SpaceX 发布 Grok Voice 语音模型,日处理 2 万通 Starlink 客服
SpaceX 宣布推出 Grok Voice 模型,Starlink 呼叫中心每天使用它处理 20000 通客服电话,约 70% 的通话无需人工即可解决。该语音智能体能够进行多语言的客户身份验证、硬件故障排查、发放信用额度和安排替换设备。
SpaceX 宣布推出 Grok Voice 模型,Starlink 呼叫中心每天使用它处理 20000 通客服电话,约 70% 的通话无需人工即可解决。该语音智能体能够进行多语言的客户身份验证、硬件故障排查、发放信用额度和安排替换设备。
Sys2txt 是一款命令行工具,通过 PulseAudio/PipeWire 录制系统音频,并利用本地 Whisper 模型将其转录为文本。 该工具支持按需或近实时分段转录,可自动选择 faster-whisper、openai-whisper 或 whisper.cpp 引擎,优先使用对 CPU 和 NVIDIA GPU 兼容性更好的 faster-whisper。
网易有道旗下 AI 语音 Agent「网易叭哥说」上线“用户荣誉联创计划”,投入 10 万元征集产品建议,设 11 个名额,单人最高独得 5 万元。 该计划不设学历专业门槛,用户可围绕产品功能、使用场景及体验问题提交建议。
独立开发者开源端侧实时同传系统 VoxWeft,基于 VoxCPM2 在 Apple Silicon 实现本地闭环。M3 Ultra 流式 TTS 首次出声延迟 124–168 毫秒,M2 端到端延迟约 2.5 秒。
研究提出多属性多教师蒸馏框架,利用共享自监督骨干和属性特定分支,从四个冻结教师模型学习语义、说话人、语言和情绪表征。实验显示其在多语言语义检索、说话人验证、语言识别和语音情绪识别上接近单任务学生模型,仅需单一共享编码器。
针对 ASR 评估中相同词汇错误后果差异的问题,提出情境失真指标 SITAR。 SITAR 是轻量级 BERT 家族回归器,通过单一前向传播对参考假设对进行评分。 该指标旨在作为现有 ASR 评估指标的实用补充,完整配方将在内部审查后发布。
该研究提出整合系统,通过孟加拉语语音文本分析检测痴呆症状,并实现对话中的句子自动补全。 使用 Transformer 模型将语音转录为文本,LSTM 架构在分类任务中表现良好。 采用 Bi-LSTM 网络结合注意力机制,对孟加拉语未完整句子进行序列补全,填补小语种研究空白。
PEDBench 是首个覆盖从自然到受控语音连续性的语音错误检测(PED)基准。 该基准包含 334 条儿童真实录音、1,188 条人工脚本错误发音及 1,083 条合成错误发音,数据经两名受过语音学训练的标注员双重校验。 对 13 个最先进语音模型的评估显示,即便在受控条件下,模型仍无法可靠检测语音错误,且精确度较低,常将正确发音误判为错误。
提出粗到细两阶段视听语音增强(AVSE)框架 CF-AVSS,在 ISCSLP 2026 Real-World AVSE Challenge 中 Track 1 并列第一、Track 2 第二,两轨 OVRL 均居前。
ELLSA 2 是一款端到端全双工对话模型,联合优化语音交互与流式手势表情生成,在对话感知手势指标上优于级联基线。 模型采用自回归分块合成器结合预训练声学特征,并通过上下文语义调用与模板指导将对话理解转化为语义手势。 该研究将对话建模从单纯的口语回复推进至协调的多模态交互。
CoSTA 提出了一种保持兼容性的事后框架,将生成与合成的语音令牌空间解耦,在保留原始语音令牌器和解码器的同时,实现了约 1.7 倍的扩展语音令牌生成速度提升,并降低了全响应延迟。 该框架通过均值初始化的词汇扩展、发音适配和对话适配,将压缩表示确定性扩展回原始语音令牌空间进行合成。实验表明其在双语文言对话基准测试中保持了响应质量,并展示了跨架构迁移能力以及与低速率分词化的互补性。
该研究识别出全双工语音模型中控制发言比率的“倡议向量”,实现无需训练的轮次切换风格迁移。通过缩放该向量,模型发言比率可从6-12%或21-30%调整至42-61%,并提前800毫秒预测说话起始。 短参考录音即可迁移特定说话人的风格,风格迁移具有参考特异性,且该机制已被提交至ICASSP 2027。
MixtureTT 提出首个从复调混合音直接进行独立声部音色迁移的系统,无需先分离声部。 该系统采用联合声部扩散 Transformer(Joint Stem Diffusion Transformer),在单次联合扩散过程中生成所有声部,避免了级联分离误差。 在合成与真实音频的 SATB 基准测试中,其表现优于传统的先分离后迁移流程。
ACR-Net 利用 Cross-Modal Attention 和 Contrastive Decoupling Loss 将矛盾表示解耦至正交隐空间,缓解了 SER 模型中的语义主导(Semantic Dominance)偏差。 实验在 ASPIRE 基准测试中显示,ACR-Net 在极性冲突下保持高潜变量解耦度(LDD),使语义过度自信惩罚(SOP)接近零,提升了声学准确率(ACC)。
1.2B 参数韩语模型经词表裁剪与量化后体积仅 803MiB,性能达云端 SOTA 模型的 94%,能耗为 CPU 的 23%。 方案兼容 Qualcomm 与 Apple NPU,已实现生产级部署,兼顾隐私与低算力约束。
小米于 10 月 15 日开源 MiDashengLM-Spatial 大模型,提供完整权重与推理代码,采用 Apache 2.0 许可证。该模型基于 MiDashengLM-7B 构建,首次实现了开源端到端的空间音频理解,不仅识别声音内容,还能判断声音来源及空间分布。小米计划将其应用于智能家居和汽车座舱等场景。
新音色、更地道的口音、更少的“加载中”等待。OpenAI 为 ChatGPT、Codex 和 Dots 的语音功能更新了 GPT-Live-1.1,新增法语、德语、印地语、墨西哥西班牙语、韩语和日语音色,今日向所有用户推出,API 即将上线。 反应:Bonjour。
亚马逊旗下 Bee 推出两款 AI 录音产品:可穿戴设备 Bee Frontier 与手机磁吸配件 Bee Eclipse,旨在记录对话并生成摘要、待办和洞察。
Bold Agent Kit 分析约 1.4 万通电话发现,人类接线员在入线转化表现上比 AI 高约 4 倍。尽管 AI 处理的通话中无进展挂断率高出 700%,且人类接线员漏接率比 AI 高约 15%,但数据显示高接通率并不等同于更高的业务价值。 针对服务行业,企业应关注成功结果的成本效益,而非单纯比较劳动力支出。
HireReady 推出结合 FSRS-5 间隔重复算法与 AI 语音模拟的技术面试准备工具。平台包含 1,300+ 练习题,通过 OpenAI Realtime API 提供 24/7 可用 AI 语音面试。基础功能支持免费层每日 20 题,$39 可获 90 天无限练习权限。
新音色。更好的口音。更少的“正在加载...”。 GPT-Live-1.1 为 ChatGPT、Codex 和 dots 中的 Voice 带来了这些更新,新增法语、德语、印地语、墨西哥西班牙语、韩语和日语音色。 今天起向所有用户推出。API 即将上线。
Amazon 发布两款新款 Bee 智能穿戴设备,分别是售价 74.99 美元的 Bee Frontier 和售价 99.99 美元的 Bee Eclipse。
L-Acoustics 推出新软件,利用 AI 技术实现演唱会现场歌手声音隔离,Céline Dion 和 Harry Styles 已投入使用。 AI 音频处理正从录音室制作扩展到现场音响系统,帮助歌手声音穿透现场噪音。
Yum! Brands 首席法务官表示,Taco Bell 的 AI 得来速点餐通过接管工作中压力最大的环节,提升了餐厅员工的留任率。 7 月,Taco Bell 已将 Omilia 语音 AI 扩展至近 900 个美国得来速窗口。 在公众对 AI 建设反对声浪渐长的背景下,该公司正在强调 AI 在现场的实际益处。
Haivivi 发布新一代“光之召唤”奥特曼 AI 互动对话器,通过集成 6 种功能实现“一机顶六机”,支持故事共创与远程对讲。新品搭载硅基流动推理服务,其速度优于官方模型接口;该设备累计激活超 30 万台,日活达 5 万,长尾内容资产超 500 篇。
该研究将能量模型(EBM)引入非自回归语音合成,利用噪声对比估计(NCE)结合正负样本比较进行训练。 提出利用高性能自回归模型生成负样本的策略,并通过 Langevin MCMC 采样建立 EBM 与扩散模型的关联。 在 LJSpeech 数据集上验证,该方法性能优于 Tacotron 2,相关成果已被 ICASSP 2024 接收。
研究发现 Qwen2.5-Omni 和 MiniCPM-o 等模型中,中间层语音与文本表征几何对齐,但深层答案边际仍有差异,表明几何对齐不隐含功能等价。 具体而言,Qwen2-Audio 表现出较弱的对齐特征,提示不同的故障模式;注意力干预实验证实晚期注意力分配对答案码分离有因果影响,且压缩语音信号可修复部分仅出现在语音中的错误。
研究提出包含240条合成对话的MultiPartyTurnBench基准,涵盖2至5名说话人。 该基准评估话语结束与打断检测任务,发现学习系统在打断识别上表现不佳,准确性仅46.9%-54.7%。 这表明选择性发言权控制仍是多方语音交互中未解决的独特挑战。
研究团队推出 SEA-HELM Audio 框架,通过合成语音评估级联 ASR-LLM 流水线在多语言下的性能衰退。 覆盖中、英、马来、印尼、泰米尔五种语言,针对选择题推理和指令跟随任务,量化了文本与语音输入的准确率差距。
团队发布 Anuvani-LID,一款基于 115M 参数 Conformer 的专用语言识别模型,在 37 种条件下平均 macro-F1 达 0.914。 该模型在 54,643 小时印度语音数据上训练,支持 22 种印度语言及带印度口音英语,比 Gemini 3.5 Flash 高 5.2 个百分点,且具备校准性。
提出 AFFIRM 修复器在单遍推理中通过冻结检查点修复语音访问。在平衡的合成 PopQA 上,AFFIRM 未表现出显著优势。 在 SLUE-SQA-5 数据集上,无需重新适配的 AFFIRM 算子使 ROUGE-L 提升了 0.0941。低秩 ReFT 同样有效,但 SALSA 变体性能下降。 验证了文本获取与语音访问在模型更新后可能分化,需单独修复。
研究团队发布 ELARSpeech,该数据集包含 675 种未代表语言的 30,202 小时语音,源自濒危语言档案库。 数据结合人工标注与无标签录音,实验显示其可支持将 ASR 和 TTS 能力扩展至这些语言,且对无标签数据进行伪标签能带来额外收益。 论文公开了数据集、所有训练好的 ASR 和 TTS 模型及完整的数据构建流程,旨在为长尾多语言语音技术提供资源和测试平台。
研究提出 CAFE 方法,通过限制 CKA 梯度在英语绕过的适配器中解决多语言 ASR 的蒸馏矛盾,在 Open ASR Leaderboard 上平均 WER 从 8.55% 降至 8.02%。 该方法基于发现 CKA 梯度与英语子空间重叠率达 97.5%-99.5% 的分析,在 254M 参数规模下落后 0.6B 教师模型 2 个 WER 点,但在 24 种语言的 48 个测试集上具有竞争力。
自托管的 9B 参数模型经微调,可将 4 个未见过的催收及非债务监管流程的合规检查通过率从 67% 提升至 93%。 该方法通过 FlowSpec 生成指令并限定仅使用许可句库,显著降低违规风险。 对共享规范的审计发现 11 处缺陷,其中 3 处未被原有指标覆盖。
L-Acoustics 推出 Source Intelligence 软件,利用机器学习实时分离人声,可削减 40 分贝非人声信号。该平台已应用于席琳·迪翁演唱会,L1 音箱使舞台声压级比观众席低最多 26 分贝。公司预计明年营收达 4 亿欧元。
xAI 发布 Grok Voice 3.0,官方称其为全球智能水平最高的语音转语音模型,拥有低于 1 秒的延迟。该模型在 Artificial Analysis 独立测试的语音转语音综合榜单中排名第一,得分 86.9;全双工基准测试得分 97%;在 ServiceNow EVA 基准测试中取得 74% 的最高精度得分。
推荐理由:该稿件汇总了 Grok Voice 3.0 在第三方基准测试中的排名与延迟优势,为评估语音智能体落地价值提供了量化参照。
YouTube 宣布为「主要由生成式 AI 工具创作」的曲目添加「AI 制作」标签,该标签已先在 YouTube Music 上线。
YouTube Music 推出新标签系统,允许用户通过“Fully Gen AI”、“Partly Gen AI”或“No Gen AI”三种标识区分歌曲中 AI 的作用,并在播放页及主应用展示详情。 该标签旨在提高透明度而非限制变现,与 Spotify 和 TIDAL 的过滤策略不同,YouTube 强调披露而非全面禁止。
Grok Voice 3.0 已上线,并开始处理 Starlink 的支持电话。系统响应时间低于 1 秒,成本为每分钟 8 美分。 该服务响应速度比部分呼叫中心更快且成本更低,目前仍有 30% 的问题无法直接解决。
CNET 更正早期报道,澄清仅配备 S10 芯片的 HomePod mini 2 将支持 Siri AI,初代 HomePod mini 不支持。 HomePod mini 2 将于 10 月 30 日发售,需配对支持 Apple Intelligence 的 iPhone 或 iPad 进行设置。