跳到正文
8月26日週三
8月25日週二
  1. Mistral AI55

    Mistral AI 與 HUMAIN 宣佈戰略合作,推進沙特阿拉伯及中東主權 AI

    Mistral AI 與 HUMAIN 宣佈戰略合作,將在沙特阿拉伯及區域內推進 AI 基礎設施、先進模型開發和 AI 解決方案部署。雙方將開發並本地化先進 AI 模型,初期聚焦網絡安全和語音,並計劃開發阿拉伯語表現出色的前沿模型;合作規模達數億歐元。Mistral AI 將探討使用 HUMAIN 的數據中心基礎設施,雙方亦計劃在沙特制定面向受監管行業的共同市場策略。

8月21日週五
  1. Hugging Face Blog54

    研究測量語音辨識模型的基準優化現象

    Hugging Face 的研究提出三項測試衡量語音辨識中的基準優化,並評估 11 個常用開源 ASR 模型,發現多個模型會重現與音訊不符的基準文本。研究在所分析的 VoxPopuli 測試片段中標記出 40% 的潛在參考文本錯誤,涉及約 3% 的參考詞;呈現基準優化行為的模型在相關測試中有 18–30% 的情況會重現錯誤參考文本。

8月16日週日
  1. PCM 電腦廣場 · AI41

    【場料】PRO 之上還有 MAX Soundcore Liberty 5 Pro MAX

    Soundcore 推出 Liberty 5 Pro MAX,主打 AI 錄音與會議摘要,充電盒配備 1.78 吋 AMOLED 彩色觸控螢幕,可切換 ANC 模式和調整 EQ。充電盒可獨立錄音,並同步至手機 App 將語音轉為文字及整理重點。耳機售價 $1,780,支援 Hi-Res Audio Wireless、LDAC、Dolby Atmos 及 Adaptive ANC 4.0。

8月13日週四
8月11日週二
  1. Sarvam AI55

    Indic DiarBench:面向印度語言的聯合説話人分段與語音識別基準數據集

    Sarvam 與 AI4Bharat 建立 Indic DiarBench,這是一個涵蓋印度憲法列定全部 22 種語言、聯合評估語音識別與説話人分段的開放基準數據集。數據集包含 108 小時自然即興語音,每段錄音有 2–9 名説話者,並涵蓋重疊發言、近場及遠場會議,以及 YouTube 真實對話。轉錄文本和帶説話人歸屬的時間戳均經人工核驗。

8月7日週五
8月3日週一
7月30日週四
7月29日週三
7月25日週六
7月24日週五
7月16日週四
7月15日週三
  1. Hugging Face Blog55

    Real World VoiceEQ 推出語音 AI 真人互動品質評測基準

    Real World VoiceEQ 是一套衡量語音 AI 真人互動品質的新基準,評估 40+ 款專有及開源語音模型,涵蓋 15+ 個評測維度和 60+ 項指標。基準以超過 1 million 次人工評分建立,評測範圍包括 ASR、TTS、S2S 和 Speech Understanding。結果顯示,各模型能力各有側重,而傳統基準可能高估模型在真實對話中的表現。

7月14日週二
7月9日週四
  1. gihyo.jp82

    OpenAI 發佈 GPT-Live 新一代語音模型,支援更自然的即時對話

    OpenAI 發佈新一代語音模型 GPT-Live,採用全雙工架構,讓 ChatGPT Voice 可同時聆聽和發話,令即時對話更自然。遇到複雜處理、高階推理或網頁搜尋需求時,GPT-Live 會在背景委派予最新頂尖模型,並逐步將結果帶入對話;本次推出 GPT-Live-1 和 GPT-Live-1 mini。

    推薦理由:文章比較級聯語音系統與 ChatGPT Advanced Voice Mode 的限制,並交代全雙工架構如何帶來即時回應及背景任務處理。

7月8日週三
6月24日週三
6月19日週五
  1. gihyo.jp34

    Project “Myna”: Speech To Text for Ubuntu、Ubuntu 26.10(Stonking)の開発; dbus-brokerへのマイグレーション

    Ubuntu 啟動 Project “Myna” 語音轉文字項目,計劃在 Ubuntu 26.10 提供桌面語音文字輸入;目前尚未公開實作,正徵求設計意見。項目預計支援離線運作,並透過 Canonical Inference Snap 進行本機推理,初期依賴 IBus。Ubuntu 亦正測試遷移至 dbus-broker,測試涵蓋 Ubuntu 26.10 和 26.04。

6月17日週三
6月16日週二
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI49

    OpenMOSS/MOSS-Audio-Tokenizer

    MOSS-Audio-Tokenizer 是基於 Cat 架構的統一離散音訊 tokenizer,具備 1.6 billion 參數,可將 24kHz 原始音訊壓縮至 12.5Hz 幀率,並支援 0.125kbps 至 4kbps 的重建。模型以 3 million hours 多元音訊資料訓練,兼顧高保真重建與語義對齊,適用於語音理解及生成等下游任務。ીએમ

6月12日週五
  1. gihyo.jp32

    Ubuntu 26.10(Stonking)開發路線圖與語音輸入

    Ubuntu 26.10(Stonking)公佈開發路線圖,列出以 28.04 LTS 為目標的四項願景:以 GNOME 為基礎的平台、預設簡潔而設計靈活、情境感知桌面,以及可信賴的整合平台。情境感知桌面將結合應用程式、服務及桌面環境的資訊,協助用戶達成目標。Ubuntu 26.10 將加入語音文字輸入功能,語音操作則以離線運作為方向。

  2. Fano Labs · 語音 AI 及企業應用21

    Fano 從香港到澳門展示智能體語音 AI

    Fano 以講者及參展商身份參與 NetCraft Week 2026,分享智能體語音 AI 平台如何協助企業由語音互動邁向可信行動。平台涵蓋多語言語音識別、智能體對話協調、即時智能體輔助、語音分析、合規監察及工作流程自動化。

6月9日週二
6月4日週四
6月2日週二
5月30日週六
5月26日週二
  1. 通義 QwenAudio:原創語音項目63

    CosyVoice 項目提供 Fun-CosyVoice 3.0 多語言語音合成模型

    CosyVoice 項目提供 Fun-CosyVoice 3.0,這是一套基於大語言模型的文字轉語音系統,面向自然場景的零樣本多語言語音合成。系統覆蓋 9 種常見語言及 18+ 種中文方言/口音,並支援多語言及跨語言零樣本聲音複製。它支援雙向串流,延遲最低為 150ms;項目亦提供模型下載、安裝、推理及部署説明。

5月14日週四
5月13日週三
  1. Fano Labs · 語音 AI 及企業應用27

    Fano Connect+ 2026 BFSI Edition 活動回顧

    Fano Connect+ 2026 BFSI Edition 聚集來自 30 多間銀行、保險公司及金融服務機構的 50 多名業界人士,探討企業如何把 AI 從實驗推進至可信賴的實際部署。討論聚焦受規管行業的 Agentic AI、治理、合規、營運韌性、防詐及客戶信任,並涵蓋 Voice AI、語音詐騙與 deepfake 防護,以及合規和風險監察的應用。

5月12日週二
5月7日週四
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI50

    OpenMOSS 發佈 MOSS-TTS-Nano Reader 本地網頁朗讀工具

    OpenMOSS 於 2026.4.14 發佈 MOSS-TTS-Nano Reader,這是一款基於 MOSS-TTS-Nano 的本地網頁朗讀工具。專案提供瀏覽器 ONNX 載入方式,也可啟動本機推理服務;工具支援純 CPU 推理、Chrome 和 Edge 擴充功能及自訂語音,MOSS-TTS-Nano 目前支援 20 種語言。