跳到正文
10月8日週四
  1. Cartesia 產品與研究57

    企業語音 AI 模型選擇指南:Cartesia 説明場景化評估方法

    Cartesia 發佈企業語音 AI 模型選擇指南,建議按真實通話場景而非只依賴實驗室基準評估模型。文中主張重視端到端 TTFS、回合偵測及按輸入類別衡量的 WER,而非只看首 token 延遲和單一平均 WER。其評估框架建議以 50 通真實客戶電話測試供應商,並為各流程環節設定延遲預算。

  2. Cartesia 產品與研究53

    Cartesia 解析如何評估 TTS 模型質素

    Cartesia 指出,TTS 模型的質素不能只看字詞是否正確,還取決於語境準確度、自然度、穩定性,以及模型是否符合實際使用情境。文章比較 WER、DNSMOS、NISQA、UTMOS 等自動評分與人類聆聽測試的限制;一個日語音調例子中,人工評分下降 1.84 MOS 分,而各自動模型的變化均少於 0.1。

  3. Cartesia 產品與研究52

    Ink-2 新增關鍵詞提示與可配置輪次偵測功能

    Cartesia 為 Ink-2 推出關鍵詞提示和可配置輪次偵測,兩項功能現已向所有 Ink-2 用戶開放。關鍵詞提示可透過 `keyterm` 查詢參數輸入最多 100 個關鍵詞(合計 1,200 個字符),而 Cartesia 在 Earnings22 評估中的關鍵詞召回率為 93.8%。輪次偵測可在建立連線時或通話期間調整,以選擇較低延遲或較高端點判定準確度。

  4. Cartesia 產品與研究49

    TTS Model vs. Voice: They're Not the Same

    TTS 模型負責生成語音,聲音則是塑造輸出的輸入;區分兩者有助判斷語音智能體的問題出在模型還是聲音。固定説話者模型只接受文字稿,多説話者模型可選擇預設聲音,零樣本聲音克隆則以文字稿和參考音訊生成指定説話者的語音。Cartesia Instant Voice Cloning 以 10 to 60 seconds 的音訊作提示,專業聲音克隆則用較大的錄音數據集微調模型。

  5. Sierra:Blog49

    Sierra:智能體時代的來電顯示

    Sierra 推出 fleming-1,分析通話語音並標示可能由 AI 智能體發起的來電。Sierra 亦與業界夥伴共同開發開放標準 Personal Agent Protocol,讓個人智能體以直接、獲授權的方式與企業互動,並表明代表誰行事。fleming-1 即時評分語音中的 AI 生成跡象,預設採保守設定,並適用於任何以 Sierra 建構的語音智能體,啟用即可使用。

  6. 字節 Seed:Research Feed74

    SeedRealtime 發佈音訊與影片全雙工大模型,邁向全模態自然互動

    字節 Seed 正式推出 SeedRealtime 音訊與影片全雙工大模型,透過統一架構原生融合音訊、影片與文字,支援連續多模態資訊流上的即時互動。端到端人工評測結果顯示,相比級聯模型,SeedRealtime 的音訊與影片對話節奏問題減少一半,單次對話順暢、完整交流的機率亦明顯提升。

10月7日週三
  1. HuggingFace Daily Papers(社區熱門論文)36

    HiPLEX: Hierarchical Policy Factorization for Full Duplex Speech Language Models

    HiPLEX 提出一種強化學習框架,將預訓練的全雙工文字策略分解為控制策略與條件式內容策略,分別決定何時輸出內容及輸出甚麼。Full-Duplex-Bench v1 上的 Moshi 三個隨機種子測試顯示,HiPLEX 相較 GRPO 降低自然停頓及回應機會中的搶話率,並縮短受打斷後的回應延遲,同時維持相若的評審中斷回應品質。

  2. HuggingFace Daily Papers(社區熱門論文)41

    Hiding Tool Latency in On-Device Cascaded Voice Agent through Speculative Execution

    一種面向裝置端級聯語音智能體的推測式工具執行方法,會根據部分 ASR 假設預測工具呼叫,並在用戶仍在説話時啟動執行,以降低端到端回應延遲。在完整實作的 Android 語音助理實測中,首次音訊輸出的中位時間由 5.79 秒降至 4.60 秒,標準差由 3.49 秒降至 2.81 秒。

  3. HuggingFace Daily Papers(社區熱門論文)40

    PawCT:邁向具備演唱聲部指派的合唱轉錄

    PawCT 是端到端神經網絡框架,可從合唱音訊中識別活躍的 SATB 聲部,並將各聲部轉錄為獨立音符軌道。在 YouChorale 上,PawCT-RP-OC 的聲部感知音符 F1 分數為 0.225,較合唱基線的 0.165 高 36.4%。不區分聲部的 PagCT 取得 0.382 的 50 毫秒起音 F1,高於先前模型的 0.237。

  4. Sierra:Blog49

    Sierra Summit 2026: Bring us your hardest problems

    Sierra 在 Sierra Summit 2026 分享協助企業應對 AI 挑戰的方案,並宣佈推出 Curie 和 Fleming 兩款新模型。Curie 負責對話協調,Fleming 可識別來電者是否為另一個 Agent。Persona Studio 可讓用戶上載語音樣本並調整 Agent 個性;一間大型訂閲業務部署 Voice Personas 後,問題解決率提升逾 50%。

10月6日週二
  1. IT之家66

    意大利總理梅洛尼申請將自己的聲音註冊為商標,以防範 AI 深度偽造

    意大利總理焦爾吉婭·梅洛尼向歐盟知識產權局提交申請,擬將自己的聲音註冊為商標,以防範 AI 生成的深度偽造內容。申請日期為 10 月 5 日,材料附有一段 4 秒錄音,梅洛尼以意大利語重複説出自己的姓名兩次。申請仍在審核;報道指出,即使獲批,商標也不能完全阻止他人製作其 AI 深度偽造音訊,但可增加造假者面對的法律障礙。

  2. ElevenLabs:Blog16

    ElevenLabs Blog 第 2 頁文章列表

    ElevenLabs Blog 第 2 頁收錄 9 月 23 日至 10 月 5 日刊出的文章,涵蓋 Eleven v4、語音智能體、轉錄及 API 等主題。內容亦包括 Eleven v4 Turbo 現已可在 ElevenAgents 使用,以及 ElevenLabs 在荷蘭和比利時推出服務的消息。

  3. ElevenLabs:Blog52

    ElevenLabs 與烏克蘭合作建設全球首個智能體政府

    ElevenLabs 與烏克蘭政府簽署諒解備忘錄,合作推動 AI 公共服務由概念走向部署。教育部團隊正開發 Mriia 個人化 AI 導師應用程式,經濟部則把智能體整合至 Obriy,醫療領域運用語音技術減少行政工作。烏克蘭數碼轉型部計劃於 2030 年前成為 AI 公共服務應用的領先者,並以 Diia.AI 踏出第一步;該平台是全球首個公共服務智能體應用程式及平台。

  4. ElevenLabs:Blog63

    Eleven v3 結束 Alpha 階段,現已在所有平台正式提供

    ElevenLabs 的 Eleven v3 文字轉語音模型已結束 Alpha 階段,現已在所有平台正式提供。內部基準涵蓋 8 種語言、27 個類別,模型錯誤率由 15.3% 降至 4.9%,減少 68%。測試中,用戶有 72% 的情況偏好新版本;模型處理數字、符號及專門記法的準確度亦有所提升。

  5. ElevenLabs:Blog47

    Klarna 透過 ElevenAgents 將問題解決時間縮短 10X

    Klarna 在美國推出以 ElevenAgents 建構的語音 AI 智能體,作為電話支援第一線;查詢由智能體處理時,解決速度快至 10x。服務供美國 35 million 名 Klarna 客戶使用,智能體可處理資訊查詢,並在有需要時轉交人工客服。Klarna 計劃將服務擴展至全球,目標涵蓋 114 million 名客戶。

  6. ElevenLabs:Blog37

    ElevenLabs 擴展西班牙業務

    ElevenLabs 今日在馬德里開設辦事處,並擴大西班牙業務,擴充本地銷售及工程團隊。eDreams ODIGEO(eDO)使用 Eleven Agents,以五種語言處理數以百萬計的客戶支援互動,並在問題解決速度及轉接率方面取得雙位數改善。

  7. ElevenLabs:Blog58

    ElevenLabs 推出教授語音 AI 支援計劃及 Einstein 互動學習體驗

    ElevenLabs 推出教授語音 AI 使用計劃,並推出以 Einstein 的聲音和作品為基礎的互動學習體驗。教授可免費使用 Pro tier,並可為特定課程和項目向學生提供限時使用權限。重現後的 Einstein 聲音可在 ElevenReader 聆聽;基於 ElevenLabs Agents 的互動體驗則支援用戶即時提問和探索科學概念。

  8. ElevenLabs:Blog50

    ElevenLabs Voice Library 創作者累計收入逾 $22 million

    ElevenLabs 表示,Voice Library 創作者累計收入六個月內由 $11 million 增至逾 $22 million。平台現有 10,400+ 名創作者,Voice Library 收錄 32 種語言的聲音,涵蓋數十種口音和風格。創作者可設定授權用途、價格級別及最長兩年的通知期,收益按使用量和所訂條款計算,亦可更新條款、限制用途或移除聲音。