OpenBMB@OpenBMBAI 评分5858
#语音
#语音
今日 12 条- OpenBMB@OpenBMBAI 评分5858
Suno BlogAI 评分3131 Suno 解析：压缩器到底在做什么？
压缩器通过降低音频中最响部分的音量、再用补偿增益提升整体电平，从而缩小动态范围，让安静细节在混音中更清晰。Suno Studio 的压缩器插件提供阈值、压缩比、启动与释放等参数，并配有实时动态曲线表，适合处理上传或录制的原始音频。Studio 为浏览器端 DAW，随 Suno Premier 订阅免费提供。
Google AI@GoogleAIAI 评分3737
SpaceXAI@SpaceXAIAI 评分3535推出 Grok Voice Transcribe 2.0。它是全球最准确的语音转写模型。
Greg Brockman@gdbAI 评分3131引用Jonathan Roomer@jonathanroomerI’ve got Codex (voice) in CarPlay. And it’s fantastic. I can now build things during road trips, while all 5 kids make a noise and my wife asks why I talk to the AI more than I talk to her. It runs through my Nightblood iOS app, which gives ChatGPT Voice a face, personality and full access to Codex, my Mac and all the native tools.
Logan Kilpatrick@OfficialLoganKAI 评分6464
- Google AI@GoogleAI精选AI 评分7474
Google AI 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款语音模型。
推荐理由：原文分述两款语音模型的能力差异与使用场景，读者可据此判断选型方向。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型
Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 两个实时语音对话模型，主打近实时推理与语音智能体。
推荐理由：官方给出两个新语音模型的定位分工和多项基准数字，读者可据此判断其适合规模化还是高复杂度语音任务。
Google Blog: AI精选AI 评分6464 Google 公布多语言 AI 进展：Gemini 3.5 Live Translate 支持 70 种语言实时口译，TranslateGemma 可离线运行
Google 宣布其语言技术已覆盖 300 多种语言、服务超 70 亿人，占全球人口 86%。Gemini 3.5 Live Translate 支持 70 种语言。
推荐理由：官方梳理了从实时翻译到无障碍设计的语言 AI 布局，并给出各产品的覆盖语言数和合作项目，可作了解现状的参考。
OpenRouter AnnouncementsAI 评分5353 OpenRouter 文本转语音教程：一个 API 端点调用多家 TTS 模型
OpenRouter 通过 OpenAI 兼容的 POST /api/v1/audio/speech 端点提供文本转语音，一个 API key 即可以相同请求结构调用 Mistral Voxtral Mini TTS、xAI Grok Voice TTS 1.0、Microsoft MAI-Voice-2 等多家模型。
OpenAI News精选AI 评分7070 OpenAI 在 API 中推出语音模型 GPT‑Live‑1
OpenAI 在 API 中推出语音模型 GPT‑Live‑1，支持自然的全双工语音对话。模型具备更强的指令遵循能力，支持自定义音色和电话场景。
推荐理由：官方摘要指出模型新增全双工语音、自定义音色和电话支持，可据此了解 API 语音能力的扩展方向。
Google Gemini@GeminiAppAI 评分2626
Suno Blog精选AI 评分6868 Suno 发布 v6 下一代音乐模型，推出 v6、v6-wild、v6-mini 三档
Suno 发布 v6 新一代音乐模型，与 Warner Music Group、BMG、Believe 等行业伙伴合作开发，并最终以下一代模型替换旧模型。
推荐理由：原文由官方给出三档模型分工与具体编辑能力示例，读者可以据此判断新工作流是否适合自己。
Suno BlogAI 评分5656 Suno 宣布与 Believe 和 TuneCore 达成全球战略合作
Suno 宣布与 Believe 和 TuneCore 达成全球战略合作，使用 Suno 新行业伙伴模型创作的歌曲可通过 Believe 和 TuneCore 分发。
Microsoft AI NewsAI 评分5757 Microsoft MAI 发布语音识别模型 MAI-Transcribe-2
Microsoft MAI 发布转写模型 MAI-Transcribe-2，在 FLEURS 基准 60 种语言上以平均词错率 5.2% 排名第一，定价每小时音频 $0.10（年底前限时）。
Ammaar Reshi@ammaarAI 评分6060
Google AI Developers@googleaidevsAI 评分4747
Google DeepMind精选AI 评分6565 Google DeepMind 发布语音转写模型 Gemini 3.5 Transcribe
Google DeepMind 推出语音转文字模型 Gemini 3.5 Transcribe，定位为更精确的实时转写模型，已在 Gemini API（Google AI Studio 和 Gemini Enterprise Agent Platform）开启公开预览。
推荐理由：官方给出了两个 API 入口、WER 数字和与 Chirp 3 的对比，读者可据此评估其语音转写与语音交互场景的可用性。
- SpaceXAI@SpaceXAIAI 评分3535
在 LiveKit 中使用 Grok Voice 模型，构建实用的语音智能体，全面支持 ZDR
引用LiveKit@livekitWe built a patient intake agent with @SpaceXAI that runs end to end on Grok voice models. Grok STT → Grok 4.3 → Grok TTS, cascaded through LiveKit Inference. Three model strings in one AgentSession. No separate API key, no separate billing, ZDR on every hop. Talk to it: https://xai.livekit.space
Google Developers BlogAI 评分5555 Google ADK 实测教程：如何评测实时语音 Agent
Google 在 ADK 中推出原生实时（live）评测能力，可用模拟用户以音频形式与语音 Agent 对话并对口头回复打分。
Hugging Face Blog精选AI 评分6262 Hugging Face 用三项测试量化语音识别中的基准优化现象
Hugging Face 提出三项测试量化 ASR 模型的基准优化（benchmaxxing）行为，评估 11 个开源模型后发现多个高分模型会复现 VoxPopuli 和 LibriSpeech 的错误参考转写。
推荐理由：原文给出三种可量化的探针方法，让读者能据此区分语音模型的真实转写能力与针对基准的拟合行为。
Suno Blog精选AI 评分6565 Suno Studio 2.0 发布，面向 Premier 订阅者新增 MIDI 编辑与自动化等功能
Suno 发布 Studio 2.0，现向 Premier 订阅者开放。新增时间线 MIDI 导入、录制与编辑，可用 MIDI 剪辑作为生成提示词，附带新的 wavetable 合成器；另推出 Chat bar（beta）协作创作、高级 stem 分离、音频效果与自定义插件、自动化曲线，并支持无损导出 32-bit/48kHz 多轨与 stems。插件创建目前不消耗 credits。
推荐理由：官方发布新增 MIDI、Chat bar、自动化等能力，音乐创作者可据此判断 Suno Studio 2.0 是否融入现有工作流。
Suno Blog精选AI 评分6767 Suno 宣布与 BMG 达成全球合作
Suno 官方宣布与大型音乐公司 BMG 达成全球合作伙伴关系，该合作是 Suno 即将推出的首个与音乐行业共同开发的音乐模型的一部分。双方将共同打造连接艺术家与粉丝的新体验，并为选择加入的艺术家和词曲作者创造新的经济机会，同时深化 Suno: In Session 和 Spark 等对独立艺术家的支持项目。
推荐理由：Suno 官方宣布与 BMG 达成全球合作，说明合作将伴随其首个与音乐行业共同开发的音乐模型推出，可据此了解 AI 音乐公司与版权方的合作模式。
Sierra BlogAI 评分5454 Sierra 为智能体推出开箱即用的 IVR 电话导航能力
Sierra 推出开箱即用的 IVR 导航能力，让智能体能打电话穿越多级菜单、判断何时沉默、发送 DTMF 按键音并识别真人接听。评测显示开启该功能后整体通过率提升 49%，从 57% 到 85%，其中「联系到人」类任务提升最大；客户包括一家 top 5 医疗支付方和一家全国性数字药房。
Suno Blog精选AI 评分6464 Suno 更新下载政策与服务条款，9月3日起实施下载限额
Suno 官宣 9 月 3 日起按订阅档位实施下载限额，Free 用户终身仅 7 次试用下载，Pro 每月 20 次，Premier 每月 60 次，Suno Studio 无下载限制，超出部分可购买。同时推出新服务条款，付费计划下载的歌曲保留商用权，此前所有歌曲仍可播放和分享；新一代 Suno 模型即将上线，发布时旧模型将全部退役。
推荐理由：官方说明给出各档下载限额、免费用户终身额度等关键细节，对现有用户判断订阅与商用权利有直接参考价值。
Sierra BlogAI 评分4545 Sierra 推出 Voice Personas：为 AI 智能体打造品牌专属语音人格
Sierra 发布 Voice Personas，让企业为同一个 AI 智能体配置不同语音人格，可跨品牌、市场与语言复用同一底层智能体。该功能结合语音、个性与语言感知行为，支持智能体在对话中调整语速、应对打断并切换语音或语言，由多种语音模型按场景择优驱动。Sierra 称某智能体搭配自然语音与人格后解决率提升近 50%，Voice Personas 现已上线。
Microsoft AI News精选AI 评分6262 Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 公开预览版
Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash，两款模型均进入公开预览。
推荐理由：原文给出两款新模型的定价、性能数字和产品落地情况，可据此比较其质量速度成本取舍。
OpenRouter Announcements精选AI 评分6767 OpenRouter 推出音频转写端点 /api/v1/audio/transcriptions
OpenRouter 上线 POST /api/v1/audio/transcriptions 音频转写端点，复用 Chat Completions 的同一 API key 和鉴权。
推荐理由：官方教程给出了完整的请求参数、限制和计费细节，读者可以直接照抄接入而不必自建 Whisper 服务。
Hugging Face BlogAI 评分5050 Hugging Face 发布 Real World VoiceEQ 基准，用人类评分衡量语音 AI 的人类化质量
Hugging Face 团队推出 Real World VoiceEQ 基准，评估语音交互的人类化质量，覆盖 40 多个专有和开源语音模型、15+ 维度和 60 多项指标，涉及 ASR、TTS、S2S 和语音理解。
Microsoft AI NewsAI 评分3939 微软 MAI 音频模型驱动 Ode Poetry：用 AI 复刻诗人声音推荐诗歌
微软 AI 与诗歌推广人 William Sieghart、创意工作室 Gravity Road 合作推出数字诗歌体验 Ode Poetry，基于 MAI 音频模型实现实时对话与诗歌推荐。
Hugging Face BlogAI 评分5656 Hugging Face 与 Cerebras 基于 Gemma 4 打造实时语音到语音演示
Hugging Face 与 Cerebras 展示了一套全开源、模块化可替换的实时语音到语音流水线，语言模型采用 Google DeepMind 的 Gemma 4 31B，在 Cerebras 上推理，语音识别用 Nvidia Parakeet，语音合成用 Alibaba Qwen3TTS。
LMSYS BlogAI 评分5858 SGLang-Omni 上线 MOSS-TTS-Local-Transformer-v1.5 端到端推理服务
LMSYS、MOSI 与 OpenMOSS 团队宣布在 SGLang-Omni 上实现 MOSS-TTS-Local-Transformer-v1.5 的端到端服务，该开源 TTS 模型支持 48 kHz 立体声、零样本音色克隆、31 种语言和最长 10 分钟生成。
Suno BlogAI 评分5252 Suno 更新 Stem Separation：新增三种拆分模式
Suno 更新 Stem Separation 功能，提供 Auto Split（最多拆出 12 个 stems）、Split from Mix 和仅限 Premier 的 Advanced Split 三种模式。Advanced Split 可从近 100 种乐器中精确提取；Suno 采用重新生成每个 stem 而非切割混音的做法。该功能适用于平台创作及上传的音乐，需付费订阅。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70+ 语言近实时语音到语音翻译，自动检测语言并保留说话者的语调、节奏和音高，全程仅落后说话者几秒。
推荐理由：原文给出模型能力、开放渠道和 Meet 语言扩展细节，读者可据此评估它在会议和翻译场景的可用性。
Suno BlogAI 评分4545 Suno Voices 使用指南：6 个技巧打造更具表现力的人声
Suno 发布 Voices 功能使用指南，给出 6 个提升人声表现力的技巧：在安静环境录制、提前练习、不必追求完美、尽量录长（建议至少 1 分钟）、让声音匹配曲风、大胆尝试意外风格。Voices 已在 Web、iOS 和 Android 上线，可免费试用，付费方案提供更多功能。
Microsoft AI News精选AI 评分6161 Microsoft 发布 MAI-Voice-2 文本转语音模型
Microsoft 发布文本转语音模型 MAI-Voice-2，在保真度、语言覆盖、说话人一致性和情感范围上较前代显著提升。支持语言从英语扩展到 15 种，提供情感标签细粒度控制，可用 5-60 秒参考音频零样本创建自定义声音，且生产环境仅允许授权声音合成。
推荐理由：官方发布给出语言扩展、零样本克隆与偏好测试数据，读者可据此评估该语音模型在生产场景中的可用性。
Microsoft AI News精选AI 评分7979 Microsoft Build 2026 发布 MAI 系列七款新模型，含首个推理模型 MAI-Thinking-1
Microsoft MAI 在 Build 2026 主题演讲中发布七款新模型，覆盖图像、语音、转录、推理和编码。
推荐理由：作者以当事方身份逐一公布七个新模型的定位、基准数字和开放渠道，读者可以对照竞品评估各自适用场景。
Microsoft AI NewsAI 评分4949 微软发布 MAI-Transcribe-1.5，新增关键词偏置功能
微软推出转录模型 MAI-Transcribe-1.5，新增关键词偏置功能，可让用户提供领域特定关键词列表来引导预测，模型会结合上下文判断是否应用偏置而非盲目强制匹配。在 FLEURS 多语言基准上，启用关键词偏置后词错误率（WER）降低 30%，在提升专业词汇识别的同时保持通用语音的准确率。
Sierra BlogAI 评分3434 Sierra 详解语音 AI 转录平台：多提供商集成与上下文感知如何降低错误率
Sierra 构建了一套语音转录平台，通过并行调用多个转录提供商进行集成、注入对话上下文，并支持 70+ 种语言，以解决姓名拼写歧义、行业术语识别等难题。其内部基准显示，集成方案平均将话语错误率降低约 25%，在部分语言中最高降低 37%；上下文感知转录使金融服务智能体的输入验证率提升超 25%，整体问题解决率最高提升 1%，重大转录错误减少最多 15%。
Runway News精选AI 评分6666 Runway 发布 Characters，单张图片生成 24fps 实时对话视频智能体
Runway 发布 Characters，基于 GWM-1 将单张参考图转为可实时对话的视频角色，无需微调，支持写实人像、卡通和吉祥物等风格。模型每帧有效耗时 37 毫秒，用户停止说话到角色开口的服务端延迟 1.75 秒；通过扩散变换器与 VAE 解码器流水线并行、KV-cache 管理、CUDA Graphs 和 Triton 核优化实现 24fps 实时生成。
推荐理由：官方技术博客拆解了实时管线的关键数字和系统优化，读者可以据此理解单图驱动的对话视频智能体的实现路径。