技术方向
AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
7 条精选近 30 天 5 条共收录 59 条
AWS发布教程，展示如何通过流式文本到语音(TTS)技术解决AI语音代理的响应延迟问题。文章介绍了在Amazon SageMaker AI上部署Kokoro-82M模型，实现句子级别的语音合成，将首次音频输出时间从329.3毫秒减少到156.7毫秒，提升52.4%。同时比较了不同传输方式的成本和性能，包括base64编码SSE和二进制JSON混合传输方案。
推荐理由：通过流式合成解决AI语音助手响应延迟问题，将首次音频输出时间减少一半以上，展示了如何在SageMaker上实现低延迟语音流。
Amazon Polly 升级其语音生成引擎，提供更自然、准确的语音输出，新增14种语音和9种区域支持，包括首次提供印地语和芬兰语的生成语音。此次升级为即插即用式，现有应用程序无需更改代码即可使用。
推荐理由：新增14种语音和两种语言，无需代码变更即可提升语音质量，企业级语音应用迎来更自然的交互体验。
IBM 发布 Granite Speech 5.0 系列模型，包括新模型 granite-speech-5.0-2b 和更新版本 granite-speech-5.0-470m-turboctc、granite-speech-4.1-2b-plus。
推荐理由：IBM 推出 Granite Speech 5.0 系列模型，覆盖从高精度转录到边缘设备实时处理的完整语音工作流，开源策略让企业级语音技术更易获取。
Mistral 发布 Voxtral 3，包含语音识别、语音合成和语音代理 SDK，支持50多种语言的实时多步对话。Voxtral Small Transcribe 3 在多语言转录方面达到最先进水平，Voxtral Mini TTS 3 支持35+语言和50+方言，语音代理 SDK 将听、思、说整合为单一实时流管道。
推荐理由：将语音识别、推理和语音合成整合为实时流管道，解决了端到端语音代理的四大挑战，同时支持50多种语言和专业语音克隆。
SpaceXAI发布Grok Voice 3.0语音模型，在Artificial Analysis测试中以86.9分登顶语音到语音综合指数，可自主处理70%星链客服来电，定价0.08美元/分钟。
推荐理由：原文提供了具体评测数据和实际应用案例，读者可据此评估该语音模型在真实客服场景中的表现。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两个文本转语音模型，支持创建自定义角色声音和直接场景对话，在多个平台提供更丰富的音频生成体验。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Google DeepMind发布Gemini 3.8 Live和3.8 Live Extended Thinking两款最新实时对话模型，提升了智能和并行推理能力，使语音交互更直观流畅。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。