Stretto 如何用 Amazon Nova 2 Sonic 构建 AI 语音智能体
Stretto 与 AWS Generative AI Innovation Center、CI&T 合作构建了破产咨询 AI 语音智能体 Tara,并基于 Amazon Nova 2 Sonic 完成端到端架构和生产部署。
Stretto 与 AWS Generative AI Innovation Center、CI&T 合作构建了破产咨询 AI 语音智能体 Tara,并基于 Amazon Nova 2 Sonic 完成端到端架构和生产部署。
Google DeepMind 开始向符合条件的 Google AI Ultra 订阅者推出新 Project Genie 体验,开放 Genie 4、Project Genie 智能体和社区画廊。
推荐理由:新体验集中展示了实时生成世界、智能体创作和社区分享的完整流程,为理解交互式世界模型的产品化路径提供了具体参考。
Hugging Face 以 Apache 2.0 许可证开源0.5B参数语音识别模型 Rumble-2-Flash,支持40+种语言,并原生支持 Transformers 和 vLLM。
推荐理由:通过与更大模型对比及通话场景评测,文章呈现0.5B语音识别模型在多语言、速度和鲁棒性上的表现。
AWS 介绍了 AssemblyAI 使用 Amazon ECS、Amazon EC2 Spot Instances 和 Amazon SQS 优化大规模语音转文字推理成本的架构。
推荐理由:AssemblyAI 的案例完整展示了通过多类型 GPU 实例、SQS 重试和区域隔离控制推理成本并保障服务可用性的方法。
Microsoft Research Focus 第98期由 Anson Ho 汇总微软最新研究,涵盖 AI 语音翻译、31 年数学猜想 KLS 的突破,以及 AI 编程智能体效率优化。
Amazon SageMaker AI 宣布为双向流式推理引入按用量计费,模型提供商可在实时会话中报告实际使用量,并按 AWS Marketplace 约定收取软件费用。
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。
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。
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。
NVIDIA 为 RTX Spark Windows 笔记本生态带来 Nemotron 3.5 Transcribe、GPU 资源管理、LFM3 支持及多项游戏更新。
推荐理由:围绕本地推理、语音模型、智能体资源调度与游戏图形更新,材料集中呈现 RTX Spark 生态的新增能力与适用场景。
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。
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。