AI语音克隆引爆虚假绑架骗局 专家建议设立家庭安全词
McAfee测试显示仅用3秒音频即可克隆语音,克隆匹配度高达85%。Gallup调查显示约12%的诈骗案涉及AI或深度伪造技术,专家建议家庭设立安全词以防虚假绑架骗局。
McAfee测试显示仅用3秒音频即可克隆语音,克隆匹配度高达85%。Gallup调查显示约12%的诈骗案涉及AI或深度伪造技术,专家建议家庭设立安全词以防虚假绑架骗局。
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。
Narro 是一款 Chrome 扩展,支持使用本地浏览器内 AI 语音朗读网页及 Kindle 在线图书,无需服务器即可运行。 核心本地模型包括 Kokoro-82M、Supertonic 2 和 Piper,其中 Kitten TTS Nano 下载仅 27.7 MB,峰值内存约 500 MB,支持离线使用。
开发者 RhinoDevel 开源了本地离线 AI 助手 Poldi,旨在让用户无需高配 GPU 即可在本地硬件运行隐私语音智能体。它通过自动摘要机制实现无限对话,防止上下文溢出,并支持 SQLite 数据库存储聊天记录与用户信息。
Block 发布本地运行全双工语音模型 Dessa,该模型完全基于人类语音训练,在单张 NVIDIA GPU 上可生成带情感的自然对话。
Block 公司发布名为 Dessa 的 AI 语音模型,该模型是首个完全基于人类语音数据、不使用任何文本数据从头训练的大模型。Dessa 直接处理音频而非先将音频转换为文本,使其能够实时捕捉情绪、讽刺、笑声和停顿,并支持全双工通信。
论文 EchoChat 提出结构化认知过程,将共情语音对话建模为感知、心智理论推理和回复生成三环节。 其通过监督微调引入 Acoustic-Anchored Attention (AAA) 强化声学理解,并在强化学习阶段采用 Step-Decomposed Credit Assignment (SDCA) 优化多阶段反馈。
Block 声称其新语音 AI 仅通过收听录音对话学会说话,底层没有文本或 LLM。
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。
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。
科大讯飞在1024开发者节首发星辰TaaS平台,构建从底层模型到行业解决方案的全链路体系。同期发布的星火X2.6模型将上下文窗口扩容至百万Token,端云路由准确率提升至96.1%,并开源星火X2.6-4B端侧模型。
Qwen Audio 发布技术分析文章,探讨多方言语音识别中原文转写(ASR)与语音翻译(AST)模式相互影响产生的“跷跷板”效应。文中指出在 qwen-audio-3.1-asr 中支持 16 种方言可控转写模式,并解释加强特定方言训练可能因内部表示重叠导致其他方言退化。
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。
Audimind 推出 AI 有声书制作工具,支持文本转剧本、多角色 AI 配音及长音频自动对齐。AI 可生成 20 秒 SFX,提供协作与任务管理功能。
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。
研究者发布音频原生闭环评测基准 TORUS,用于评估统一音频模型的自洽性。 该基准包含 1053 道题目,覆盖 21 项任务及 8 种音频领域场景。 最佳统一模型仅能正确回答 52.4% 的自我生成问题,而 gpt-audio 回答率为 53.6%。
summary_zh: FormalASR 提出两款 0.6B 和 1.7B 参数的端到端模型,直接实现口语中文转正式文本,无需部署时 LLM 后处理。 模型基于 Qwen3-ASR 微调,在 WenetSpeech-Formal 等数据集上相对字错率降低达 37.4%。
使用 ASR 评估 TTS 时,验证器在人类语音中对 33-67% 的极罕见词识别失败。 多验证器联合评估将极罕见词表面错误率从 10-13% 降至 3-5%。 忽略被 ASR 漏掉的词会导致偏差,约半数剩余错误可能是拼写变体,需人工听力测试确认。
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。
SyRA-CS 提出一种针对代码切换 ASR 的基于 Reptile 元学习的合成到真实适应框架。 模型在 16 组模型-语言对比较中 WER 全部优于持续微调,XLS-R 宏平均 WER 相对降低 17.7%,其他三个模型降低 5.3%–5.8%。
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%。
Opus 和 Astra 等领先模型在写作上缺乏自然流畅感,且充满无价值词汇。 Pangram 检测器正有效识别此类内容,而数学和编码领域的商业需求远高于纯文本写作。 AI 写作因过度追求“正确”和避免误解导致啰嗦,反而通过过度解释暴露了非人类的特征。
港中深与安菲翁科技推出 DuplexAgent-RSI,通过 Recursive Self-Improvement 机制,使语音智能体在实时交互中持续改进协作框架。
Anima 利用 GPT-6 和 GPT-Live 帮助诊所将电话等待时间缩短 75%。 该产品扩展了护理团队使用 OpenAI 模型的能力,使其有更多精力响应患者需求。
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。
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。
通过将 AI Agent 生成的句子实时流式传输至 Amazon SageMaker AI 托管的 Kokoro-82M 模型,语音合成即刻启动,消除等待完整响应产生的数秒延迟。
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。
Spotify 表示其业务定位是成为 AI 智能体(agents)的首选音乐服务。Spotify 联席 CEO Gustav Söderström 称,与其他娱乐类别不同,人们不会要求智能体概括歌曲,但会要求智能体代劳选择音乐,因此智能体时代对 Spotify 是有利因素。
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。
Qwen Audio 团队介绍了客服 Agent 实践,展示了前台实时交互与后台任务执行如何协同以完成复杂业务。在合成音频测试中,采用前后台协作的 Customer Service Harness 路径任务完成率为 76%,高于纯实时模型(Realtime only)的 62%。
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。
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。
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。
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。
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%。
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。
研究者提出 Spiking Ternary GRU (stGRU),结合三值权重门控循环单元与 Resonate-and-Fire 神经元,将二进制事件传输作为原生训练约束,无需外部语言模型即可在 LibriSpeech test-clean 数据集上实现 8.09% 至 6.44% 的词错误率。
StyleStream 2.0 将端到端延迟降低至 520 ms,实现 2 倍速度提升。 模型采用 MeanFlow 并引入 Self Forcing 反馈,支持文本驱动语音设计与编辑。
研究发现大型音频语言模型(LALM)中存在跨模态神经元,负责对齐音频与文本表示。研究在 3 个 LALM 和 4 种声学属性中验证了对齐现象。因果干预证实这些神经元对预测是必要的且可被操控。