跳到正文
10月11日週日
  1. IT之家54

    國家安全部解釋陌生來電先沉默三秒的原因,指數秒語音或被用於 AI 聲紋克隆

    國家安全部指出,不法分子可能在陌生來電接通後故意沉默,誘使接聽者回應,再利用數秒語音樣本進行 AI 聲紋克隆。國家安全部亦警告,生物特徵可能被過度採集、複製和整合,進一步用於深度偽造及推斷個人私隱。文中提醒用戶辨別資料用途、範圍及保護措施,遵循「非必要不提供」原則。

10月10日週六
  1. 字節 Seed:Research Feed62

    字節 Seed 發佈 Seed Audio 1.0 音訊創作模型

    字節 Seed 發佈音訊創作模型 Seed Audio 1.0,以統一框架生成對白、音效和環境聲,完成完整聲音場景創作。模型支援 100ms 間隔精度時間控制、參考音訊延展(單次約 2 分鐘)及 20+ 語種生成,並已在火山方舟體驗中心上線。

  2. 字節 Seed:Research Feed74

    SeedRealtime 音訊及影片全雙工大模型發佈:邁向全模態自然互動

    字節 Seed 正式推出原生音訊及影片全雙工大模型 SeedRealtime,透過統一架構融合音訊、影片與文字,並在連續多模態資訊流中即時互動。端到端人工評測顯示,相比級聯模型,音訊及影片對話的節奏問題減少一半,單次對話順暢、完整交流的機率亦有明顯提升。

  3. Azeem Azhar:Exponential View35

    AI 智能體與螢幕辦公模式的終結

    作者忘記帶手提電腦後,主要透過手機與 ChatGPT 對話完成工作,並認為 AI 智能體正令以電腦和鍵盤為中心的辦公模式逐漸鬆動。OpenAI 於 7 月推出的 GPT-Live 可讓用戶以語音指揮智能體;作者也以語音助理進行了一週的工作實驗。

  4. IT之家51

    蘋果與 Huxe 達成人才引進及技術許可協議,成為今年披露的第 4 宗 AI 交易

    蘋果與 AI 音訊初創公司 Huxe 達成人才引進及技術許可協議,成為今年公開披露的第 4 宗蘋果 AI 相關交易。協議讓蘋果可向 Huxe 特定員工發出聘用邀請,並取得其知識產權的非獨家許可;這不包括收購 Huxe 業務,協議金額未披露。Huxe 由 3 名前 Google NotebookLM 團隊成員創立,其服務已於 2026 年 5 月 28 日結束。

  5. HuggingFace Daily Papers(社區熱門論文)39

    Learning Where to Split: Dynamic Band Splitting for Audio Source Separation

    動態頻帶切分(DBS)是一種端到端音源分離框架,能在固定頻帶 token 預算下,為每個混合音訊學習頻率軸的切分位置。使用 128 個頻帶時,DnR v2 上 BSRNN 的平均 SI-SDR 由 7.69 提升至 9.07 dB,TIGER 則由 8.74 提升至 10.13 dB。程式碼、預訓練模型及音訊範例已在項目頁提供。

10月9日週五
  1. Hacker News 熱門(buzzing.cc 中文翻譯)59

    Fleeting 以虛構會議音訊營造正在開會的效果

    Fleeting 提供逼真的虛構會議錄音,供用戶在背景播放,營造正在開會的效果。每段會議約 12 分鐘,從隨機位置開始;開啟「Back-to-back meetings」後,播完會在幾秒後接上符合時段的另一場會議,否則會循環播放。網站表示,所有聲音均為合成聲音,人物影像由 AI 生成或取自經授權的素材影片,沒有錄製真實會議。

  2. SiliconANGLE44

    Caloroga Media launches Linnet, an AI-assisted podcast studio that runs in the browser

    Caloroga Media 推出在瀏覽器運作的 AI 輔助 Podcast 製作室 Linnet,把錄音、混音、影片剪輯、撰寫及謄寫腳本等工作整合在同一工作空間。God Mode 可根據單一提示詞生成包含影片和封面圖的完整節目初稿,供創作者修改;平台目前以邀請制 Beta 分批開放,測試用戶可免費使用 Creator 方案 30 天。

  3. IT之家42

    極米記得 AI 顯示眼鏡 MemoMind One 開放提前預約:蔡司定製光學鏡片、哈曼聯合調音

    極米宣佈,記得 AI 顯示眼鏡 MemoMind One 正式開放提前預約。眼鏡採用蔡司顯示系列翎思鏡片、無鏡頭私隱保護設計,並獲歐盟 EN18031 認證。產品支援 Memo 記憶功能、雙目顯示及 Harman Audio EFX,提供 16 小時綜合續航,並搭載 Apple MFi 晶片,支援對話、翻譯、演講和錄音。

  4. LiveKit 產品與工程博客61

    Serve AI 如何透過 Agent Simulations 改善語音智能體

    Serve AI 使用 LiveKit 的 Agent Simulations,將電話智能體從 Retell 的對話流程圖改為單一提示詞架構,並以約 100 通真實生產通話測試至 98% 通過率。經過 10 至 15 輪調整後,中位回合延遲為 1.3 秒,低於 1.5 秒上限。上線後,無需轉接人工的來電比例提高 15%;Serve 估計每年可為客戶額外節省 $320,000。

10月8日週四
  1. Hugging Face Blog54

    TII 推出 Falcon-ASR 阿拉伯語語音識別模型,聚焦阿聯酋方言

    TII 推出 Falcon-ASR,這款 1.6 billion 參數的阿拉伯語語音識別模型特別聚焦阿聯酋方言,亦支援英語、法語、西班牙語及葡萄牙語。在六組阿拉伯語測試集上,Falcon-ASR 平均 WER 為 20.92%,較所用排行榜快照中的最佳已公佈結果低 2.25 個百分點;內部阿聯酋方言測試的 WER 和 CER 分別為 22.73% 和 10.19%。

  2. Semafor45

    Emirati dialect-trained AI models are released by Abu Dhabi's Technology Innovation Institute

    阿布扎比技術創新研究院推出以阿聯酋阿拉伯語方言訓練的 AI 模型,改善翻譯、轉錄及語音服務。其語音識別模型有 1.6 billion parameters,據該研究院稱,準確度高於一個 30-billion-parameter model。研究院希望透過本地方言、慣用語和文化參照訓練模型,減少翻譯錯誤,令 AI 更切合區內需要。

  3. Cartesia 產品與研究57

    Cartesia 發佈 Sonic 低延遲語音模型

    Cartesia 發佈語音模型 Sonic,可生成逼真語音,模型延遲為 135ms。Sonic 隨附網頁 Playground 和低延遲 API,支援即時聲音克隆及聲音設計(速度、情緒),相關功能亦可透過 API 使用。

  4. Cartesia 產品與研究48

    Introducing our next 8 languages on Sonic Multilingual

    Cartesia 宣佈 Sonic Multilingual Alpha 版新增印地語、意大利語、韓語、荷蘭語、波蘭語、俄語、瑞典語及土耳其語,支援語言增至 15 種。多語言版本具備 Sonic English 的低延遲、高評級對話品質及聲音設計功能,並以 SSM 架構支援即時語音生成。

  5. Cartesia 產品與研究56

    Cartesia 推出 Voice Changer 語音轉換模型

    Cartesia 推出 Voice Changer,可轉換音訊片段中的聲音,同時保留原有的表達方式和情緒。用戶可從錄音室級聲音庫選擇聲線或複製自己的聲音,並控制發聲、情緒和韻律等細節。產品可透過 playground 使用,Cartesia 亦提供實作指南和 API 文件。

  6. Cartesia 產品與研究30

    Cartesia 黑客松季來臨

    Cartesia 在 2024 年 10 月舉辦多場黑客松,吸引逾 2,000 名開發者參與,並展示以 Sonic 打造的語音 AI 專案。活動在 8 日內完成 50 多個項目,涵蓋教育、遊戲和機械人等領域。Cartesia 與 Daily 合辦的兩日開源黑客松設有 $20,000 獎金。

  7. Cartesia 產品與研究58

    Cartesia 宣佈完成 $27M 種子輪融資

    Cartesia 宣佈完成 $27M 種子輪融資,由 Index Ventures 領投,並獲 Lightspeed 等機構及 90 位天使投資人參與。公司介紹一種用於多流模型的新 SSM 架構,可讓不同模態的數據流並行推理與生成,並以端到端語音生成模型示範如何細緻控制文本以避免幻覺。

  8. Cartesia 產品與研究30

    Cartesia《2024 年語音 AI 現況報告》

    Cartesia 的《2024 年語音 AI 現況報告》總結語音互動架構、企業級 API 和語音智能體平台的年度進展,並展望 2025 年。報告記錄 STT→LLM→TTS 編排式系統及端到端語音模型的興起,並指出 Cartesia Sonic TTS 採用的 SSM 架構讓記憶體效率更高的裝置端部署成為可能。Deepgram Nova-2 的字錯率(WER)降低 30%。

  9. Cartesia 產品與研究49

    How to build a voice AI agent with Cartesia

    教程示範如何使用 Cartesia API 和 Sonic 模型,以 Python 建立語音 AI 智能體。系統將語音轉為文字,由 LLM 生成回覆,再透過 Cartesia 轉換成語音;使用 API 需要 Cartesia 帳戶和 API key,FFmpeg 則有助處理音訊,但並非必要。

  10. Cartesia 產品與研究58

    Cartesia 宣佈 $64 million A 輪融資並推出 Sonic 2.0

    Cartesia 宣佈由 Kleiner Perkins 領投的 $64 million A 輪融資,並推出語音生成模型 Sonic 2.0。Sonic 2.0 採用新的狀態空間模型架構,規模是 Sonic 的兩倍,全模型延遲為 90ms、turbo 為 40ms;在以 100 個留出語音進行的盲測對比中,選擇 Sonic 2.0 的人數是選擇次佳供應商的 1.5 倍。

  11. Cartesia 產品與研究41

    Cartesia Python SDK v2.0.0 發佈

    Cartesia 發佈 Python SDK v2.0.0,改善開發者使用 Cartesia AI 語音功能的體驗。SDK 提供非同步用戶端,支援串流回應、WebSocket 整合及指數退避自動重試;預設逾時時間為 60 秒,並可在用戶端或請求層級設定。

  12. Cartesia 產品與研究46

    Cartesia 推出 Organizations 和 Dashboards 功能

    Cartesia 推出 Organizations 和 Dashboards,讓團隊共用資源,並讓用戶即時查看使用量與效能。Organizations 讓團隊在同一帳戶共用 API keys、自訂、本地化及複製聲線,並集中處理帳單及共用點數,現供 Startup+ 方案使用。

  13. Cartesia 產品與研究64

    Cartesia 推出 Line 語音智能體開發平台

    Cartesia 推出 Line,供開發者以程式碼建立、部署及迭代語音智能體。平台提供 SDK、CLI 和 GitHub 整合,支援以一個命令部署,並記錄通話音訊、文字記錄及延遲等系統指標,供測試與除錯。Line 即日起向所有開發者開放,整合 Sonic、Ink;各訂閲級別可獲等同月費金額的 agents 預付額,企業亦可選擇本機部署及模型微調。

  14. Cartesia 產品與研究25

    Cartesia 文字轉語音平台達成 GDPR 合規

    Cartesia 宣佈其文字轉語音平台現已符合 GDPR 規定,這項成果反映數月嚴格工作,並落實其個人資料保障及私隱承諾。合規代表平台符合歐盟對合法處理資料、保障資料當事人權利及採取安全措施的嚴格標準。其安全基礎亦包括 SOC 2 Type II、PCI-DSS(服務級別供應商)、HIPAA,以及可選的 Zero Data Retention。