跳到正文
7月30日週四
7月29日週三
7月25日週六
7月24日週五
7月16日週四
7月15日週三
  1. Hugging Face Blog55

    Real World VoiceEQ 推出語音 AI 真人互動品質評測基準

    Real World VoiceEQ 是一套衡量語音 AI 真人互動品質的新基準,評估 40+ 款專有及開源語音模型,涵蓋 15+ 個評測維度和 60+ 項指標。基準以超過 1 million 次人工評分建立,評測範圍包括 ASR、TTS、S2S 和 Speech Understanding。結果顯示,各模型能力各有側重,而傳統基準可能高估模型在真實對話中的表現。

7月14日週二
7月9日週四
  1. gihyo.jp82

    OpenAI 發佈 GPT-Live 新一代語音模型,支援更自然的即時對話

    OpenAI 發佈新一代語音模型 GPT-Live,採用全雙工架構,讓 ChatGPT Voice 可同時聆聽和發話,令即時對話更自然。遇到複雜處理、高階推理或網頁搜尋需求時,GPT-Live 會在背景委派予最新頂尖模型,並逐步將結果帶入對話;本次推出 GPT-Live-1 和 GPT-Live-1 mini。

    推薦理由:文章比較級聯語音系統與 ChatGPT Advanced Voice Mode 的限制,並交代全雙工架構如何帶來即時回應及背景任務處理。

7月8日週三
6月24日週三
6月19日週五
  1. gihyo.jp34

    Project “Myna”: Speech To Text for Ubuntu、Ubuntu 26.10(Stonking)の開発; dbus-brokerへのマイグレーション

    Ubuntu 啟動 Project “Myna” 語音轉文字項目,計劃在 Ubuntu 26.10 提供桌面語音文字輸入;目前尚未公開實作,正徵求設計意見。項目預計支援離線運作,並透過 Canonical Inference Snap 進行本機推理,初期依賴 IBus。Ubuntu 亦正測試遷移至 dbus-broker,測試涵蓋 Ubuntu 26.10 和 26.04。

6月17日週三
6月16日週二
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI49

    OpenMOSS/MOSS-Audio-Tokenizer

    MOSS-Audio-Tokenizer 是基於 Cat 架構的統一離散音訊 tokenizer,具備 1.6 billion 參數,可將 24kHz 原始音訊壓縮至 12.5Hz 幀率,並支援 0.125kbps 至 4kbps 的重建。模型以 3 million hours 多元音訊資料訓練,兼顧高保真重建與語義對齊,適用於語音理解及生成等下游任務。ીએમ

6月12日週五
  1. gihyo.jp32

    Ubuntu 26.10(Stonking)開發路線圖與語音輸入

    Ubuntu 26.10(Stonking)公佈開發路線圖,列出以 28.04 LTS 為目標的四項願景:以 GNOME 為基礎的平台、預設簡潔而設計靈活、情境感知桌面,以及可信賴的整合平台。情境感知桌面將結合應用程式、服務及桌面環境的資訊,協助用戶達成目標。Ubuntu 26.10 將加入語音文字輸入功能,語音操作則以離線運作為方向。

  2. Fano Labs · 語音 AI 及企業應用21

    Fano 從香港到澳門展示智能體語音 AI

    Fano 以講者及參展商身份參與 NetCraft Week 2026,分享智能體語音 AI 平台如何協助企業由語音互動邁向可信行動。平台涵蓋多語言語音識別、智能體對話協調、即時智能體輔助、語音分析、合規監察及工作流程自動化。

6月9日週二
6月4日週四
6月2日週二
5月30日週六
5月26日週二
  1. 通義 QwenAudio:原創語音項目63

    CosyVoice 項目提供 Fun-CosyVoice 3.0 多語言語音合成模型

    CosyVoice 項目提供 Fun-CosyVoice 3.0,這是一套基於大語言模型的文字轉語音系統,面向自然場景的零樣本多語言語音合成。系統覆蓋 9 種常見語言及 18+ 種中文方言/口音,並支援多語言及跨語言零樣本聲音複製。它支援雙向串流,延遲最低為 150ms;項目亦提供模型下載、安裝、推理及部署説明。

5月14日週四
5月13日週三
  1. Fano Labs · 語音 AI 及企業應用27

    Fano Connect+ 2026 BFSI Edition 活動回顧

    Fano Connect+ 2026 BFSI Edition 聚集來自 30 多間銀行、保險公司及金融服務機構的 50 多名業界人士,探討企業如何把 AI 從實驗推進至可信賴的實際部署。討論聚焦受規管行業的 Agentic AI、治理、合規、營運韌性、防詐及客戶信任,並涵蓋 Voice AI、語音詐騙與 deepfake 防護,以及合規和風險監察的應用。

5月12日週二
5月7日週四
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI50

    OpenMOSS 發佈 MOSS-TTS-Nano Reader 本地網頁朗讀工具

    OpenMOSS 於 2026.4.14 發佈 MOSS-TTS-Nano Reader,這是一款基於 MOSS-TTS-Nano 的本地網頁朗讀工具。專案提供瀏覽器 ONNX 載入方式,也可啟動本機推理服務;工具支援純 CPU 推理、Chrome 和 Edge 擴充功能及自訂語音,MOSS-TTS-Nano 目前支援 20 種語言。

5月6日週三
5月4日週一
4月27日週一
4月16日週四
  1. Google DeepMind68

    Google DeepMind 發佈 Gemini 3.1 Flash TTS,加入音訊標籤細調語音表現

    Google DeepMind 發佈 Gemini 3.1 Flash TTS,提升文字轉語音的可控性、表現力與品質,並加入音訊標籤細調語音表現。模型支援 70+ 種語言及原生多説話者對話,在 Artificial Analysis TTS leaderboard 的 Elo 分數為 1,211。

    推薦理由:文章聚焦音訊標籤如何細調語氣、節奏與表達,並列出 Gemini 3.1 Flash TTS 面向開發者、企業及 Workspace 用户的推出渠道。

4月15日週三
4月3日週五
4月2日週四
  1. Sarvam AI59

    印度語言 ASR 分層評測指南

    Sarvam AI 介紹印度語言 ASR 的分層評測方法,涵蓋 WER/CER、LLM-WER/LLM-CER、Intent Score、Entity Preservation Score 和 COMET。文中亦介紹兩個適用於任何 Indic ASR 系統的開源評測框架,均使用經 Google Vertex AI 呼叫的 Gemini 作為 LLM 評審。