跳到正文
10月25日周日
  1. IT之家54

    Block 推出全双工 AI 语音模型 Dessa

    Jack Dorsey 旗下的 Block 推出全新全双工语音模型 Dessa,该模型支持在 M4 Max 及更高配置的 MacBook 本地运行。Dessa 原生内置情绪表达,能模拟笑声、停顿等人类特征,且无需依赖大语言模型调取知识。目前该模型暂不对外开放,正邀请安全研究者重点测试语音智能体欺骗人类的风险场景。

10月24日周六
  1. The Verge · AI63

    Jack Dorsey 旗下 Block 发布本地语音模型 Dessa

    Jack Dorsey 旗下 Block 发布了 AI 语音模型 Dessa,该模型仅通过人类对话进行从零训练。Dessa 是一个真正的 speech-to-speech 模型,支持在 MacBook Pro M4 Max 或更高配置的本地端侧运行。Block 还展示了该模型与 GPT-Live-1 互动的片段,并计划向一小群 AI 安全研究人员提供早期访问权限。

  2. 量子位45

    iRTE2026:声网CEO赵斌提出五级对话能力框架,实时互动迈入对话 AGI 时代

    声网 CEO 赵斌在 iRTE2026 大会提出“五级对话能力”框架,涵盖从基础表达到深度关系沟通的演进路径。 该框架将对话能力划分为 L1 至 L5 五个层次,强调 AI 需理解个体认知、群体角色及长期上下文以维持自然交互。 声网指出对话式 AI 正进入客服、教育及穿戴等场景,实时互动技术将成为连接模型、Agent 与用户的关键基础设施。

10月23日周五
  1. 科大讯飞61

    科大讯飞发布端云一体星火X2.6、SparkAudio 1.0及WinWork数字员工平台

    科大讯飞发布端云一体星火X2.6,实现全国产算力下的模型训练与推理,长上下文训练效率提升约4倍,推理效率提升4.5倍。同步发布星火语音基座大模型SparkAudio 1.0,整体效果提升20%,响应时间降低15%。推出讯飞星帆WinWork数字员工平台,支持80余类数字员工上线,Token消耗节约44%。

    推荐理由:发布端云一体模型X2.6及SparkAudio 1.0,通过长程训练与动态并行技术,实现全国产算力下的高效推理与成本优化。

  2. arXiv · NLP20

    基于语言学维度的TTS自动评估基准揭示MOS预测器与Audio-LLM裁判的局限性

    研究将语音自然度解构为10个语言学感知维度,构建首个包含860条语音片段的TTS元评估基准。实验显示,MOS预测器更敏感于韵律和副语言声学属性,Audio-LLM裁判则呈现依赖提示词的选择性检测,偏好识别词级错误。两类模型均无法可靠捕捉广泛的语言结构语音错误,相关数据集与评估代码已公开。

  3. arXiv · NLP29

    SunflowerASR 利用 Group Relative Policy Optimisation 提升低资源多语言语音识别

    基于 Whisper-large-v3 的非 LLM 编码器-解码器模型 SunflowerASR 采用 Group Relative Policy Optimisation 训练,在 51 种非洲语言上取得最好公开宏平均 WER。 该模型在 AfriVox-v2 基准达到 0.227、SimbaBench 达到 0.372,并在公开可用的情况下,尤其在训练数据稀缺或音频有噪声、退化时优势最显著。

  4. arXiv · NLP20

    新晋尼泊尔-英语语码切换 ASR 基准:1.3 万条自发播客音频

    新基准包含 13,044 条尼泊尔-英语自发播客音频(共 15.45 小时),并公开了转录文本、时间戳及重建脚本,以应对语码切换自动语音识别中的书写系统混淆问题。 采用两阶段合成到真实适配框架:第一阶段通过 0.95 小时双引擎 TTS 合成语音微调,将混合错误率(MER)从 23.40% 降至 21.52%;第二阶段使用 GRPO,使语言切换点错误率(SPER)进一步降至 28.70%。

  5. TechCrunch · AI70

    OpenAI 向所有用户开放 Decisions API 决策模型

    OpenAI 已首次向其所有用户开放 Decisions API,该模型基于 ChatGPT Luna 重构,旨在以更低成本替代 LLM 执行快速分类决策。新版本的推理延迟从数秒缩短至 100-180 毫秒,并新增了语音和视觉多模态支持。在公开基准测试中,该模型在 Decision Index 中排名第十四,但在图像分类等场景下表现优于同类竞品。

  6. AWS Machine Learning Blog45

    Amazon Polly 生成引擎重大升级:新增 14 种语音并支持印地语与芬兰语

    Amazon Polly 生成引擎升级现已全面可用,提供更具表现力的语音输出,并新增印地语和芬兰语支持。 此次升级增加了 14 种新语音,覆盖 9 个语言区域,生成语音总数达 57 种,分布于 11 种语言。作为直接升级,现有 API 调用无需变更即可使用新特性,支持低延迟流式处理。

  7. IT之家28

    极米记得 AI 记忆手环 L1 上架:两种形态自由切换,全天候 AI 录音

    极米记得 AI 记忆手环 L1 现已上架,提供黑色、米色两种配色,售价暂未公布。 该设备支持手环与吊坠两种形态自由切换,具备全天候 AI 录音及自动整理纪要、待办功能,原始音频用完即删,综合续航 2-5 天。 极米记得 AI 记忆眼镜 G1 同日上架,功能与手环相近,均支持全天候 AI 录音。

10月22日周四
  1. IT之家40

    极米记得 AI 记忆眼镜 G1 上架:轻至 17.9g,自动整理纪要

    极米记得 AI 记忆眼镜 G1 今日在京东等平台上架,是全球首款钛金属 3D 打印 AI 记忆眼镜,轻至 17.9g。 该眼镜支持全天候 AI 录音并自动记录整理记忆,可基于个人记忆进行 AI 对话,自动整理纪要与待办并提醒;支持原始音频用完即删,综合续航 2-5 天,按每天录音 8 小时计算约可使用 5 天,价格暂未公布。

  2. IT之家26

    索尼 PlayStation Pulse 耳机 11 月 19 日上市,定价 99.99 美元

    索尼公布 PlayStation Pulse 无线耳机将于 11 月 19 日在美、英、日等多国发售,预购于 10 月 29 日开启。 该耳机定价 99.99 美元,采用尺寸更大的平面磁驱动单元,每侧配置 4 颗磁体,支持蓝牙和 PlayStation Link 协议,具备 AI 增强型噪声抑制功能。 同系列 Pulse Elevate 无线音箱 11 月 12 日上市,定价 219.99 美元。

  3. IT之家40

    科大讯飞首发星火语音基座大模型 SparkAudio 1.0

    科大讯飞在全球 1024 开发者节上宣布首发星火语音基座大模型 SparkAudio 1.0。 该模型集成机器翻译、语音识别及语义理解能力,支持中英文任意切换与说话人实时识别,已全面上线讯飞输入法 16.0 等应用。 同时发布的讯飞 AI 录音环搭载 4+1 环麦阵列与 Wi-Fi 6,综合识别准确率超 96%,2 小时录音转写仅需 2 分钟。

  4. arXiv · NLP25

    Qwen-Audio-3.1-ASR 技术报告

    Qwen-Audio-3.1-ASR 模型家族发布,支持 30 种语言和 16 种中国方言,新增说话人分离转录与通用音频理解功能。 该模型提供同步文件、低延迟流式等部署变体,具备历史上下文条件控制、层级热词定制及转录润色能力,覆盖音频、语音和音乐描述等任务。 评测表明其具备从语音识别到更广泛音频分析的多种能力。

  5. arXiv · NLP35

    Omnilingual-MsASR:多模态大模型长时长多说话人语音识别基准测试

    研究人员提出 Omnilingual-MsASR,这是覆盖 6 种语言、最长 30 分钟及 20 位说话人的多模态长音频多说话人自动语音识别基准。 该基准提供并行音视频输入,用于评估模型跨模态一致性及利用互补线索的能力。 对领先全模态大语言模型的评估发现,其 tcpWER 常超 100%,凸显了时间定位与说话人区分等挑战。

  6. arXiv · ML33

    跨语言语音克隆中的闭环双参考指导技术

    提出闭环双参考指导技术,通过原生锚点语音转换解决跨语言克隆中的母语口音残留问题。 使用冻结 TTS 模型和预构建锚点,在 20 名法语说话者测试中,LID 残留减少 73%,平均 WER 低至 0.009,实时率比级联系统低 26%。 盲测显示发音自然度优于直接克隆,且在无需重新调整的情况下可将西班牙语 LID 残留降低 56%。

  7. arXiv · ML21

    VoxCPM2 中连续隐空间 TTS 的可解码性与可控性分离

    在 VoxCPM2 中,高线性可解码性不代表因果可控性,RALM L7 层探针准确率 0.970 但 60 对编辑均未达主导。 早期 L0 位置对齐编辑提升目标相似度 0.326,并在所有 60 对中实现目标主导,x-vector 消融将源相似度降至 0.006。 研究确立了免训练说话人控制需几何特异性与声学计算路径两个必要条件。