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。
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。
Apple Watch 的 AI 音频智能功能开始面向开发者 beta 测试,首批随 iOS 27.3 更新提供,涵盖声音识别、歌曲识别、Live Rewind 和 Siri Recaps。
Rivian与Volkswagen Group将AI语音助手技术纳入价值58亿美元的合资项目,Rivian将向Volkswagen Group授权相关技术。双方尚未披露授权费用、付款条款及具体车型,但ID EVERY1可能成为首款采用该技术的Volkswagen车辆。Rivian的AI助手已于2026年5月和10月分别部署到旗下多款车型。
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。
腾讯混元于10月26日发布并开源同声传译大模型 Hy-SimulMT,支持中英语音到语音实时翻译。其实测响应时间约3秒,效果超过主流商用 API。
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。