NeurIPS 26 論文 EchoChat：把共情語音對話拆成感知、心智理論推理與回應三步
EchoChat 將共情語音對話拆成情緒感知、心智理論推理與語音回覆生成三個環節，並用統一框架聯合最佳化。它在監督微調階段引入 Acoustic-Anchored Attention 強化對聲學線索的利用，在強化學習階段用 SDCA 為各環節分配針對性獎勵，並以門控機制約束後續階段的獎勵。團隊同時建置了 EchoDialogue-400K 共情對話資料集，以及真人錄製、心理學專家標註的 EchoEval 評測基準。
把共情語音對話顯式拆成感知、心智理論推理與回應三段做聯合訓練，並配套 40 萬級資料集與心理學專家標註的評測基準，為語音情感互動研究提供了可拆解、可比較的路線，對語音大模型方向的研究者最有用。
原標題：NeurIPS 26 | 从声音到回应，AI如何理解并表达共情？
閱讀原文
| 評分 | 64 / 62（平均 63，門檻 65） |
|---|---|
| 狀態 | 未入選 |
相關報導
llm-echo 0.5 發布，模擬 token 統計計入工具呼叫與推理 token
llm-echo 0.5 發布，這個除錯外掛不接入任何 LLM，只把收到的 prompt 原樣回顯，新版讓模擬的 token 用量統計把工具呼叫、系統提示詞和推理 token 都計算在內。
魔法原子 EchoPolicy-0 登頂 MolmoSpaces 具身榜單
在 AI2 發起的 MolmoSpaces 零樣本具身評測 Combined 榜單上，魔法原子 VLM Agent 框架 EchoPolicy-0 以 75.4% 的機器人操作平均成功率拿下全球第一，覆蓋全部 4 個 v1 任務，共 3915 局全量評測。同一分組下，自研具身 Agent 框架 MagicBrain 以 3.4B 引數位列全球第四，抓取成功率 94.4%，Pick-v1 與 Pick & Place-v1 兩項任務均為全球第一。
@MistralAI: Voxtral Mini TTS 3 achieves state-of-the-art expressiveness in 35+ languages and 50+ dialects.
Mistral 發布語音合成模型 Voxtral Mini TTS 3，官方稱其在 35 種以上語言和 50 多種方言上達到當前最佳的表達力。模型支援隱式指令跟隨，能從對話內容中讀出情緒、語速與重音；也支援顯式控制，用 [emotion=sad][pace=slow] 這類標籤逐行設定情緒和節奏。
語音 AI 高管：全雙工已實現，仍未迎來 ChatGPT 時刻
企業語音 AI 平台 PolyAI 的 CTO Shawn Wen 在 HumanX 大會上表示，全雙工模型雖已實現，語音 AI 仍未迎來自己的「ChatGPT 時刻」，下一步的關鍵是讓推理足夠快、對話足夠自然。會議記錄工具 Otter 的 CMO Alex Gay 指出，說話人識別、意圖捕捉並與組織知識結合才是自動化的關鍵，Otter 還在研發可代表參會者的數字孿生。兩人都提到 ASR 模型常漏掉關鍵詞，轉寫不準會讓後續動作全部出錯、使用者失去信任；
ChatGPT 上線音訊上傳：付費訂閱可轉錄與總結錄音
OpenAI 為 ChatGPT 加入音訊檔案上傳功能，可生成轉錄、總結錄音內容並針對錄音提問，還能把會議、訪談或講座整理成結構化筆記或跟進郵件草稿。該功能面向付費 ChatGPT 訂閱與工作區開放，實際可用性受工作區設定、地區、客戶端版本和模型影響。官方提示轉錄可能包含錯誤，不同語言的表現也存在差異。