跳到正文
#语音
10月12日周一
  1. AIHot32

    2026 年 12 款 AI 实时翻译工具对比：延迟、语言与定价

    本文对比了 12 款 AI 实时翻译工具在延迟、语言支持及定价方面的表现，涵盖了从个人通话到大型会议的多种应用场景。Palabra.ai 提供低于 1 秒延迟的 API 服务，Google Gemini 3.5 Live Translate 支持 70 多种语言，而 Apple Live Translation 则在 iOS 26 设备上实现端侧实时翻译。

    发布时间：
  2. AIHot44

    Raise Financial Services 与 Cartesia 合作，为印度金融市场打造多语言语音 AI

    Raise Financial Services 与 Cartesia 达成合作，将 Sonic 文本转语音模型接入其自研实时语音基础设施，为印度金融市场提供多语言语音交互服务。该模型支持 11 种印度语言及单次生成内的语码切换，目前已应用于 Dhan 的语音机器人并处理会话式 KYC 等任务。数据显示，该系统中超 75% 的交互使用非英语语言，其中印地语占比超过一半。

    发布时间：
  3. AIHot64

    Grok 智能体功能登陆特斯拉 Cybercab

    特斯拉 Cybercab 现已支持使用 Grok 智能体，用户通过一次登录即可在后续行程中通过语音指令完成购物、发送邮件、订购咖啡及管理日程等任务。该功能支持自动登录已授权应用，并在乘客下车时自动登出以保障隐私。

    发布时间：
  4. AIHot38

    TII 发布 Falcon-ASR：1.6B 阿拉伯语语音模型，平均 WER 20.92%

    阿布扎比 TII 发布 1.6B 参数的阿拉伯语语音识别模型 Falcon-ASR，在 6 个阿拉伯语测试集上实现 20.92% 的平均 WER，较 Audar-ASR-V1-Turbo 降低 2.25 个百分点。该模型专注于阿联酋方言并支持英语、法语、西班牙语和葡萄牙语，具备词级时间戳功能。目前 Falcon-ASR 仅提供 Hugging Face 托管演示，暂未开源权重或提供 API。

    发布时间：
10月11日周日
10月10日周六
  1. TechCrunch · AI42

    Natura 推出 99 美元智能戒指 Interface，旨在实现 AI 智能体随身交互

    硬件初创公司 Natura 发布了售价 99 美元的智能戒指 Interface，该设备支持用户通过语音指令与 Claude、ChatGPT、Grok Bot 等 AI 智能体交互。除了具备心率、睡眠及运动等健康监测功能，它还支持通过 NatureOS 应用或耳机获取反馈，续航时间长达 6 至 12 天。产品预订将于下月开启，预计于 12 月或 1 月发货，后续将收取每月 9 美元的订阅费用。

    发布时间：
10月7日周三
  1. Hugging Face Blog47

    TII 发布 Falcon ASR 语音识别模型

    TII 发布了参数规模为 1.6B 的 Falcon ASR 语音识别模型，该模型支持阿拉伯语（重点优化阿联酋方言）、英语、法语、西班牙语及葡萄牙语。在六项阿拉伯语测试中，Falcon ASR 的平均词错误率（WER）为 20.92%，优于此前 23.17% 的最佳公开结果，并支持单词级时间戳功能。目前用户可通过 Hugging Face Demo Space 进行体验。

    发布时间：
10月2日周五
  1. Apple Machine Learning Research45

    语言判别能力如何提升多语言语音模型的学习效果

    研究表明，在预训练阶段增强多语言语音模型的语言判别能力，可有效缩小其与单语言模型之间的性能差距。通过在 HuBERT 模型中引入辅助语言分类器和分语言 k-means 目标，模型在双语基准下的 phone-ABX 错误率从 11.6% 降至 10.4%，词汇性能（sWUGGY）从 52.1% 提升至 56.7%。

    发布时间：
9月30日周三
9月25日周五
  1. Google DeepMind76

    Google 发布 Gemini 3.8 Live 数字人功能

    Google DeepMind 推出 Gemini 3.8 Live with Live Avatar，通过实时视频生成技术为对话模型增加视觉形象。该功能支持 97 种语言的唇形同步、异步工具调用以及企业自定义数字人形象，目前已在 Gemini Enterprise 中上线。

    发布时间：

    推荐理由：Google DeepMind 为 Gemini 3.8 Live 引入实时数字人功能，支持异步工具调用与多语言唇形同步，为企业级智能体交互提供了更具表现力的视觉方案。

9月23日周三
  1. Google DeepMind72

    Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音生成模型

    Google 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 模型，支持通过自然语言提示词创建自定义角色语音、进行逐行表演指导及多角色场景编排。新模型支持超过 100 种语言，具备语音克隆、SynthID 水印及 C2PA 凭证功能，现已在 Google AI Studio 和 Gemini API 中开放使用。

    发布时间：

    推荐理由：Google 发布了 Gemini 3.8 系列语音生成模型，通过自然语言提示词实现精细化的语音设计与表演控制，为开发者和企业提供更具表现力的音频生成能力。

9月16日周三
  1. Google DeepMind74

    Google 发布 Gemini 3.8 Live 及 Gemini 3.8 Live Extended Thinking 模型

    Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款语音模型，旨在提升语音智能体的实时推理与复杂任务处理能力。

    发布时间：

    推荐理由：Google 发布了 Gemini 3.8 Live 系列模型，通过引入实时推理和多步思考能力，为语音智能体提供了更流畅的交互体验与任务执行效率。

5月29日周五