百度搜索AI API活动价压至4.9元/千次,低于DeepSeek 5元/千次标准定价
百度在北京产品升级沟通会上宣布推出搜索AI API,活动期间最低价为4.9元/千次,低于DeepSeek同类产品的5元/千次。文心助手升级后覆盖场景超170种,AI镜头支持9种方言实时对话,GUI互动场景接入超50亿条数据资源。
百度在北京产品升级沟通会上宣布推出搜索AI API,活动期间最低价为4.9元/千次,低于DeepSeek同类产品的5元/千次。文心助手升级后覆盖场景超170种,AI镜头支持9种方言实时对话,GUI互动场景接入超50亿条数据资源。
研究人员推出可扩展开源数据集 LibriVAD,基于 LibriSpeech 并融合多种真实与合成噪声源,包含 15 GB、150 GB 和 1.5 TB 三种规格及两种变体。
研究人员在 ESP32-P4 微控制器上成功运行了 65.7M 参数的英语流式语音识别模型 Kroko,未使用任何神经加速器。该模型经 2/4 位量化后权重文件仅 26.65 MB,处理每个 1.28 秒音频块耗时 0.90 秒,LibriSpeech test-clean WER 为 4.34%。
研究人员发布 VoiceLongMemEval 基准,指出当前评测忽视非语言线索,导致 AI 助手存在广泛的情感认知差距。提供语音元数据可使模型准确率提升 0.09 至 0.38,原生音频模型性能优于纯文本盲测。 该基准包含情感标签等元数据,每项测试均通过对抗性关卡,确保强语言模型仅靠文本无法作答。代码和数据集将在论文被录用后公开。
研究团队提出 MTG-AD 数据集与 MTG-AD-Eval 评估框架,用于提升视觉媒体对盲人和低视力用户的可访问性。 MTG-AD 包含 36 小时视频及 8000 余条由视障与明眼专家共同标注的描述,MTG-AD-Eval 通过生成音频轨道评估时序适配性。 实验显示,多模态大语言模型虽能减少语音重叠,但在叙事节奏上仍有差距;自动指标与人类评分显著相关,该成果已发表于 NeurIPS 2026。
针对流式 ConvLSTM 模型,多轮对话数据训练的回合结束检测器在 F1 分数上较单轮数据最高高出 +0.45。 1.8M 参数的开源模型在四个测试集上均取得最高 F1,且该优势仅存在于对话测试数据中。 指出仅测试单轮语音会掩盖对话训练数据的优势。
PromptSense 框架通过结合情感与抑郁分析及基于规则过滤机制,显著提升了心理健康聊天机器人的共情力与风险感知能力。 实验评估显示,提示工程方法在各项指标上优于 DSFT 1.8% 和 RLAIF 1.1%,并使用了 Perspective API 进行毒性评估。
dots.tts.edit 是一种基于连续自回归架构的语音编辑模型,通过半形式化转录脚本指令实现精准控制。 它支持词法、情感、韵律及暂停四种编辑操作,并在 doteBench 双语文本基准上展现出领先的指令遵循与局部保留能力。 音频质量与现有开源系统相当,且在 Seed-TTS-Eval 评测中与基座模型的零样本 TTS 识别误差及说话人相似度无显著差异。
READ 是一种无参考的 ASR 假设评估指标,通过声学差异直接评估语音识别结果。 READ 利用预训练自回归 TTS 模型计算语音 token 在文本假设下的条件似然,无需额外训练即可用于假设精化。 实验显示 READ 与特定识别错误相关,相对错误率最高降低 20%,在噪声条件下增益尤为显著。
Cardamom发布约40小时微型阿拉伯语方言语音数据集,覆盖埃及等6国21种微型方言。 基准测试显示,最强零样本ASR系统WER为43.47%,适配后降至35.21%;专用分类器F1仅31.95%。 该资源支持ASR系统研究局部方言变异并提升区域覆盖范围。
研究提出原生参照坐标几何,利用母语者语音建立低维参照子空间来评估第二语言发音偏差。该方法无需平行录音或发音标签,不同编码器下的距离指标与口语熟练度呈最高-0.5的负Spearman相关。
ReHear 提出通过迭代式伪标签精化改进半监督自动语音识别(ASR)。 它利用指令微调的音频感知大语言模型(LLM),基于 ASR 假设和原始音频生成高精度伪标签,用于微调 ASR 模型。 该框架在不同基准测试中均优于监督学习和传统伪标签基线,有效缓解了错误累积问题。
研究提出针对自回归声音克隆 TTS 模型的特征可解释性框架,基于稀疏自编码器(SAE)等分析 Qwen3-TTS 及 5 个额外模型。 SAE 擅长稀疏探测与概念发现,PCA 在密集探测中表现竞争;在 Qwen3-TTS 中自动验证了 684 个 SAE 特征,覆盖说话人聚类、风格及录音条件。 该研究为理解 TTS 模型内部声学属性编码机制提供了全面解析。
研究者提出结合说话人与口音相似度评分及子词标注的分段评估协议。 47名听众评估了200对苏格兰和澳大利亚语音样本,涵盖2个零样本TTS系统和1个发音转换系统。子词标注揭示了显著发音差异,且有时与相似度评分得出的系统排名不同。说话人与口音评分呈强相关(ρ = 0.71)。 该协议有助于超越传统评分,利用局部感知证据开发感知基础的分段口音评估方法,相关代码、数据和交互式演示已开放。
**title_zh:** 基于发音监督的 Qwen3-TTS 爱尔兰语语音合成 **summary_zh:** 基于词典发音文档监督,Qwen3-TTS 在 12.8 小时 Common Voice 数据上微调后,跨语料 CER 降至 0.225,显著优于 0.397 的从零训练系统。
Apple CarPlay 现支持 Claude 语音模式,用户在驾驶途中可无需双手离开方向盘直接提问。Anthropic 同时宣布升级其移动应用,iOS 和 Android 版 Claude 支持同时登录多个账号并直接切换。此外,Claude 语音模式新增 24 种语言支持,累计达 33 种,且在嘈杂环境下识别更准确。
Arc-Transcriber是一个约70MB的流式语音模型,能在100ms内完成ASR-NL单步处理,输出转录文本及名称、数字、说话人等元数据。该模型将传统的ASR、NER和实体链接链路压缩至共享编码器中,支持在流内实时校验用户提供的名单。目前提供Arc mini和Arc-v1两个版本,权重发布于Hugging Face,代码在GitHub开源,并在Mac端侧应用中用于语音搜索。
Simple AI 宣布在其 Tango 会话感知模型中新增情感分析功能。Tango 通过直接处理音频(如音高、语速、音量)来实时追踪客户在通话中的困惑、沮丧和快乐程度,无需依赖文本转录,从而为智能体提供即时的情绪反馈以优化对话策略。
summary_zh: Rivian 将 58 亿美元合资业务扩展至 AI 助手领域,向大众集团授权其车载 AI 语音助手技术。 该 AI 助手计划应用于大众的低成本电动车 ID EVERY1,Rivian 内部开发的 agentic 框架可能支持运行包括 Anthropic 在内的第三方 AI 智能体。
Granola 上线了 Mac 版跨应用听写功能,用户通过按下 Fn 键口述,工具会自动清理并格式化文本,免费且无字数限制。该功能支持在所有应用中记录笔记、编写提示词及回复邮件,iOS 和 Windows 版本即将推出。目前 Granola 估值 15 亿美元,竞争对手 Wispr 估值 20 亿美元,且后者也在推会议记录功能,语音 AI 应用正趋于功能融合。
面向现实声学场景的高效流式视听目标语音提取 论文:https://huggingface.co/papers/2610.32749
Granite Switch 4.1.1 作为补丁版本发布,与 4.1 完全向后兼容,无需迁移。 该版本更新了支持 10 种语言、自动添加标点的大小写的 Granite Speech ASR 模型,并优化了 granitelib-core 中 Decision adapter 在 Jev Decision Index 测试集上的表现,基础模型未做重算。
summary_zh: ROAL 可通过粘贴网站或 Google Maps 链接,在约 2 分钟内自动学习菜单和营业时间并生成 AI 电话接线员。用户无需注册即可体验,支持自动接听电话、接受外卖订单并将票据发送至厨房屏幕。
Hugging Face 发布 AnySpeechRecognizer 和 AnyDecisionModel 两个 Swift 包,支持在 Apple 平台运行开源语音识别与决策模型。
推荐理由:Hugging Face 官方提供 Swift 包实现 Apple 平台语音识别与决策模型,支持本地运行多家开源模型及音频流式处理。
流式 TTS 区分音频输出流式与双流式,后者支持 LLM 实时对话中边生成文本边合成语音。CosyVoice 2/3 采用交错建模与 chunk-aware causal Flow Matching 实现全链路流式生成。 系统需权衡文本右看范围与首音延迟,分别记录服务端首包和客户端首音时间以评估性能。
该模型支持边听边说,用户可在单次语音会话中管理多个 Computer 会话、启动新任务及创建项目。 功能现已上线 Mac 应用及网页端,向所有 Pro 和 Max 订阅用户开放。
Nvidia 发布了开源权重的 Nemotron 3.5 Transcribe,这是一个30B参数、4B激活参数的混合专家模型,可在单卡GPU上运行。该模型支持40种语言转写、31种语言与英语互译、最多8人识别,并能根据文本指令输出转写、翻译或摘要。
英伟达发布开放权重语音转录模型 Nemotron 3.5 Transcribe,并同步公开 Granary v2 训练数据管线。模型采用约 340 亿总参数的 MoE 架构,激活参数约 43 亿,支持 40 种语言转录,可处理最长 1 小时录音,最多区分 8 名说话人,并支持说话人归属、翻译和音频问答。
同一新闻,精选展示《NVIDIA 开源 Nemotron 3.5 Transcribe 与 Granary v2,支持提示词驱动的多语言语音转录与微调》
巴慕达宣布推出 AI 个性化电台 Good Morning Radio,计划于 2026 年 11 月 2 日起面向 The Clock 用户开放 Beta 测试。
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。
Akai 宣布 MPC Sample Key 将采用开源固件,并开放早期设备给模组开发者,以支持通过 Claude 等工具生成的 vibe-coded 模组。这些模组可添加 Massive 合成器或定制操作系统。CEO 确认 inMusic 品牌将开源部分软件并提供 SDK,以拥抱模组社区。
Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe,可处理 40 种语言的转录、31 种语言的英译/英返、13 种语言的说话人识别,最长支持 1 小时录音和 8 个说话人。
NVIDIA 今天推出开源权重语音模型 Nemotron 3.5 Transcribe,单个模型即可处理转录、说话人识别和翻译,支持 40 种语言。该模型在 Hugging Face 开放 ASR 榜单排名 No.1,采用约 43 亿活跃参数,比当前排名第一的开源权重模型参数少约 80%。
推荐理由:NVIDIA开源语音模型Nemotron 3.5 Transcribe一次完成转录、说话人分离和翻译,用本地设备即可完成多语种音频信息提取。
Nvidia 发布了免费开放权重的转录模型 Nemotron 3.5,能够转写 40 种语言的音频,处理长达 1 小时的录音,并区分多达 8 个说话者。该模型参数量为 30B,可部署在 Jetson AGX Thor、DGX Spark 或 Blackwell 数据中心芯片等单芯片上,但仅支持预录音频,不支持实时流处理。Nvidia 同时发布了开源语音数据集 Granary 2。
summary_zh: 讯飞输入法 16.0.1 上线第三代「意图成稿」与个性化 AI 键盘,让用户通过语音表达意图,即可自动获取整理好的草稿。 系统具备长程记忆,可跨聊天框复用截图与信息;升级的 Spark-ASR-2.0 模型支持 202 种方言,高噪场景识别准确率提升至 84%。
Jack Dorsey 旗下的 Block 团队推出了完全绕开文字中间层、直接从声音学习对话能力的语音模型 Dessa,该模型支持在 M4 Max MacBook Pro 本地运行并具备自然插话能力。
提出 AZeroS 模型,基于 Qwen2.5-7B-Instruct,通过自生成无指令调优(SIFT)范式扩展 LLM 至语音领域,无需收集任务特定问答对。 利用约 25,000 小时带 ASR 转录的语音和 3,000 小时带副语言标签的语音进行训练,仅更新两个 23.80M 参数的轻量投影模块,保持 LLM 和音频编码器冻结。
针对多语言语音识别中数据采样依赖人工启发式设计的问题,提出一种语言感知的智能体数据采样框架。该框架引入 LLM 智能体,基于音系、形态和句法分析 ASR 错误,并结
Lipi-Ghor 语料库包含来自 998 个 YouTube 视频、涵盖 17 个领域的 885 小时孟加拉语音频,并带有 SSTT 格式说话人分离标注。它是首个将大规模覆盖与长形式音频的说话人分离标注相结合的孟加拉语语音语料库。语料库构建流水线可在其他拥有字幕 YouTube 资源语言中复现,原始资源以 CC-BY-4.0 许可发布。
研究通过匹配同类与不同类替换测试音频语言模型对本地声事件编辑的响应。 在600个合成音景及3个模型测试中,不同类替换导致答案变化率比同类替换高49.7至60.9个百分点。 同类替换准确率与原始准确率差距在5.2个百分点内,且插入类别的选择性准确率为73.7%至81.9%。