跳到正文
AI 资讯
今天11月19日周四2 条
11月18日周三
11月14日周六
11月13日周五
11月11日周三
11月6日周五
  1. Hugging Face Blog37

    Hugging Face 与 Liva AI 将埃及和尼日利亚英语口音加入 Open ASR Leaderboard

    Hugging Face 与 Liva AI 合作,为 Open ASR Leaderboard 增加埃及和尼日利亚英语口音的两组私有数据,时长分别为 1.34 小时和 1.55 小时,均采用自然对话风格。排行榜将按 Kachru 三大圈细分美国与非美国口音,并区分 Inner Circle 与 Outer & Expanding Circles,以提升 ASR 评测的代表性和可信度。

11月5日周四
  1. Hugging Face Blog74

    Gradium 发布可在端侧运行的 Phonon 语音合成模型

    Gradium 发布 Phonon 端侧文本转语音模型,可在无服务器、无网络条件下生成语音,并开放模型权重。Phonon 31m 采用 Apache 2.0 许可,支持英语;另一个 40m 版本覆盖英语、法语、德语、西班牙语和葡萄牙语。

    推荐理由:Phonon提供了离线运行、多语言支持和公开权重,榜单成绩与部署方式可供开发者评估实际采用价值。

11月4日周三
  1. AWS Machine Learning Blog47

    基于 AWS 与 Cartesia 构建超低延迟语音 AI 应用

    Cartesia 借助专用 State Space Models(SSMs)和 AWS 基础设施,构建支持全球规模运行的超低延迟语音 AI 应用。Sonic 文本转语音模型首个音频字节约 90ms,支持超过 44 种语言,并可用 10-second 音频样本克隆声音;Ink 语音转文本模型支持流式转录、原生轮次检测和多说话人处理。

10月28日周三
  1. Google DeepMind75

    Google DeepMind 发布 Genie 4 实时世界模型

    Google DeepMind 发布 Genie 4 世界模型,支持原生多模态生成与实时交互式世界模拟。模型结合 Gemini Omni、Gemini 3.8 Flash 等能力,可生成环境音效和交互对话,并模拟物理现象、人物动作及多步骤事件。

    推荐理由:原文同时呈现了 Genie 4 的能力边界与可信测试反馈,便于理解实时世界模型当前的可用范围。

10月20日周二
  1. Mistral AI81

    Mistral AI 发布 Voxtral 3 语音模型与实时语音智能体 SDK

    Mistral AI 发布 Voxtral 3 语音模型家族与实时语音智能体 SDK,支持 50+ 语言的转写、对话推理和语音生成。Voxtral Small Transcribe 3 提供多语言转写、说话人分离和上下文偏置,Voxtral Mini TTS 3 支持 35+ 语言、50+ 方言及声音克隆,实时智能体可结合推理、工具调用和语音生成处理多步任务。

    推荐理由:原文给出转写、实时语音生成与智能体 SDK 的能力、基准和定价,便于评估语音智能体落地时的效果与成本。