跳到正文
11月3日周二
  1. arXiv · NLP25

    MedAstra:通过诊断依据进行无ASR医疗语音检索

    MedAstra 框架将 WavLM 语音表征映射至 E5 嵌入空间,实现无转录本密集检索,语音检索器 Recall@10 达 87.6,混合模式 90.4。 映射过程使用轻量适配器,检索配合实体替代与诊断对比支持生成。 明确区分合成与临床测试,指出需补充对比以评估泛化。

  2. arXiv · NLP45

    GSLM2 提出多流语音表示学习与生成式口语语言建模

    团队提出 GSLM2 模型,通过 SpidR 2.0 编码器生成多级别离散单元,实现生成式口语语言建模。 该模型采用多流架构联合建模,在 6M 小时数据和 6.5B 参数规模下,大幅缩小口语与文本 LLM 在 sWuggy、sBLIMP 和 tSC 基准上的差距。 研究已开源训练代码和模型检查点,旨在解决语音单位质量限制及单流表示瓶颈。

  3. arXiv · AI22

    SpeechEQ:评估社交感知语音对话模型情商的研究

    SpeechEQ 是一个评估语音语言模型(SLM)社会语言学推理的框架,包含基于 EQ-i 2.0 理论的 2265 段对话数据集及 15 个情商子量表。 该框架采用多轮评估协议计算口语情商(SEQ)分数。实验发现当前多模态模型受限于“模态捷径”、“安全陷阱”和“上下文遗忘”,且端到端架构优于级联系统。

  4. 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。

  5. R/ArtificialInteligence26

    Subtitle Foundry 为何在字幕流水线中分离 ASR、翻译与计时错误

    Subtitle Foundry 开发者将 ASR 转录、翻译和计时错误独立检查,以防止最终流畅字幕掩盖中间阶段错误。 该工具使用 ElevenLabs Scribe v2 原生词级时间戳处理完整录音,并通过源码级检查区分语音活动与具体词定位。 作者测试主要涵盖土耳其语和乌克兰语到英语翻译,项目采用 AGPL-3.0 协议开源。

  6. Hacker News AI43

    Hume 推出首个面向语音 AI 的决策模型

    Hume 推出专为语音 AI 设计的决策模型,通过接收音频、问题和可能答案,返回每个答案的概率。 该模型在 10 项基准测试中平均得分 0.82,中位延迟为 0.23 秒,与人评一致率达 70.7%,高于单人评的 56.5%。 Hume 已处理 10 亿小时客户音频及 1000 万+ 人类判断数据,帮助团队将情感智能语音 AI 变得可量化。

11月2日周一
  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. IT之家30

    2026 款奔驰长轴距 E 级上市:融合豆包 AI 大模型,42.38 万元起

    2026 款梅赛德斯-奔驰长轴距 E 级今日上市,售价区间为 42.38-50.98 万元,涵盖晖银、鎏金及星铂三个版本。 该车率先搭载由奔驰中国研发团队主导开发的全新 AI 智能座舱,融合豆包 AI 大模型构建虚拟助手,支持季度 OTA 升级。座舱配备 14.4 英寸中控屏与数字孪生 3D 车模,全系标配华为 HiCar。 此新座舱未来将陆续搭载于更多燃油及纯电车型。

  3. 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。

  4. arXiv · AI31

    TamilEOT:泰米尔语电话语音语义回合结束检测数据集与模型

    研究团队发布 TamilEOT,这是针对南亚语言的第一个开放语义回合结束检测数据集及检测器,包含来自 116 段电话对话的 18,485 个标注边界。 模型基于 Smart Turn v3 架构,在 4,168 个留出片段上准确率从 70.30% 提升至 86.13%,单线程运行低于 150 ms。 所有数据、权重、代码及阴性结果均已公开。

  5. arXiv · AI40

    Speech-DRAME:面向语音角色扮演的人机对齐基准框架

    Speech-DRAME 提出语音角色扮演评估框架,包含双语人工标注基准 Speech-DRAME-EvalBench 及微调评估器 DRAME-Eval。 基准支持原型评估与现实感评估,在合成数据上 DRAME-Eval 的皮尔逊相关系数分别达 0.629 和 0.602,显著优于零样本评测。 在真实语音测试中相关系数仅为 -0.142,揭示合成到真实数据存在显著迁移差距。

  6. arXiv · AI23

    音频大语言模型中多模态语音情绪识别的不一致感知评估

    研究通过两成分高斯混合模型构建无阈值不一致分数,发现不一致性在eNTERFACE'05等三个语料库中均提高了音频模型的情绪识别错误率。 文本通道的单独影响不可靠;移除情绪词典后的重建分数仍是六个替代方案中唯一能预测全部语料库错误的无标签分数。 开源了支持该评估的代码、数据表和提示词。

  7. Hacker News AI86

    Avartha 发布 Ava Zero 1:开源权重语音智能体在任务完成率上领先 OpenAI、Google 和 xAI

    Avartha 发布名为 Ava Zero 1 的开源权重语音模型,其在 Sierra 的 τ³-Voice 基准测试中以 86.0% 的任务完成率位居榜首,超越 OpenAI GPT Live 1、xAI Grok 及 Google Gemini。

    推荐理由:原文通过对比任务完成率,展示该开源语音系统在实时场景下超越主流闭源闭环的能力。

11月1日周日
  1. Hacker News LLM74

    Hey Spark 开源:支持本地运行语音助手的通用 LLM 架构

    ContextuAI 发布开源项目 Hey Spark,支持在本地笔记本上运行实时语音助手。其唤醒词、语音识别和合成全在本地 CPU 完成,后台“大脑”可自由接入 Claude、OpenAI 或本地模型。助手通过 MCP 协议连接 GitHub、邮件等工具,对变更类操作强制需语音确认,并支持 macOS 和 Windows 桌面端。

10月31日周六
  1. IT之家53

    荣耀影像负责人罗巍:开发阿莱拍照模式及Robot Phone 2代

    荣耀首席影像工程师罗巍透露,团队将基于LogC曲线与阿莱Film Lab开发全新的拍照模式,模拟35mm胶片感光及冲印过程;同时荣耀Robot Phone 2代正在研发,并计划推出与阿莱合作的两款创新形态产品。背景上,荣耀Robot Phone 1代及Magic 9系列已率先落地阿莱影视色彩技术,支持ARRI LogC编码。

  2. IT之家38

    香港自研 AI 助手“港话通”推出免费粤语 AI 音乐生成功能

    由香港生成式人工智能研发中心(HKGAI)研发的“港话通”(HKChat)推出 AI 音乐生成功能,接入其自研 YuE2 音乐大模型。用户通过哼唱、上传图片并输入构思,可即时生成兼具专业编曲和人声演唱的原创粤语歌曲。该功能已在 App 上线,目前向所有用户免费开放,旨在结合 AI 技术与香港流行文化。

10月30日周五
  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。