跳到正文

#语音

今日 4 条

今天 · 11月17日星期二 · 4 条

OpenAI News

Holiday Extras 如何用 dots 主动生成报告并协助日常工作

Holiday Extras 员工使用 dots 主动生成产品上线报告、提醒潜在问题,并通过语音讨论即将举行的会议。AI 创新副总裁 Liam Thompson 的 dot 从 Google BigQuery 获取数据后主动提交报告;同事 David Lee 的 dot 在 API 密钥需要停用时检索邮件,列出可能受影响的人。

Google 博客 · Gemini

Gemini 应用上线 66 种地区口音语音

Gemini 应用在 Android 和 iOS 端上线 66 种新地区语音,覆盖美式英语、英式英语、印度英语、印地语、巴西葡萄牙语、印尼语和韩语等,每种语言都提供定制选项。这些语音针对自然语调和日常清晰度调校,而非夸张口音,用户选定的语音可在 Gemini Live、语言练习和聊天朗读中全局沿用。用户可通过 Gemini Live 的三点菜单或应用设置中的语音选项预览并选择。

TechCrunch · AI

Jordan Belfort 的 AI 语音公司 Tone 推出自助平台,把书变成 AI 有声旁白

“华尔街之狼”原型 Jordan Belfort 创办的 AI 语音公司 Tone 推出自助平台,内容创作者和作者可选用 Tone 的 AI 声音,或通过即将上线的声音克隆功能克隆自己的声音,把书变成“富有表现力的 AI 生成旁白”。Tone 称其语音能通过把陈述句说成问句、偶尔低语等方式提升销售说服力,延迟约 600 毫秒,已用于律所、健康险等场景的完整销售流程。

TechCrunch · AI

Audible 推出 AI“音频发现”功能,帮用户挑选下一本有声书

Audible 上线“audio discovery”功能,用 AI 生成书籍主题概览与读者好评摘要,并搭配编辑或作者评论及试听片段。该功能初期面向美国部分英文书目开放,同时推出基于收听偏好的个性化合集。Audible 称概览还会参考公开的书摘和元数据,其 Recaps 与“Ask a Question”工具将于 12 月扩大覆盖范围。

昨天 · 11月16日星期一

11月14日星期六

Hacker News 首页

科技公司正试图再次改变隐私概念,EFF 分析持续记录设备的社会影响

EFF 指出,科技公司的 AI 眼镜和持续音频记录设备正把个人隐私选择扩展到周围人,使旁观者难以拒绝被记录。文章以 Apple 的 Audio Intelligence、Amazon 的 Bee 及 Meta、Google 的智能眼镜为例,指出厂商的技术隐私承诺主要保护设备用户,未解决旁观者的同意与退出问题。EFF 认为,隐蔽的持续记录会削弱私人交谈的开放性,使用者应告知周围人并取得同意。

11月13日星期五

The Decoder

Meta 的 Muse 开放代打商家电话功能,部分商家可能直接挂断

Meta 的 AI 智能体 Muse 现已向美国所有付费订阅用户开放代打电话功能,可代用户致电美国商家。该功能在 9 月测试,能持续等待接听并处理复杂电话菜单,适用于联系有线电视公司、DMV 和餐厅。许多商家识别出 AI 后会挂断电话,这一问题曾迫使 Meta 在 9 月为 Muse 暂时测试人工接线员。

TechCrunch · AI

ElevenLabs 推出 ElevenAI:整合会议记录、听写与智能体

ElevenLabs 发布实验性应用 ElevenAI,将会议记录、听写和智能体集成合为一体,目前处于预览阶段,需申请早期访问。该应用支持跨会议查询数据、会议中实时协助,听写功能覆盖 90 多种语言,并可通过 ElevenAgent 基于会议记录执行写邮件草稿等后续操作。ElevenLabs 同时上线 v3 系列 Scribe 语音转文字模型,支持实时转写和企业自有数据微调。

Hacker News 首页

RealtimeVAD 以更多误报换取提前 110 ms 的停语信号

RealtimeVAD 在 Silero VAD 上增加音量检测,以更多误报换取更早的停语信号,目前处于 alpha(0.0.5)。在 3,279 个真实语音助手轮次中,停语信号比 Silero 概率降至 0.35 的时刻中位提前 110 ms;相同静音设置下,结束事件在 82 % 的轮次中更早,中位提前 70 ms。

TechCrunch · AI

Meta 的 Muse 向美国付费用户开放代打商家电话功能

Meta 的消费级 AI 智能体 Muse 已向美国付费订阅用户开放代打电话功能,可代表用户致电美国商家。该功能此前仅供部分申请获得权限的早期用户试用,适用场景包括联系有线电视公司、DMV 或不提供在线订位的餐厅。部分商家和接线员会在识别出 AI 智能体后挂断电话;目前通话功能仍仅限付费用户,近期新增的 Muse 邮箱地址创建功能则将很快向免费用户开放。

11月12日星期四

TechCrunch · AI

Norwest 新设 40 亿美元基金,加大对 AI 投资

富国银行全资支持的 Norwest 募集 40 亿美元新基金,为其第 18 只、规模最大的一只基金,将重点扩大 AI 投资。资金覆盖消费、医疗、科技等行业,并继续布局 physical AI、voice AI、智能体网络安全与航空航天,投资地域包括美国、印度和以色列。自 2024 年第 17 只 30 亿美元基金关闭以来,Norwest 已完成逾 87 笔投资。

TechCrunch · AI

九家韩国初创公司角逐 Disrupt 2027 Startup Battlefield 200 席位

九家韩国深科技初创公司在首尔 DETO 2026 大会上路演,争夺 Disrupt 2027 Startup Battlefield 200 的参赛名额,其中通过语音分析检测大脑健康变化的 Voinosis 获胜。Voinosis 的语音检测每次不到五分钟,在 146 人临床研究中筛查潜在认知问题的准确率达 88%。其余八家覆盖金融科技、能源、半导体与 AI 等领域,均计划进军美国市场。

OpenAI News

JioStar 首席架构师谈 5 亿用户规模下的 AI 内容发现

JioStar 用 OpenAI API 在 JioHotstar 中构建了对话式视频与板球数据发现助手,支持超过 15 种语言,由小团队约八周完成上线。该平台服务超 5 亿用户,曾支撑 7250 万并发直播体育观众,超 60% 用户偏好语音而非文字输入。团队将准确性、延迟与成本视为三方权衡,并强调评估体系与领域专家在投产中的关键作用。

Google 博客 · Gemini

Google 将 Gemini 应用带到 Apple CarPlay,支持免手持语音对话

Google 今天起向全球 iOS Gemini 用户推出 Apple CarPlay 支持,覆盖 Gemini Live 支持的所有语言。用户可在车载屏幕开启或继续语音对话,通过 Gmail 和 Google Calendar 查询日程、了解未读邮件及总结邮件长线程,对话记录会自动同步至 iPhone 上的 Gemini 应用。

11月11日星期三

The Decoder

DeepL 用 Aure 模型让实时语音翻译捕捉讽刺与情绪变化

DeepL 的新模型 Aure 将原说话者的语气、情绪、重音和语速传递到目标语言,让 DeepL Voice 的实时翻译更自然。旧方案只在对话开始时采集静态声音样本,Aure 则随对话持续分析译文和原始音频,训练时分别处理声音身份、语调和内容,并通过强化学习避免输出带有口音。

Latent Space

OpenAI 在 AI Engineer Code Summit 讲解 Codex 的新工作方式

OpenAI 工程师在 AI Engineer Code Summit 演示了 Codex 的云端任务、语音控制和个人智能体 dots 工作方式。Codex Cloud 版本 2 支持发布一次环境后,在隔离实例中运行多个任务,但本地任务向云端交接仍涉及上下文差异,团队正在改进体验。语音可用于管理任务线程和委派工作,dots 则可提醒遗漏、承接委派,并利用已有上下文推进 PR。

11月10日星期二

TechCrunch · AI

Spotify AI DJ 新增多种语音与个性,并可减少解说

Spotify 为 AI DJ 新增可选语音与个性,Premium 用户可在英语和西班牙语的多种口音语音间切换,并能关闭歌曲之间的解说。新语音今日起在已支持 DJ 的 95 个以上市场推送,原有语音 "X" 保留,西班牙语仅剩 Nico 和 Fabi。该功能目前有超过 9400 万 Premium 用户使用。

TechCrunch · AI

Otter.ai 新增多语言转写:可跟随 30+ 种语言对话切换

Otter.ai 推出多语言转写功能,可在同一场会议中自动识别说话人语言切换并持续转写,无需手动调整设置。此次新增 27 种语言,其中普通话、粤语、韩语、德语等 13 种已上线,瑞典语、阿拉伯语、印地语等 14 种即将推出,完成后共支持 31 种语言。新语言基于 Otter 自研语音模型,使用公开数据集训练并由母语志愿者校对转写准确率。

TechCrunch · AI

黄仁勋在 Nvidia 争议期间退出 ElevenLabs 峰会

ElevenLabs 周一确认,Nvidia CEO 黄仁勋退出原定本周三在纽约举行的 ElevenLabs 峰会。他也取消了包括 Anthropic CEO Forum 在内的其他演讲安排,Nvidia 是 ElevenLabs 的投资方。

11月9日星期一

The Verge · AI

Elvis Presley 与 Eminem 的音乐权利人起诉 Suno

Elvis Presley 的音乐权利人及 Eminem 部分热门唱片的出版商分别起诉 Suno,指控其非法生成模仿两位艺人的音乐和歌词。Presley 一方援引田纳西州禁止 AI 公司克隆歌手声音的 ELVIS 法案,这些诉讼与 Jason Isbell 等人在 9 月提起、未直接主张版权侵权的诉讼相似。

11月8日星期日

11月7日星期六

Hacker News 首页

Show HN:Backwords——让 AI 教你倒着说话

Greg Technology 发布 Backwords,一个让 AI 教用户倒着说话的项目,创意来自 Alex Hornstein。用户输入短句后,可先听 AI 以慢速或正常速度倒放该句,再录下自己的模仿并倒放对比。

Hacker News 首页

OpenAI 向所有组织开放 GPT-Live SIP 外呼

OpenAI 已通过 Live API 向所有组织开放 GPT-Live SIP 外呼,可通过 SIP 服务商拨打电话号码,无需入站 webhook 或接听请求。服务要求 TLS 信令和 SRTP 音频,后端通过旁路 WebSocket 监控通话进度并执行按键发送、转接或挂断。创建会话成功不代表电话已接通,振铃上限为 3 分钟,接通后的通话上限为 2 小时。

11月6日星期五

TechCrunch · AI

Underdog 展示 32MB 语音模型 Woof 的游戏演示

Underdog 推出基于新语音生成模型 Woof 的浏览器游戏演示,该模型大小仅为 32MB,拥有 31 million 参数并开放下载。用户可在游戏中的打字机输入文字并听到朗读,也可旋转调谐器生成不同音乐;公司称模型可在大多数设备上无需联网运行。几周前,Underdog 还推出了面向端侧转录和听写的 167 MB 语音转文字模型 Bark。

OpenAI News

Cult.fit 如何用 Codex 开发内部工具并改善运营

Cult.fit 将 Codex 从工程部门推广到跨职能团队,近几个月非工程团队已构建 20+ 个内部应用。公司用 Codex 重建内部仪表盘功能,节省 $100,000+ 年度软件费用,并通过接入现有客服平台的 AI 智能体将客服成本降低 50%+。其 AI Trainer 还通过 OpenAI API 集成 GPT Realtime,以双向语音提供训练指导并支持记录锻炼。

The Verge · AI

Meta 为 Muse AI 智能体上线语音模式与动态虚拟形象

Meta 为 Muse AI 智能体推出实时语音对话功能,虚拟形象会随说话内容同步做动画,用户可通过对话或设置调整语音语气。该功能已在美国的 App 上线,并将"很快"登陆 Meta 的 AI 眼镜及今年晚些时候发货的 Muse Charm 设备。

TechCrunch · AI

Meta 向美国用户开放与 Muse AI 数字形象的视频聊天

Meta 宣布,Muse Voice 已向美国所有用户开放,支持与消费级 AI 智能体 Muse 通话和视频聊天。该功能由 Muse Realtime Avatar 和 Muse Realtime Voice 技术支持,用户可定制数字形象,Meta 称其表情与手势会配合对话语气。

11月5日星期四

TechCrunch · AI

Aina 发布带屏幕、摇杆和麦克风的 AI 智能戒指,售价 399 美元

硬件初创公司 Aina 发布了一款名为 "AI ring" 的智能戒指,配备屏幕、摇杆、麦克风和扬声器,可通过语音向 AI 智能体发送提示词、记笔记和接打电话。该戒指早鸟价 399 美元,之后恢复 499 美元,计划于 2027 年 1 月开始发货。Aina 此前曾推出 Mac 三键控制器 Mirage,并于 7 月完成 550 万美元融资。

The Verge · AI

Amazon Bee Frontier 实测:心理治疗师建议我把它扔出窗外

Victoria Song 实测持续录音的 AI 穿戴设备 Amazon Bee Frontier,发现其摘要与成长建议多次误读对话,让她怀疑自身记忆。设备在区分电视对白方面有所改善,也能帮助回忆工作要点,但仍会混淆说话者、把玩笑当事实,并对心理治疗中的情绪作出与她体验不同的判断。切换到医疗就诊模板后,摘要更侧重事实;她的心理治疗师则担心,这类设备会加剧她的反复思虑与完美主义,并建议停止佩戴。

TechCrunch · AI

Apple Siri Recaps 实测:自动记笔记很实用,持续监听也令人不安

Apple 的 Siri Recaps 在实测中记录了修车和租车的关键口头信息,也混入家庭闲聊与不必要的细节。该功能随 iOS 27.3 和 watchOS 27.3 开发者测试版进入测试,可为 Apple Watch Series 12 用户汇总全天音频;Apple 尽可能在端侧处理,不识别说话者、不保存原始音频,并隐去私人信息。

11月4日星期三

Hacker News 首页

Show HN:侦探游戏 Uncracked City 上线,审问会说谎的 LLM 嫌疑人

侦探游戏 Uncracked City 登陆 App Store 和 Google Play,玩家可在真实城市场景中搜索线索、用打字或语音以六种语言审问 LLM 扮演的嫌疑人,并识破其谎言。每个案件有四名嫌疑人、其中一人说谎,玩家需将线索与陈述对质,破谎后撰写报告,仅有三次机会。游戏含巴黎、里约、马拉喀什、东京、悉尼五个训练关卡,多数正式案件尚无玩家破解。

The Verge · AI

Apple 开始向第三方应用开放 Siri AI 操作能力

Apple 在周二推出的 iOS 27.3 开发者预览更新中,允许开发者为所有应用集成 Siri AI 的新功能。Siri AI 可结合用户个人上下文、自然语言提示词和屏幕感知完成请求,新增的“app skills”允许开发者将多个任务组合为一次操作。应用处于前台、运行 Live Activity 或用户正与 Siri AI 讨论该应用时,用户无需在请求中提及应用名称。

Hacker News 首页

研究工程师如何使用 AI(2026 年 10 月)

一位 Salesforce AI Research 研究工程师复盘个人 AI 使用方式,如今管理约 5–6 个编码智能体,机器编写了其 90%+ 的代码。智能体加快了原型开发,但他仍手动审查和测试,审查重点转向架构与系统性问题,同时感到并行管理多个任务令人疲惫。

11月3日星期二

Hacker News 首页

JIVX:用真实 YouTube 视频逐句练习日语口语

JIVX 可将 1 到 180 分钟的日语 YouTube 视频自动切分成逐句练习页,用户通过打字或朗读完成句子并获得逐句评分。平台按 N5 到 N1 分级标注每句难度,短句量约为每 30 秒一句,也可直接使用他人已创建的练习页。