古爾曼:Apple 首款智能家庭中樞定名 HomeView,搭載 A18 晶片並提供四種配色
古爾曼透露,Apple 首款智能家庭中樞名為 HomeView,搭載 A18 晶片,並提供四種配色。產品預計於 10 月 13 日的「歡迎回家」活動正式發布,11 月出貨。HomeView 以 AI Siri 為核心,主要透過語音互動,並會運行 Apple 自家 App,但不支援 App Store。
古爾曼透露,Apple 首款智能家庭中樞名為 HomeView,搭載 A18 晶片,並提供四種配色。產品預計於 10 月 13 日的「歡迎回家」活動正式發布,11 月出貨。HomeView 以 AI Siri 為核心,主要透過語音互動,並會運行 Apple 自家 App,但不支援 App Store。
PolyAI CTO Shawn Wen 和 Otter CMO Alex Gay 認為,語音 AI 尚未迎來 ChatGPT 時刻,流暢對話仍有待改善。Wen 指出,下一步是提升推理速度;Gay 則強調轉錄準確度會影響後續操作及用戶對平台的信任。兩人亦提到,語音 AI 應讓用戶知道自己正與 AI 對話或被錄音。
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。
Apple 向歐盟委員會披露,已同意向個人化 Podcast 初創 Huxe 的部分員工提出聘用邀請,並取得 Huxe 知識產權的非獨家授權。Huxe 於 5 月 21 日宣佈停運,並將下架應用程式、停止服務及刪除用戶資料;文件未披露員工是否接受聘用,也未交代 Apple 的計劃。
上汽奧迪 E7X 於 10 月 9 日開啟首次 OTA 推送,版本號為 AUDI OS 2.1.4,涵蓋尋車、車手互聯、語音、駕控及舒適等場景。更新新增 VAD 語音智能斷句、低藍光護眼模式、零重力座椅傾角調節及 12 款奧迪助手形象動畫,並優化駕駛輔助、空簧升降策略等功能。
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。
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。
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。
安卓版 Google Translate 的程式碼出現 Smart assist 功能線索;該功能會在翻譯前整理語音輸入,去除填充詞和反覆修正的表達。現有介面線索顯示,設定可能提供逐字翻譯與 Smart assist 兩種選擇;它似乎只支援對話模式,在 Listening 模式和 Text only 模式中不可用。
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。
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。
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。
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。
開源電子書管理軟件 Calibre 發佈 9.16 版本,新增 Kokoro 文本轉語音(TTS)語音,並改進 PDF 匯入、多欄排版處理及 AVIF 圖像支援。新版提升書庫管理性能,並修復 EPUB 3 轉換、DOCX 輸出及閲讀器深色模式等問題。
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。
Ubuntu 26.10(stonking)已推出 Beta,並隨即進入 Final Freeze。若流程按計劃完成,預計於10月15日(當地時間)正式發佈;7.3 核心可能仍處於 RC 階段便隨版本發佈,之後再替換為正式版。
Speech Event Detector 是一款 5.8-million-parameter convolutional-Transformer 模型,可識別 54 類説話及背景事件,並將帶時間戳的事件合併至 Whisper 轉錄稿。
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。
Cactus Compute 發佈 Whistle,一款 16.9 MB、可在 CPU 上無需依賴其他套件執行的語音辨識模型,支援英語、德語、法語、西班牙語、意大利語、荷蘭語和波蘭語。
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%。
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。
LiveKit 的 async tools 讓語音智能體在工具執行期間先回應用戶並播報進度,避免慢速後端令對話陷入沉默。功能隨 livekit-agents 1.6.0 於 2026-06-11 發佈,文章以退款流程示範 ctx.update()、ctx.with_filler()、CANCELLABLE 和 on_duplicate 的用法。
LiveKit 宣佈在 LiveKit Agents 推出 expressive mode,讓語音智能體按對話情境生成情緒、表達方式、非語音聲音及停頓標記,再由 TTS 呈現。
LiveKit 表示,LiveKit Inference 提供的所有 LLM、STT 和 TTS 模型均預設採用零數據保留(ZDR),不會以用戶數據訓練模型;此設定適用於所有 LiveKit 方案,毋須另行啟用。
LiveKit 説明語音 Agent 在 yes、no、ok、42 等短回答後沒有回應的常見原因及排查方法。文章指出,EOU 需要 final_transcript 和 end_of_speech 同時出現,中間轉錄稿不會結束回合。
LiveKit 的指南比較 LiveKit Agents 與 Pipecat 兩個開源框架,分析它們構建即時語音及影片 AI 智能體時的設計取捨。LiveKit Agents 使用 LiveKit 的 WebRTC 和 SIP 基礎設施,抽象層較高;Pipecat 不預設傳輸方式,讓開發者自行組裝流程。
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。
Cartesia 宣佈端側 AI 更新,發佈開源 Edge 程式庫和 1.3B 參數語言模型 Rene,並令 Sonic On-Device 進入私人測試。Edge 採用 Apache 2.0 授權,提供適用於 Apple 硬件的 Mamba-2 Metal kernels;Rene 採用混合 Mamba-2 SSM 架構,以 1.5T tokens 從零預訓練。
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。
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。
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。
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。
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%。
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。
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。
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。
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。
Cartesia 推出 Ink 系列串流語音轉文字模型,首款 Ink-Whisper 是以 OpenAI 的 Whisper 為基礎、針對即時對話低延遲轉錄改造的模型。
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。
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。