跳到正文
11月17日周二
  1. TechCrunch · AI24

    Audible 推出 AI 音频发现功能,辅助用户选择有声读物

    Audible 周一上线“音频发现”功能,利用 AI 生成主题概述及读者评论摘要,结合编辑或作者评论辅助选书。该功能基于公开评论和元数据生成,旨在帮助忙碌用户快速决策,目前仅限美国部分英语书籍使用。 新功能效仿 Amazon 的商品评论总结逻辑,但可能因仅提取正面信息而限制用户接触负面评价。Recaps 和问答工具也将在 12 月扩展至更多美国书目,仅限已购书或会员使用。

11月16日周一
  1. Hacker News AI28

    AI Video to Text:基于浏览器端 Whisper 模型的免费音视频转文字工具

    AI Video to Text 是一款免费在线工具,利用约 39MB 的 Whisper 模型在浏览器本地将音视频转为带时间戳的文字,支持导出 TXT、SRT 和 VTT 格式。 该工具无需上传文件至服务器,也无账户要求或按分钟收费,支持 MP4、MP3 等格式,并覆盖 20 种语言,英文识别效果最佳。 这种本地化处理方式确保了录音隐私,适用于会议、采访及未发布媒体等对数据安全有较高要求的场景。

  2. R/ArtificialInteligence49

    AI 歌手歌曲首次登顶韩国 Melon 排行榜

    音乐项目 Meomureur 的 AI 生成歌曲《Did You Become the Adult You Dreamed Of?》首次登顶韩国 Melon 平台 Top 100 排行榜。该歌曲于 6 月发布,在发布约五个月后超越 RESCENE 的新单曲《With》获得冠军。这是 AI 辅助歌曲首次在该平台登顶,标志着生成式 AI 在主流流行音乐市场具备竞争力。

  3. Hacker News AI28

    Automatar:内置 NVIDIA GPU 的智能 AI 贝斯吉他

    Automatar 是一款内置 NVIDIA GPU 的智能 AI 贝斯吉他,通过嵌入 AI 模型理解演奏并电磁驱动琴弦振动,实现与人类演奏的和声互动。 该乐器采用 Pale Moon Ebony 琴体与 Mahogany 背板,使用 NVIDIA Jetson Orin NX 本地运行小型 MIDI 模型,音频由 Bela Mini 配合 Supercollider 处理。

  4. arXiv · NLP37

    FEND:外呼语音AI场景下的远端目标检测框架

    FEND框架通过分析音频与流式转录识别外呼远端身份,20秒内输出语音信箱、IVR、AI或真人四类标签。 在公开基准测试中,其语音信箱检测准确率达100%且零真人误判;AI callee识别利用语音时序特征达到0.952 ROC-AUC。 生产环境数据显示真人误判为自动化标签的比例仅为2.9%,显著优于标准AMD仅区分人机二值标签的局限性。

  5. arXiv · ML47

    标题:FETTUCCINE:移动端高效脑电转文本解码框架

    摘要:FETTUCCINE 是一种移动端脑电转文本框架,在商用设备上实现 370 倍实时吞吐量,将词错误率降至 4.39%。 该模型利用自动语音识别技术,支持微调以应对神经非平稳性,并通过梯度显著性图定位关键神经特征。 这是首次在移动设备上实现脑电转文本解码,为便携式神经假体通信提供了新方案。

  6. arXiv · AI23

    A$^3$:面向协同边缘计算的自适应音频智能体框架

    A$^3$ 是一种自适应音频智能体框架,将流水线阶段部署在边缘服务器,并在设备保留完整回退智能体,通过链路感知截止时间决定何时放弃服务器。在 Jetson 设备与 RTX A4500 服务器上,A$^3$ 在链路正常时性能与纯服务器智能体持平,在 AGX 全断网时响应所有请求,且在模拟断网中优于百分位对冲策略。

  7. arXiv · AI38

    跨语言声学生物标志物在认知障碍检测中的应用:交互与单人语音任务的比较研究

    研究在西班牙语、普通话、英语和日语四种语言的数据集中,通过统计、专家引导及机器学习方法筛选出紧凑的声学特征集,用于认知障碍检测。 发现时序特征在所有数据集中表现稳健,而语速特征主要在外置锚定内容的单人任务中有效,音高特征在声调语言与非声调语言中呈现不同模式。 研究强调了避免盲目混合异构语音数据的重要性,并支持采用可解释且情境感知的方法进行多语言痴呆筛查。

11月15日周日
  1. IT之家36

    苹果 HomeView 首批评测出炉:Siri AI 问题频出,隐私担忧浮现

    苹果首款智能家庭中枢 HomeView 于 11 月 13 日上市,首批评测指出其 Siri AI 表现不佳且存在隐私隐患。该设备配备 7 英寸 Liquid Retina 屏与 A18 芯片,支持人脸识别最多 6 名用户,但 Siri 常答非所问或卡住。测试发现家庭成员隐私信息可能在共享屏幕暴露,个性化设置及流媒体支持有限。

  2. R/ArtificialInteligence35

    构建游戏 AI 陪伴:迟到的回复和重复的比分更新比精彩的互动更难

    作者花费 11 个月构建游戏 AI 陪伴系统 Monday,当前版本为 v8,核心挑战在于避免回应滞后及重复播报比分。 该 AI 系统旨在观察玩家行为并在游戏中进行语音互动,需解决语音卡顿、计数错误及上下文缺失等实际问题。 作者重点探讨如何判断响应时机而非仅关注速度与准确性,旨在提升互动相关性。

11月14日周六
  1. IT之家71

    Meta 旗下 Muse 上线代打电话功能

    Meta 旗下 AI 智能体 Muse 推出代打电话功能,开通高级付费订阅后,用户能让 Muse 代替自己联系美国商家。用户可以借助 Muse 联系保险公司、有线电视服务商、预约美国车管部门业务或电话订位,Muse 使用 AI 合成语音与商家工作人员交谈。

  2. 量子位86

    DeepSeek 开放全家桶 API 支持语音识别与搜索功能

    DeepSeek 正式开放应用 API,支持联网搜索、深度思考、文件上传、链接阅读及语音识别与语音合成独立调用。V4.1-Flash 模型在 Messages、Responses 和 Chat Completions 接口下支持这些扩展功能,并开源了轻量级聊天前端 Demo。

    同一新闻,精选展示《DeepSeek 开放全家桶应用 API,支持 1:1 复刻 App 并开源 Demo》

  3. Hacker News LLM43

    使用 LLM-TDD 构建 WhatsApp 语音转写工具

    开发者利用 LLM-TDD 方法论构建 WhatsApp 语音转写工具 WhatYouSay。 通过 LLM 编写代码并预先设定评估测试,针对多语言场景优化了 Whisper 转录及清洗流程。 该流程将语音转写词匹配率从 69.9% 提升至 86.4%,解决了模型误修正口语和早期停止问题。

  4. AWS Machine Learning Blog30

    AssemblyAI 利用 Amazon EC2 Spot 在 AWS 上优化语音转文本推理成本

    AssemblyAI 采用 Amazon EC2 Spot 与按需实例混合架构,在保持 SLA 的前提下大幅降低大规模 GPU 推理成本。 架构基于 Amazon ECS 多容量提供者策略,分散使用 g4dn、g5、g6 实例族,并通过 Amazon SQS 实现中断任务自动重试。 该方案满足医疗、金融等行业的欧洲数据驻留合规要求,已在 AWS Marketplace 提供 API 服务。

11月13日周五
  1. TechCrunch · AI55

    ElevenLabs 推出 ElevenAI 应用,整合会议纪要、语音转写与智能体协作

    ElevenLabs 在纽约 11/11 峰会上发布了预览版应用 ElevenAI,整合跨会议记录、实时语音转写、多语言输入及基于会议内容的智能体自动跟进功能,面向团队而非个人用户。该应用目前需注册早期访问权限,支持 90 多种语言的语音转写,并可与 ElevenAgent 配合实现邮件草稿生成等自动化操作。

  2. 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。

  3. Hacker News AI52

    Witness:面向AI编码智能体的语音锚定证据记录器

    Witness是一款为AI编码智能体设计的语音锚定因果证据记录器,通过记录语音、操作和页面变化生成结构化证据包。用户安装后运行命令即可在管理浏览器中一边操作一边描述问题,系统将语音转录与点击后的控制台报错、DOM变更及截图关联。生成的证据包支持MCP协议,允许Claude Code或Cursor等智能体直接读取,无需额外API密钥。

  4. 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。

  5. arXiv · AI38

    ZONOS3-Mini 技术报告:8.86 亿参数实现实时零样本语音克隆

    ZONOS3-Mini 是一款超紧凑型实时零样本语音克隆 TTS 模型,可在笔记本电脑或手机上运行。 模型采用 886M 参数的潜在 MoE 骨干网络(每 token 激活 100M)及 15 Hz 帧率的 ZAC-1 音频编解码器,支持 44.1 kHz 音频。 在 ZTTS2-Eval 基准上,其 55 个语言集的宏平均 WER 为 6.71%,模型权重与代码已开源。