技术方向
AI 语音与音频：语音合成、实时语音对话、音乐生成与音频理解的模型与产品。
8 条精选近 30 天 5 条共收录 93 条
AWS 官方介绍了如何在 Amazon SageMaker AI 上使用 Kokoro-82M 模型和双向流式传输，实现 AI 智能体生成首句文字即开始语音合成。该方案通过逐句推送和传输优化，将首音频响应时间缩短了数倍。
推荐理由：文章给出了基于 Amazon SageMaker AI 部署 Kokoro 82M 模型并进行双向流式传输的具体架构和性能对比，读者可以参考其实现来降低语音智能体交互延迟。
Amazon Polly 为其生成式语音引擎推出了重大升级，带来更自然、更具表现力且低延迟的语音输出。此次升级新增了 9 个区域的 14 个新语音，并首次在生成式引擎中全面提供印地语和芬兰语支持。现有应用的 API 调用与语音名称保持不变，支持作为直接放置升级接入。
推荐理由：该升级在保持现有 API 和定价不变的前提下提升了语音自然度和准确性，并新增了多语言支持，有助于开发者低成本优化现有应用的音频生成体验。
Mistral 发布了 Voxtral 3 语音模型系列与实时语音智能体 SDK，涵盖语音转文本、文本转语音及流式智能体管线。该系列支持 50 多种语言与方言，具备高精度转录、情感自适应语音合成及端到端工具调用能力。Voxtral 3 提供欧洲托管 API 以及支持私有化部署的自建方案，满足企业的数据主权需求。
推荐理由：Mistral 推出了覆盖语音识别、语音合成与实时智能体 SDK 的 Voxtral 3 系列，支持多语种和本地化部署，为开发者构建端到端语音应用提供了新的架构选择。
Hugging Face 联合 IBM 发布了 Granite Switch 4.1 模型（包含 8B 和 30B 版本），通过复用基底模型的 KV cache 并在单个托管端点上集成了通用决策 aLoRA、安全卫士 aLoRA 以及语音转文本模型 Granite-Speech-5.0-Turbo-CTC。
推荐理由：原文介绍了多功能组合模型的架构及复用 KV cache 的实现方式，读者可以了解如何在单个端点上高效组合决策与语音能力。
OpenAI 旗下 Higgsfield 平台更新，通过集成 GPT-6 Astra 模型将视频生成时长从 1 分钟提升至 10 分钟以上。同时引入 GPT-Image-2.5 提供更精确的视觉效果，并利用 GPT-Live 开启语音电影制作功能。
推荐理由：OpenAI 旗下 Higgsfield 平台通过集成 GPT-6 Astra 等模型，将 AI 视频生成时长提升至 10 分钟以上并引入语音电影制作功能。
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。
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。
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。
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。
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。
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。