5 Pro MAX,主打 AI 錄音與會議摘要,充電盒配備 1.78 吋 AMOLED 彩色觸控螢幕,可切換 ANC 模式和調整 EQ。充電盒可獨立錄音,並同步至手機 App 將語音轉為文字及整理重點。耳機售價 $1,780,支援 Hi-Res Audio Wireless、LDAC、Dolby Atmos 及 Adaptive ANC 4.0。

8月13日週四
8月11日週二
  1. Sarvam AI55

    Indic DiarBench:面向印度語言的聯合説話人分段與語音識別基準數據集

    Sarvam 與 AI4Bharat 建立 Indic DiarBench,這是一個涵蓋印度憲法列定全部 22 種語言、聯合評估語音識別與説話人分段的開放基準數據集。數據集包含 108 小時自然即興語音,每段錄音有 2–9 名説話者,並涵蓋重疊發言、近場及遠場會議,以及 YouTube 真實對話。轉錄文本和帶説話人歸屬的時間戳均經人工核驗。

8月7日週五
8月3日週一