/
Krisp推出VIVA开发工具包提升语音智能体精准度
语音AI解决方案提供商Krisp发布了VIVA语音隔离AI模型和软件开发工具包，专为语音AI智能体设计。VIVA每月处理超过10亿分钟的语音音频，能在20毫秒内处理音频，将对话轮转准确性提升3.5倍，减少50%的通话中断。该工具可过滤背景噪音和笑声，避免AI误判，提升转录准确性和用户体验。
Mistral发布首个开源AI音频模型Voxtral
法国AI初创公司Mistral发布首个音频模型家族Voxtral，旨在为企业提供真正可用的语音智能解决方案。该模型可转录30分钟音频，理解40分钟内容，支持问答、摘要生成和语音命令执行。Voxtral支持英语、西班牙语、法语等8种语言，提供24B参数的Small版本和3B参数的Mini版本。定价从每分钟0.001美元起，声称成本不到同类方案的一半。
打造能倾听所有人的语音AI：迁移学习与合成语音的实践应用
传统语音助手往往无法很好地服务于有语音障碍的用户。通过深度学习和迁移学习技术，新一代对话AI系统能够理解更广泛的语音模式。这些系统不仅能识别非标准语音，还能基于用户的语音样本生成个性化合成语音，帮助用户保持声音身份。实时语音增强技术能够改善发音、填补停顿，让AI成为对话中的助手。对于企业而言，构建包容性AI不仅是道德责任，也是巨大的市场机遇。
Deepgram推出Saga：为开发者打造的AI语音接口
Deepgram发布了名为Saga的AI语音操作系统，专为开发者设计。该工具作为通用语音界面直接嵌入开发环境，允许开发者仅通过语音控制工具和代码。Saga集成了多种AI原生编码环境，包括Cursor和Windsurf，还可维护Linear、Asana、Jira等项目管理软件的状态更新。开发者可通过语音表达想法，如"创建一个响应表情符号的Slack机器人"，Saga会将其转换为可执行的编程提示。该工具旨在减少开发者在工具间切换的"静默税收"，提高开发效率。
谷歌AI搜索实时语音功能正式上线
谷歌在美国地区的iOS和Android应用中推出了AI搜索语音功能Search Live。用户需在实验室模式中开启AI功能，即可通过语音与搜索进行对话交流。该功能基于定制版Gemini驱动，支持连续语音问答和文本转换。谷歌称这适合用户在移动或多任务处理时使用。未来几个月还将支持实时图像识别和解答功能。不过此功能可能影响原始信息源网站的访问流量。
Wispr 的 Flow 语音转写软件现已可在 iPhone 上使用
Wispr 的 Flow 是一款创新的 iOS 语音输入软件，借助 AI 技术能将语音无缝转换为精美文字，每周免费 2000 字，支持 100 多种语言，并能实现多设备同步。
BBC内部访谈：驱动技术创新在BBC
BBC 的研发团队致力于利用技术为公共利益服务，从内容真实性验证、沉浸式媒体体验到 AI 语音转文字系统，实现跨行业创新，造福社会。
Spotify 的 AI DJ 现已支持点歌
Spotify 的 AI DJ 允许付费用户通过语音请求播放符合心情、艺术风格、流派或活动氛围的歌曲。该功能由 OpenAI 实时生成语音，旨在融合个性化推荐与传统电台体验，但初期版本仅支持英文请求。
Yelp 推出针对餐厅及服务提供商的 AI 语音助手
Yelp 正在测试基于 AI 的语音代理，通过 OpenAI Realtime API 与企业数据整合，实现自动接听电话、管理预订、过滤垃圾信息和通话分析，疑难问题由人工跟进，助力客户服务。
Amazon Nova Sonic AI 不只是听懂你说什么，还能理解你的语气
亚马逊推出了一款名为 Nova Sonic 的 AI 语音模型，它不仅能理解语音内容，还能捕捉说话者的语气、犹豫等细微变化。这个模型整合了语音识别、回复生成和语音合成功能，能够实现更自然的对话交互。Nova Sonic 可以根据说话者的语气调整回应，理解对话中的停顿，并能适当处理打断等情况，从而提供更智能、更人性化的语音交互体验。
企业专用 AI 语音模型新秀：aiOla 推出 Jargonic，号称在企业术语识别方面优于竞品
aiOla 推出了一款名为 Jargonic 的新型自动语音识别模型,专为企业使用而设计。这个模型能够处理专业术语、背景噪音和各种口音,无需大量再训练或微调。Jargonic 采用独特的关键词识别系统,可以零样本适应企业特定词汇。在多项基准测试中,Jargonic 在准确性和专业术语识别方面都优于主要竞争对手。这款模型现已通过 API 向企业客户开放使用。
Observe 推出 VoiceAI 智能助手，通过拟人化语音实现客服中心自动化，避免打断对话
Observe.AI 正式推出 VoiceAI 智能语音助手，旨在自动化处理呼叫中心的日常客户交互。该解决方案集成了多项 AI 技术，包括语音识别、文本转语音和专有 AI 模型，可无缝对接企业现有系统。通过提供拟人化的语音服务，既能提升客户体验，又能大幅降低运营成本，帮助企业打造智能化客服中心。
OpenAI 新推出的语音 AI 模型 gpt-4o-transcribe 让你几秒钟内为现有文本应用添加语音功能
OpenAI 发布三款全新专有语音模型，包括 gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-mini-tts。这些模型基于 GPT-4o 开发，提供更准确的转录和语音合成能力，支持 100 多种语言，可通过 API 集成到第三方应用中。新模型在英语转录准确率方面表现出色，错误率仅为 2.46%，并支持语音定制和情感表达。
Anthropic 据报道正在为 Claude 准备语音模式
据报道，人工智能初创公司 Anthropic 正在为其 AI 聊天机器人 Claude 开发语音功能。公司首席产品官表示，计划推出允许用户与 AI 模型对话的体验。Anthropic 已进行内部原型开发，并与包括亚马逊在内的多个合作伙伴讨论，以加速语音功能的推出。这将使 Claude 的交互方式更加自然，为用户提供新的使用模式。
ElevenLabs 推出自研语音转文本模型
ElevenLabs是一家刚刚完成1.8亿美元融资的人工智能初创公司，主要以其音频生成能力而闻名。该公司通过推出首个独立的语音转文本模型Scribe，迈出了另一个技术方向。该初创公司估值为33亿美元，已帮助许多其他公司提供语音转文本服务，利用其庞大的声音库。然而，该公司现在希望进入语音检测领域，与Gladia、Speechmatics、AssemblyAI、Deepgram和OpenAI的Whisper模型竞争。
美国银行 FNBO 使用 Pindrop 应对语音诈骗和深度伪造
美国第一国民银行 (FNBO) 与语音安全专家 Pindrop 合作,采用创新技术来识别和验证客户身份。通过结合云端欺诈检测和身份认证系统,FNBO 实现了无摩擦的客户验证,提高了安全性和用户体验。该银行还在测试新的深度伪造检测功能,以应对日益严重的 AI 语音欺诈威胁。这种合作体现了银行业应对网络犯罪挑战的新趋势。
Meta Connect 2024，Meta 推出 Orion AR 眼镜、Quest 3S VR头显、Ray-Ban智能眼镜
在显示技术上，Orion采用了碳化硅镜片和先进的光波导技术，结合Micro LED投影仪，提供了70度的视场角，这在小型AR眼镜中是前所未有的，为用户提供了更为沉浸式的体验。
Qwen2-Audio：多模态AI系统，融合语音对话和音频分析功能
多模态AI系统，融合语音对话和音频分析功能，支持超过8种语言和方言，无需自动语音识别即可进行语音交互，提供音频信息分析和多语言支持。
顶会论文防语音欺诈新成果：KDD 2022火山语音提出“无中生有式”对抗语音攻击创新方案
国际顶级学术会议ACM SIGKDD（国际数据挖掘与知识发现大会，KDD）正于美国华盛顿召开。会上，火山语音多篇论文被KDD 2022 Research track接收并发表，创新性地提出基于语音合成来有效攻击语音识别系统的新技术路径，用于高效并准确发现语音安全领域的新漏洞。
京公网安备 11010802021500号
