语音模型

Phonely Ltd. 宣布推出 Alma，这是一款专为语音代理构建的大型语言 AI 模型，该模型基于超过 1000 万条真实电话对话进行训练。 该公司表示，许多用于语音代理的 …

FlexiSLM 带来的意义，并不只是“又做了一个更低帧率的语音模型”。我们觉得它的价值在于，为 Speech LLM 引入了一种新的部署范式。

Cartesia 发布了 Sonic-3.6，这是其实时文本转语音（TTS）模型的最新版本，距 Sonic-3.5 发布约三个月。这次的变化在于自然度，而且这一点是可以独立验证的。…

NVIDIA 发布了NemotronLabs VoiceChat 11B，这是一款开源的 11B 端到端语音模型，支持实时全双工对话。它无需像传统 ASR、LLM 和 TTS 那样…

以 GPT-4o、Moshi、GLM-4-Voice、Qwen-Omni 为代表的端到端语音大模型（SLM）正在推动人机交互迈向“开口即对话”的新阶段。然而，在需要精确、结构化推理…

端到端语音对话模型最让人头疼的地方，是“聪明”和“会说”常常互相拉扯。WavAlign 给出的答案很朴素：不要把同一个偏好奖励粗暴地砸到所有 token 上。把语义交给偏…

Miso Labs 发布了 MisoTTS，这是一款开放权重、拥有 80 亿参数的文本转语音模型。它能够根据文本和音频上下文生成富有表现力的语音。该模型采用残差矢量量化 (RVQ)…

AI 语音模型正在飞速发展，为各行各业的通信和自动化带来了突破性进展。MattVidPro 最近的一份分析报告重点关注了该领域的一些领军企业，包括 OpenAI、Google、XA…

今天，字节跳动 Seed 正式推出原生全双工语音大模型 Seeduplex。相比于上一代半双工豆包端到端语音模型，Seeduplex 基于“边听边说”的全新框架设计，交互体验的自然…

谷歌已通过 Google AI Studio 中的 Gemini Live API 向开发者发布了 Gemini 3.1 Flash Live 预览版。该模型旨在实现低延迟、更自然…

为解决低资源语言 SLLMs 多任务理解的核心难题，本文以泰语为典型研究对象，提出一套集专用语音编码器、高效通用对齐方法、规模化数据生成方案于一体的综合性解决方案。

语音技术仍然面临数据分布问题。自动语音识别 (ASR) 和文本转语音 (TTS) 系统在高资源语言方面取得了快速发展，但许多非洲语言在开放语料库中的代表性仍然不足。谷歌及其合作者组…

总部位于巴黎的初创公司 Mistral AI 自诩为欧洲的 OpenAI，该公司于周三发布了两款语音转文本模型。该公司表示，这两款模型能够比市场上任何其他产品更快、更准确、更便宜地…

微软发布了 VibeVoice-ASR，它是 VibeVoice 系列开源前沿语音 AI 模型的一部分。VibeVoice-ASR 被描述为一个统一的语音转文本模型，可以一次性处理…

NVIDIA 研究人员发布了 PersonaPlex-7B-v1，这是一个全双工语音到语音（Speech-to-Speech）对话模型，旨在实现具有精确角色控制的自然语音交互。 从…

Hume AI 正在内部测试 Octave 2 Multilingual，这是一种文本转语音模型，具有跨 10 多种语言的低延迟语音合成功能，可实现实时音频。 Hume AI 正准…