跳到正文
  1. IT之家76

    火山引擎上线豆包 SeedRealtime 1.0 API,实现全模态实时交互

    火山引擎正式全量上线豆包实时音视频通话模型 SeedRealtime 1.0 API 服务。该模型将声音、画面、时序与表达统一到端到端架构中,替代了传统的 ASR、VLM、TTS 级联系统,降低了交互延迟与信息损耗。

    推荐理由:火山引擎上线豆包 SeedRealtime 1.0 API,该模型将音视频流统一至端到端体系,实现了主动交互与实时判断。

  2. Hacker News AI79

    Higurashi 开源全双工语音基础模型 Haru-4B

    Higurashi 发布并开源全双工语音基础模型 Haru-4B,支持同步听与说,在 MacBook 上端到端延迟约 65 毫秒。模型基于 4000 万小时真实语音预训练,避免使用合成对话,权重与代码分别在 Hugging Face 和 GitHub 开放。

    推荐理由:模型在 Apple Silicon 上实现 65 毫秒端到端延迟,且完全基于真实对话数据训练。

  1. Hugging Face Blog82

    Reson8 开源 Rumble-2-Flash:支持 40+ 语言的 0.5B 语音识别模型

    Reson8 在 Hugging Face 开源 Rumble-2-Flash,这是一个支持 40 多种语言的 0.5B 参数语音识别模型,采用 Apache 2.0 许可。

    推荐理由:0.5B 小参数模型在真实电话场景下可比肩 30B 模型,提供了低成本多语言语音识别的新选择。

  2. IT之家81

    微软发布语音对语音模型 MAI Realtime 1:起价每分钟 0.01 美元,性能超 GPT Realtime 2.1

    微软在 Ignite 2026 大会上发布其首款语音对语音模型 MAI Realtime 1,基础语音使用费为每音频分钟 0.01 美元,涉及推理时按每百万输入 token 1 美元、每百万输出 token 5 美元计费。

    推荐理由:原文给出了MAI Realtime 1 的定价结构、与 GPT Realtime 2.1 的基准对比以及 API 兼容范围,读者可据此判断其实际成本与迁移门槛。

  1. IT之家91

    DeepSeek 开放全家桶应用 API,支持 1:1 复刻 App 并开源 Demo

    DeepSeek 宣布开放全家桶应用 API,开发者在原有 API 中开启参数即可使用深度思考搜索、文件输入及联网抓取功能,实现与完整 DeepSeek App 一致的能力。官方同时提供了独立的搜索、OCR、ASR 及 TTS 接口,并开源了支持导入历史对话的轻量前端 Demo。使用相关扩展功能需额外支付调用费用,其中文字与图片搜索、网页抓取均定价为 5 元/千次。

    推荐理由:DeepSeek 开放了包含深度思考搜索、多模态输入及底层语音接口的全家桶 API,并提供前端 Demo 与详细计费标准。

  2. IT之家78

    腾讯混元发布实时语音模型 Hy Realtime:新增唱歌与工具调用,已上线元宝及腾讯客服

    腾讯混元发布全新实时语音模型 Hy Realtime,在语音理解、指令遵循与拟人化表达上升级,并新增 Agentic 工具调用与唱歌能力。该模型支持自然语言点歌与多轮上下文匹配歌曲演唱,已上线元宝语音通话和腾讯客服,近期将上线腾讯云提供 API 服务,当前版本可通过最新版元宝 App 或网页 Demo 体验。

    推荐理由:原文给出了 Hy Realtime 新增唱歌与工具调用的具体能力,并明确其已上线元宝语音通话和腾讯客服,并即将上线腾讯云 API,为读者提供了直接体验与接入入口。

  1. Hacker News AI80

    Vercel数据显示生产环境中AI模型半衰期仅六周

    部署平台Vercel报告显示,生产环境中的AI模型有效半衰期约为六周,十月语言模型请求中超过半数量流向发布不满60天的新模型。决策模型在十月份占网关总请求量的26%,但成本极低;语音模型使用率在七个月内增长了161%。Anthropic在十月获得了比OpenAI更多新增团队作为首选,而OpenAI则占据了网关总支出的约15%。

    推荐理由:报告基于海量生产数据揭示模型快速更迭规律,指出企业AI核心挑战是构建可连续替换模型的基础设施而非单一选型。

  2. AWS Machine Learning Blog76

    AWS 发布 Amazon Bedrock 和 AgentCore 多项更新

    AWS 发布 Amazon Bedrock 和 AgentCore 多项更新,包括 Claude Haiku 5.5 在 Amazon Bedrock 支持 subagent 场景,OpenAI GPT-6.1 Terra 在 Amazon Bedrock 上 GA,并带来 100 万输入 token 和更低价格。

    推荐理由:原文汇总了模型可用性变化与 AgentCore 新增能力,读者可以据此判断现有 AI 工作流需要调整哪些部分。

  1. IT之家77

    OpenAI 宣布 12 月 11 日停用 ChatGPT 旧版语音模式

    OpenAI 宣布将于 2026 年 12 月 11 日停用 ChatGPT 中的 Advanced Voice Mode 和 Standard Voice Mode,全面转向 GPT-Live。

    推荐理由:明确给出了旧版语音模式的淘汰时间表,并列出 GPT-Live 暂不覆盖的例外场景,方便读者评估自身使用需求。

  1. 阿里语音AI60

    音频解码器技术与演进:从重构到生成

    音频解码器通过重构训练建立波形重建能力,生成模型可复用其预测表征完成音频合成。文中介绍了声码器、离散神经音频编解码器和连续音频自编码器的典型结构,并展示了基于 DiT 的级联声学生成、流式解码及针对预测表征的解码器微调方法,说明了如何在时延约束下实现高质量实时交互。

    推荐理由:原文梳理了音频解码器从重构训练到生成复用的完整技术链路,并给出了流式解码与微调适配的具体设计思路。

  2. Hugging Face Blog69

    Gradium 端侧语音模型 Phonon 开源,性能与速度领跑 Hugging Face Open TTS Leaderboard

    Gradium 于两周前推出并开源了小型端侧文本转语音模型 Phonon,该模型无需服务器与网络即可运行。目前 Phonon 提供约 65 MB 和 75 MB 两种尺寸,支持英、法、德、西、葡五种语言,并内置 100 多种预设音色。

    推荐理由:展示了高性能TTS模型在端侧落地时的架构平衡策略,以及通过多语言支持与流式响应技术实现的质量跃升。

  1. IT之家80

    OpenAI ChatGPT 最新数据:周活跃用户达 12 亿,两个月新增 2 亿

    OpenAI 消费者产品负责人 Adam Fry 透露,ChatGPT 每周活跃用户数量已达到 12 亿。过去 60 天内,周活跃用户从 10 亿增长至 12 亿,新增约 2 亿。Fry 表示,ChatGPT 当前处理的搜索类查询量约为 Google 的五分之一,每周生成图片达到 15 亿张,语音输入和语音对话功能的合计周活跃用户达到 2.5 亿。

    推荐理由:原文给出了具体用户量增长数据和与Google的搜索量对比,读者可据此评估ChatGPT的市场渗透与功能结构。

  1. 量子位77

    Orilo 发布纯语音 Personal Agent,主打晨间场景与低延迟交互

    Orilo 发布了一款纯语音 Personal Agent,核心功能为 AI 晨间简报、长尾信息跟踪及跨应用任务闭环。其技术架构拆分为低延迟前端语音模型与后端高推理能力 Agent,解决实时对话卡顿问题,在 Full-Duplex-Bench 中被测用户打断后重新开口速度为 1.08 秒,快于 GPT Realtime 和 Gemini Live。产品目前仅支持英文交互。

    推荐理由:作者基于两周实测,分析了Orilo如何通过语音优先和双层架构解决传统Agent交互延迟高、低频使用的痛点。

  1. Hacker News AI76

    Retake 上线 AI 视频重拍工具,支持编辑转录文本以匹配视频

    Retake 上线了一款 AI 视频重拍工具,支持将 MP4、MOV 或 WebM 格式的视频转录为类似文档的可编辑文本。用户通过删除或改写台词,工具会自动剪辑对应的视频片段,并在重新生成语音时同步调整唇形以匹配口型。

    推荐理由:Retake 将视频转录为可编辑文档,改写台词后自动同步唇形,展示了一种降低重拍视频门槛的新交互方式。

  2. 机器之心75

    模思智能发布全双工实时交互系统 MOSS-Live

    模思智能发布全双工实时交互系统 MOSS-Live,支持在说话的同时持续倾听,并能通过工具调用处理后台任务。

    推荐理由:模思智能发布全双工系统MOSS-Live,其在停顿抢话率和无关语音误接话率等指标上显著领先竞品,为实时语音智能体开发提供了可迁移的架构参考。

  1. IT之家77

    苹果智能入华首批功能上线时间确定,AirPods 支持实时翻译

    苹果公司宣布面向中国 iPhone 18 Pro 等机型用户于 11 月 4 日开放测试,并于 12 月随 iOS 27.3 在国内上线首批 Apple 智能核心功能,包括整合进信息、FaceTime 通话和电话 app 的实时翻译。

    推荐理由:原文给出了首批上线功能清单与设备要求,读者可以据此判断中国用户何时获得对应能力。

  1. Hacker News AI81

    Dodaios 发布:支持语音调度的开源桌面智能体工作区

    Dodaios 是一款开源的桌面智能体操作系统,支持在 Windows、macOS 和 Linux 上本地运行编码代理、浏览器应用,并通过语音或聊天进行控制。其核心 Agentic IDE 允许多个编码工具在独立终端面板中并行工作,用户可通过语音指令分配任务,且所有涉及系统变更的操作均需用户审批。

    推荐理由:提供了一个本地优先的智能体运行环境,允许通过语音调度多个编码代理并行工作,并包含详细的安全审批机制。

  1. Tibo (X)63

    OpenAI 为 Dot 添加即时通讯与语音指令功能

    OpenAI 宣布 Dot 功能新增文本、照片及语音笔记支持,用户可像发送短信一样直接向助手下达任务。该功能通过 iMessage 或 RCS 提供隐私保护,助手会主动发送更新,现已面向美国 Pro 用户开放预览。

    推荐理由:该功能支持通过iMessage或语音备忘指令AI助手,展示了日常交互与执行任务的能力扩展。