Apple Machine Learning ResearchAI 評分57
語音基礎模型可直接從語音中檢測語碼轉換
一項新研究提出直接從語音中檢測語碼轉換（同一句話內多語言交替）的輕量方法，不再依賴先把語音轉寫成準確的多語言文字、再在文字中找語言交替。該方法利用預訓練語音基礎模型中的幀級語言資訊。研究動機是多語言語音中語碼轉換常見，但在預訓練語料中覆蓋不足，需要在大型語音集合中定位這類語句，以便納入訓練資料。
搜尋
依意思最接近的 30 筆
TechCrunch AIAI 評分45
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；
X @MistralAI● 精選AI 評分62
@MistralAI: Voxtral Small Transcribe 3 is state-of-the-art in multilingual transcription, diarization and conte…
Mistral AI 公布 Voxtral Small Transcribe 3，稱其在多語言轉寫、說話人分離和上下文偏置三項能力上達到當前最優（state-of-the-art）。該模型能檢測說話人何時結束髮言，使語音 agent 無需等待即可及時回應，面向需要即時語音互動的場景。官方此次只披露能力定位，未公布引數規模、基準分數、價格、許可證或上線時間，也未給出與同類模型的對比結果和開放使用方式。
X @OpenAIDevs● 精選AI 評分61
OpenAI 新增九個語音預設，覆蓋法德印日韓五語
OpenAI 開發者帳號宣布新增九個語音預設，全部由法語、德語、印地語、日語和韓語的母語演員錄製，覆蓋五種語言。官方同步給出 custom voices 入門指南連結，指向 developers.openai.com 的 API 文件，供開發者瞭解如何開始使用。推文未說明音色名稱、可用模型、價格與開放範圍。
X @GoogleDeepMind● 精選AI 評分85
SynthID Detector 向所有人開放，可檢測多家 AI 生成內容
Google DeepMind 宣布 SynthID Detector 現已向所有人開放，可用來判斷網上內容是否由 AI 生成。該工具除 Google AI 外，還支援檢測 OpenAI、NVIDIA、Kakao 等行業夥伴工具生成的內容，Apple 即將加入。使用者可通過 synthid.com 試用。
Hacker News front page● 精選AI 評分76
Mistral 發布 Voxtral 3 語音模型家族及語音 agent SDK
Mistral 推出 Voxtral 3 語音模型系列，並配套語音 agent SDK，將監聽、推理、工具呼叫和發音整合進一條即時流式處理管線。轉寫模型 Voxtral Small Transcribe 3 支援 50+ 語言、說話人分離和關鍵詞上下文偏置，官方稱它在多語言轉寫與說話人分離基準上優於 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；Mini 版僅有 4B 引數，每分鐘 0.0035 美元。
Google Developers blogAI 評分58
ADK 搭配 gemini-3.8-live：非阻塞工具讓語音 agent 長時間查詢不靜默
開源 Agent Development Kit（ADK）搭配 gemini-3.8-live，可以建置在後端長時間查詢時仍保持回應的語音 agent。指南給出兩種 Python 寫法：一是用 streaming tools 持續產出進度更新，二是用後臺執行模式，讓對話在耗時任務進行中保持流暢。開發者還可配置 WHEN_IDLE、INTERRUPT、SILENT 三種回應排程行為，精確控制工具結果何時、以何種方式送回對話。
X @MistralAI● 精選AI 評分63
@MistralAI: Voxtral 3 also introduces a voice agent SDK, built on LiveKit.
Mistral 在 Voxtral 3 中附帶發布了語音 agent SDK，底層基於 LiveKit 建置。該 SDK 把語音流程串成一條流式管線：Transcribe 負責收音轉寫，一個推理模型負責思考並呼叫工具，Speech 負責生成回覆，三段串聯以支援自然、即時的語音對話。官方推文只給出這套管線結構，未披露價格、上線時間與語言支援等細節。
X @MistralAI● 精選AI 評分66
@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。
Hacker News front pageAI 評分69
Whistle 發布 16.9 MB 語音識別模型，CPU 上執行並支援七種語言
Whistle 是一個 16.9 MB 的單檔案端側語音識別模型，無依賴、在 CPU 上執行，與 Needle 共用同一套 C++ 引擎。它支援英語、德語、法語、西班牙語、義大利語、荷蘭語和波蘭語，單次最多處理 30 秒 16 kHz 單聲道音訊，可自動檢測語種，並輸出逐詞時間戳與語音嵌入。
X @SpaceXAIAI 評分51
Grok Voice 3.0 發布：語音延遲降低 40%
SpaceXAI 宣布 Grok Voice 3.0 在語音 agent 任務上達到前沿水平，延遲較此前降低 40%。官方給出的落地案例是 SpaceX 內部：該模型能自主處理 70% 的 Starlink 客服來電，無需人工介入。官方本次只披露延遲降幅與自主解決率兩項指標，未說明模型規模、開放渠道、定價與上線時間，也未提供與其他語音模型的對比資料。
Hugging Face blogAI 評分64
TII 發布 1.6B 阿拉伯語語音識別模型 Falcon-ASR，主打阿聯酋方言
阿布扎比技術創新研究院（TII）發布 1.6B 引數的語音識別模型 Falcon-ASR，主打阿拉伯語與阿聯酋方言，同一套權重還支援英語、法語、西班牙語和葡萄牙語。在六個阿拉伯語測試集上，它取得 20.92% 的平均詞錯率，比其所用榜單快照中最佳公開結果 23.17% 低 2.25 個百分點；內部阿聯酋方言評測為 22.73% WER、10.19% CER，比次優的 Qwen3-Omni 低 4.07 個百分點。
X @AIatMetaAI 評分33
Meta Omnilingual ASR 入選《時代》2026 年度最佳發明
Meta Omnilingual ASR 被《時代》評為 2026 年度最佳發明之一。這套模型系列可為 1600 多種語言提供語音識別能力，其中 500 種低覆蓋語言此前從未被任何 ASR 系統支援。Meta 表示，多數 ASR 系統只覆蓋網際網路語料充足的語言，此次發布是邁向通用轉錄系統的重要一步。
X @MistralAI● 精選AI 評分62
Mistral 發布 Voxtral 3 語音模型，驅動新語音智慧體 API
Mistral 發布 Voxtral 3，包含 Transcribe 與 Speech 兩類語音模型，官方稱其達到當前最優水平，並用於驅動 Mistral 新的語音智慧體 API。公告以推文執行緒形式給出，未披露模型規模、定價、可用平台與發布時間等細節。
Hacker News front pageAI 評分64
Google DeepMind 上線 SynthID Detector 水印檢測工具
SynthID Detector 是 Google DeepMind 推出的檢測工具，上傳檔案即可判斷其中是否含有 SynthID 數字水印，目前支援圖片、影片、音訊三類內容。該水印由採用 SynthID 的生成式 AI 產品在生成時直接嵌入畫素或音訊頻段，人眼不可見，且能抵抗濾鏡、調色與有失真壓縮等常見改動。它不是通用 AI 檢測器，只能識別 Google、Nvidia、OpenAI、Kakao 等合作方模型產出的內容；
X @SpaceXAIAI 評分42
Grok Voice 3.0 發布：回應低於 1 秒，主打客戶來電
@SpaceXAI 發布語音到語音模型 Grok Voice 3.0，官方稱其為全球最智慧的語音到語音模型。該模型回應時間低於一秒，擅長處理客戶來電，且成本低於其他前沿模型。官方暫未公布具體價格、可用範圍與上線時間。
Hacker News front pageAI 評分37
新工具追蹤 AI 領袖影片言論，Amodei 累計 54 條
有人做了一款工具，追蹤 AI 行業領袖在影片中的公開表態，並展示他們觀點隨時間的變化。目前收錄了 Dario Amodei（累計 54 條）、Alex Karp（51 條）、Marc Andreessen（49 條）、Sam Altman（45 條）、Palmer Luckey（40 條）、Satya Nadella（23 條）、Elon Musk（21 條）、Yann LeCun（6 條）等人，頁面同時標註本週新增條數，例如 Alexandr Wang 本週有 5 條。
X @GoogleDeepMindAI 評分53
Google DeepMind 發布 SynthID Detector，可識別編輯後水印
Google DeepMind 推出 SynthID Detector，可快速識別影片、音訊和影像中的 SynthID 水印，即使內容經過加濾鏡等編輯後依然有效。使用者還可以使用 Google Chrome、Google 搜尋和 Gemini App 中已有的 AI 識別功能。
X @MistralAI● 精選AI 評分63
@MistralAI: With Pro Voice, we’re also rolling out professional voice adaptation.
Mistral AI 上線 Pro Voice 的專業語音適配功能：使用者錄製最長 30 分鐘音訊，即可高保真復刻自己的聲音。官方稱復刻後的音色可在其支援的所有語言中使用，並強調“極高保真度”。公告未披露該功能的開放範圍、訂閱價格與具體上線時間。
量子位AI 評分60
前華為小藝大模型負責人唐都鈺創業，押注主動式物理 AI
前華為小藝多模態大模型研發負責人唐都鈺創辦觀行數智，主攻讓機器自主判斷何時介入的「主動式物理 AI」。團隊採用雙模型協同架構 ProAgent：輕量模型 StreamingJev 持續讀取環境事件流、判斷是否需要介入，Response Model 再決定回應方式與呼叫裝置，並自建評測體系 ProactiveXBench。
The Verge AIAI 評分65
OpenAI 員工因在辦公室藏匿錄音裝置被捕
OpenAI 一名工程師因涉嫌在公司辦公室內藏匿精密錄音裝置被捕，美國司法部稱其被控使用或試圖使用裝置擷取口頭通訊。涉案員工為 35 歲的沙特籍人士 Abdulrahman Alfozan，裝置被發現插在一間高管辦公室電視的 USB 介面上。OpenAI 表示，公司用自家 AI 模型分析該裝置及其來源，確認是某名員工在幾天前放置的。
X @GoogleDeepMindAI 評分43
@GoogleDeepMind: When AI-generated content has become so realistic, how do we verify what's made by human, machine, …
Google DeepMind 發布一期播客，討論 AI 生成內容日益逼真後如何驗證內容來自人類、機器還是自然。節目介紹內容溯源的作用，並講解不可感知水印如何保護數字媒體與生物設計，時間軸涵蓋水印概念、SynthID、影像與影片、SynthID Bio 及未來韌性等章節。
Hacker News front pageAI 評分75
新版機器人檢測基準：AI 智慧體檢出率 9%–99%
聚合五類自動化對手的測試顯示，Proof of Human 檢出 99% 的自動化會話，Cloudflare Bot Management 僅 9.1%，其餘依次為 reCAPTCHA v3 69.4%、hCaptcha 44.3%、Cloudflare Turnstile 42.1%。
X @OpenAI● 精選AI 評分77
OpenAI 推送 GPT-Live-1.1，ChatGPT 語音新增六種語言
OpenAI 為 ChatGPT、Codex 和 dots 的語音功能推送 GPT-Live-1.1，新增法語、德語、印地語、墨西哥西班牙語、韓語和日語的新語音，口音更自然，並減少了「checking...」這類停頓。該更新今日起向所有使用者推送，API 稍後支援。
OpenRouter announcements● 精選AI 評分74
ElevenLabs 上線 OpenRouter，帶來 9 個語音合成與 2 個轉錄模型
ElevenLabs 正式上線 OpenRouter，提供 9 個文字轉語音模型和 2 個語音轉文字模型。已通過 OpenRouter 呼叫語言模型的應用，用同一個 OpenRouter API key 呼叫 POST /api/v1/audio/speech 與 POST /api/v1/audio/transcriptions 即可獲得語音能力，無需另購 ElevenLabs 套餐。
Ars Technica AIAI 評分69
Anthropic 警告小型 AI 模型或借 IoT 裝置自我複製
Anthropic 警告稱，最早明年小型 AI 模型可能具備在各類 IoT 裝置上自主自我複製的能力，進而催生無需人類互動即可傳播的計算機蠕蟲，感染智慧冰箱、吸塵器等陌生裝置。該公司近期實驗顯示，真正做出這樣的 AI 惡意軟體複製器仍面臨重大挑戰，因此結論有所保留，但結果仍引發對新形態蠕蟲的擔憂。Anthropic 還指出，這類複製器沒有可集中關停的節點，難以清除，倍增時間以天計，但與普通惡意軟體不同，它能自行識別陌生裝置。
TechCrunch AIAI 評分53
Flox Intelligence 用邊緣 AI 驅離野生動物，已部署約 150 臺裝置
從瑞典 KTH 皇家理工學院分拆的 Flox Intelligence，用邊緣 AI 裝置在現場識別靠近鐵路、機場和公路的動物，再播放對應物種的聲音將其驅離，目前約 150 臺裝置已部署在北美、歐洲和澳大利亞。裝置一次性售賣，第一年後按年收取軟體與 AI 訂閱費，並已與列車製造商阿爾斯通等達成 OEM 合作，把軟體裝到車輛上。公司預計 2026 年底營收約 150 萬美元，此前累計融資約 500 萬美元，正啟動 1000 萬美元 A 輪，目標把裝置規模擴到數千臺。
TechCrunch AI● 精選AI 評分81
AWS 發布 TorchNeuron，一行配置把 PyTorch 應用遷到 Trainium
AWS 發布開發工具 TorchNeuron，用 PyTorch 寫的 AI 應用只需改一行配置即可跑在自研晶片 Trainium 上，無需重寫程式碼。AWS 稱約 85% 的 AI 應用基於 PyTorch，熟悉 PyTorch 的開發者可直接上手。亞馬遜還會把解耦 PyTorch 與特定晶片的程式碼回饋上游，推動框架硬體無關；Trainium 兼顧訓練與推理，AWS 強調價效比，語音 AI 公司 Deepgram 遷移後每美元處理音訊量提升 70%。
TechCrunch AIAI 評分50
Flock CEO 稱麥克風只識別槍聲，官網卻稱還能檢測煙花與車禍
Flock CEO Garrett Langley 在 TechCrunch Disrupt 臺上稱，公司用於槍聲檢測的麥克風「只聽槍聲」，但官網與公司發言人均表示該音訊系統還能識別煙花、街頭飆車（sideshow）和車禍。Flock 去年推出 Gunshot Detection 時因監聽「尖叫」遭隱私團體批評，官網措辭改為「人類痛苦的聲音」，隨後又向試用客戶撤下該功能。Langley 稱其麥克風數量與 ShotSpotter 相當，後者 2024 年約 2.5 萬個；
Hacker News front pageAI 評分67
Anthropic 稱自複製 AI 蠕蟲或數月內出現
Anthropic 週一發布研究報告，稱可自我複製的 AI 蠕蟲可能數月內就具備在 IoT 裝置上擴散的能力。報告稱 90 億引數模型在 9 類硬體中的 8 類上成功部署推理，Gemma4-26B-A4B 分散跑在 15 臺安卓電視盒上僅 0.39 tokens/秒；GLM-5.2 成功向 8 個安卓 15 模擬器節點傳播 Llama3.1-8B，5 次試驗中 4 次全部成功。