Deepgram 如何用 AWS Trainium 优化大规模语音 AI
Deepgram 与 AWS 合作将 Nova-3 语音转文本模型移植到 Trainium2，用于客服分析、医疗转录等离线批处理场景。最终配置在单台 Amazon EC2 trn2.3xlarge 实例上运行 8 个模型副本，按评估时实例价格计算，每美元处理的音频量比原有算力方案提升 11%–70%。
#语音
#语音
今日 1 条AWS Machine Learning BlogAI 评分3636
Hugging Face Blog精选AI 评分7070 IBM 发布 Granite Switch 4.1：单端点支持对话、决策与语音
IBM 发布 Granite Switch 4.1，包含 Granite-Switch-4.1-8B 和 -30B，在单一托管端点上同时支持自然语言对话、通用与专用决策以及语音转文字。
推荐理由：Granite Switch 4.1 把决策适配器与 ASR 模型合入同一端点，读者可据此判断多任务模型在显存与推理速度上的取舍。
TechCrunch · AIAI 评分5858 亚马逊旗下 Bee 发布两款个人 AI 设备，起售价 74.99 美元
亚马逊旗下个人 AI 硬件品牌 Bee 发布被收购后的首批新品：可戴在手腕或别在衣服上的 Bee Frontier 售价 74.99 美元，信用卡大小、磁吸在手机背面的 Bee Eclipse 售价 99.99 美元。
The Verge · AIAI 评分5555 亚马逊发布 Bee Frontier 与 Bee Eclipse 两款常听式穿戴设备
亚马逊宣布两款 Bee 系列常听式 AI 穿戴设备：74.99 美元的 Bee Frontier 是原版升级款，可作腕带或夹扣佩戴；99.99 美元的 Bee Eclipse 为信用卡大小、磁吸在手机背面，续航 21 天。
The Verge · AIAI 评分4242 Square 推出 Square Kiosk：可对话 AI 点单的自助终端
Square 发布 Square Kiosk 自助点单终端，配备 21.5 英寸触摸屏和“智能体式对话语音层”，能理解商家菜单并实时应答，顾客可提问、要求修改或替换菜品。该设备今日开售，售价 1,999 美元，需 Square Plus 或 Premium 订阅，另收每台每月 99 美元软件费，支持非接触支付和插卡，并可通过存在检测主动迎客。
OpenAI NewsAI 评分00 Higgsfield 用 GPT-6 Astra 将 AI 视频时长从 1 分钟提升至 10 分钟以上
Higgsfield 借助 GPT-6 Astra 把 AI 视频生成时长从 1 分钟延长到 10 分钟以上，同时用 GPT-Image-2.5 提升画面精度，并通过 GPT-Live 打通语音电影制作路径。
The Verge · AIAI 评分2222 没有摄像头的 Ray-Ban Meta Audio 智能眼镜评测：不拍人，反而更自在
Ray-Ban Meta Audio 是一款去掉摄像头的纯音频智能眼镜，售价 $349，主打开放式耳机与轻量佩戴，外观接近普通眼镜，因此不易被旁人察觉。它搭载 Muse Spark 模型（更强的 Muse AI 后续才上线），可做日程提醒、消息与邮件处理、本地推荐和步行导航，但复杂请求容易出错。评测认为其音质尚可、续航长，但价格偏高，AI 也还不是购买它的理由。
The Verge · AIAI 评分6262 Apple 发布首款智能显示屏 HomeView，售价 299 美元
Apple 发布首款智能显示屏 HomeView，售价 299 美元，11 月 13 日发货，现已开启预售，首批覆盖美国、英国、加拿大、澳大利亚、新西兰、新加坡、南非和印度八国。
TechCrunch · AIAI 评分3838 前Plaud高管创办Ambi，融资2600万美元做全天候监听AI应用
前Plaud高管Peter Mo创办的Ambi完成2600万美元融资，由Luminous Ventures和华勤领投，并推出iPhone、Mac和Apple Watch应用。该应用可全天候监听用户，在会议中主动提供建议，并支持跨设备续接任务，环境数据采集默认关闭且不存储录音。Ambi还计划推出带屏幕、摄像头和麦克风的硬件设备。
TechCrunch · AIAI 评分2222 PolyAI 与 Otter 高管：语音 AI 尚未迎来自己的 ChatGPT 时刻
企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为，尽管全双工模型已经问世，语音 AI 仍未迎来自己的“ChatGPT 时刻”，下一步挑战是让推理足够快、对话足够自然。
TechCrunch · AIAI 评分4040 Apple 以反向收购式招聘引入个性化播客初创公司 Huxe 团队与技术
Apple 向欧盟委员会披露，已同意向 Huxe AI 部分员工发出聘用邀约，并获得 Huxe 知识产权的非独家授权，属反向收购式招聘。Huxe 由曾参与 NotebookLM AI 播客功能的开发者创立，已于 5 月 21 日宣布关停应用并删除用户数据。文件未披露获聘人员及 Apple 后续计划。
The Verge · AIAI 评分3636 Alexa Plus 评测：智能家居更强了，但当私人助理还不够格
The Verge 评测 Alexa Plus 一年后认为，它是目前最好的智能家居助手，能理解“我冷了”这类自然指令，天气查询和定时器响应从 2025 年的 10-15 秒缩短到 3-5 秒，还能通过上传照片和文档导入日历事件、把缝纫用品截图加入 Amazon 购物车。
TechCrunch · AIAI 评分5858 Natura 推出 99 美元智能戒指 Interface，把 AI 智能体戴在手上
AI 与硬件初创公司 Natura 发布售价 99 美元的智能戒指 Interface，按下手指即可让 AI 智能体完成任务、记录想法，无需掏出手机。戒指同时具备健康追踪功能，可监测心率、HRV、睡眠和活动，并支持 Meta 的 Muse、Instinct、Grokbot、Claude、ChatGPT 等智能体与应用，用户可指定不同智能体处理不同任务。
The Verge · AIAI 评分6060 Google 发布离线 AI 笔记应用 AI Edge Foresight
Google 发布实验性笔记应用 Google AI Edge Foresight，可在完全离线状态下转写会议和音频文件，免费使用，基于其端侧 EmbeddingGemma 2 模型在 macOS 上运行。
Hugging Face BlogAI 评分4242 TII 推出 Falcon-ASR：1.6B 参数阿拉伯语语音识别模型，聚焦阿联酋方言
阿布扎比技术创新研究院（TII）发布 Falcon-ASR，一个 1.6B 参数的语音识别模型，重点支持阿联酋方言，同时覆盖英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上平均 WER 为 20.92%，优于榜单快照中最佳公开结果 23.17%；内部阿联酋方言评测 WER 22.73%、CER 10.19%，均低于对比系统。
AWS Machine Learning BlogAI 评分3434 用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行助手
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases，可在航空公司应用中搭建语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好、解答政策问题并转接人工客服。
The Verge · AIAI 评分3636 Amazon Alexa Plus 被曝持续数分钟诡异重复“lalala”
Amazon Alexa Plus 出现 bug，部分 Echo 智能音箱会在对话中反复说唱“lalala”长达数分钟，被追问时 Alexa 对自身行为毫无察觉。该问题近几周在 Reddit 被多次报告，涉及多款 Echo 设备。Amazon 确认这是影响“少数 Alexa Plus 用户”的 bug，修复正在进行中。
TechCrunch · AIAI 评分5858 Sean Parker 将 Stability AI 转向音乐方向
Napster 联合创始人 Sean Parker 正把 Stability AI 重塑为面向音乐专业人士的 AI 工具公司。两年前他参与了 Stability AI 的 8000 万美元救助，如今与出任 CEO 的 Prem Akkaraju 一起推进这一方向。
The DecoderAI 评分5858 Suno 推出 Speech 功能，可生成语音与配套背景音乐
AI 音乐生成器 Suno 新增 Speech 功能，可将口播文本与匹配的背景音乐合成为一条音轨，用户输入想法或文字并描述想要的音色和音乐风格，模型同时生成人声与配乐。
The Verge · AIAI 评分5858 Suno 上线语音生成功能，可同时生成人声与背景音乐
AI 音乐平台 Suno 推出语音生成功能 Speech，目前以公开测试形式在网页端和移动端上线，可根据脚本或提示词生成人声，并同时生成配套背景音乐。该功能提供 Simple 和 Advanced 两种模式，Advanced 可自定义脚本并调整 AI 声音性别、语音风格和每次生成的多样性，最长时长约 8 分钟，背景音乐可通过开关关闭。
Hugging Face BlogAI 评分3838 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带口型同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时视频对话、异步工具调用与 97 种语言切换能力，可据此判断企业级多模态交互的落地形态。
Latent SpaceAI 评分6262 Meta Connect 2026：Muse 智能体、AI 眼镜与 Charm 硬件
Meta 在 Connect 2026 上发布个人智能体 Muse 的语音与实时视频能力、多款 AI 眼镜硬件，并预告但未发布新的前沿模型。Muse 将登陆所有 Meta 眼镜，支持唤醒词激活，每个 Muse 拥有独立邮箱地址，Mac 版支持 computer use，连接器平台覆盖 1500+ 应用。
Simon WillisonAI 评分6060 Simon Willison 用 Gemini 3.8 TTS Playground 实测 Google 新语音模型
Simon Willison 发布 Gemini 3.8 TTS Playground，一个用 GPT-6 Astra 编写的自带 API key 交互界面，可测试 Google 当天发布的 gemini-3.8-flash-tts 和 gemini-3.8-flash-lite-tts 两款文本转语音模型。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐句表演指导，后者面向高并发配音与语音智能体。
推荐理由：官方给出两款 TTS 的定位差异、可用入口与基准排名，便于判断语音生成在配音和智能体场景的落地方式。
OpenAI NewsAI 评分2222 Ringg 用 OpenAI GPT-5.6 让 AI 智能体解决最多 65% 客服来电
Ringg 基于 GPT-5.6 打造的多语言 AI 智能体可解决最多 65% 的客户来电，覆盖语音、聊天、WhatsApp 和网页渠道，成本相比 GPT-4.1 降低 90%。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：两款语音对话模型同时给出基准成绩与开放入口，读者可据此判断实时语音智能体的能力水位与落地路径。
OpenAI News精选AI 评分6666 OpenAI 在 API 中推出 GPT-Live-1 语音模型
OpenAI 在 API 中推出 GPT-Live-1，为开发者带来自然的全双工语音对话能力。该模型在指令遵循上更强，并支持自定义音色和电话语音（telephony）接入。
推荐理由：OpenAI 把全双工语音对话能力开放到 API，开发者可据此判断语音应用的接入方式变化。
Hugging Face BlogAI 评分5252 Open ASR Leaderboard 新增首个全球南方语言评测集 Monsoon
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言榜单上的首个印度语言。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转文本模型
Google DeepMind 发布 Gemini 3.5 Transcribe，称其为目前最精确的语音转文本模型，可将原始音频直接转为准确、格式化文本。据 Artificial Analysis 测量，流式场景平均词错误率 4.0%，非流式 2.6%，最终转写时间较上一代 Chirp 3 改善 70%；在 FLEURS 基准上流式 WER 为 5.50%、非流式 5.04%。
推荐理由：官方给出 WER、延迟与多语言等指标，并对比上一代 Chirp 3，便于判断语音转写的能力边界。
Hugging Face Blog精选AI 评分6262 Hugging Face 研究：语音识别基准优化如何被量化
Hugging Face 发布研究，用共识分歧探针、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：通过三类探针量化 ASR 模型的基准优化现象，并给出可复用的检测脚本与榜单入口。
Google Research精选AI 评分7171 Google 将 AMIE 推进到专家级音视频临床问诊
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并实时推理诊断。
推荐理由：Google 用 300 场随机对照视频问诊给出 AMIE 多智能体架构的评测细节，可了解实时音视频临床推理的当前边界。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Magpie TTS 多语言版：364M 开放权重，新增阿拉伯语、韩语和巴西葡萄牙语
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数开放权重模型，支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升了多种既有语言的质量。
推荐理由：原文给出 364M 开源 TTS 的多语言扩展与各 GPU 上的 TTFA 实测数据，便于评估自建语音链路的延迟预算。
OpenAI NewsAI 评分4040 OpenAI 如何在六个月内为 GPT-Live 构建实时语音 AI 系统
OpenAI 用六个月搭建了 GPT-Live 的实时语音系统，通过无轮次语音模型与低延迟架构实现与 AI 的连续语音交互，让对话更快、更自然。
OpenAI NewsAI 评分2727 avatarin 如何用 GPT-Realtime 打造 24/7 零售智能体
avatarin 基于 OpenAI 的 GPT-Realtime 为山田电机（Yamada Denki）顾客提供 24/7 多语言支持。两周内该智能体被 30,000 人使用，92% 的问卷反馈为正面评价。
Google DeepMind精选AI 评分6060 Google DeepMind 在 Google Flow Music 发布 Lyria 3.5 音乐生成模型
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升：旋律结构更丰富自然，歌词质量与提示词遵循、结构感知更好，人声更具表现力和情感且发音改善，同时可更便捷地控制输出节奏与时长。
推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声与创作控制上的具体改进，可据此判断音乐生成能力的变化。
OpenAI NewsAI 评分4040 OpenAI 推出 OpenAI Presence 企业 AI 智能体平台
OpenAI 推出企业 AI 智能体平台 OpenAI Presence，可部署可信的语音与聊天智能体，用于客户及内部工作流。该平台定位为经过验证的企业级方案。
OpenAI NewsAI 评分2222 Cars24 如何用 OpenAI 扩展对话并加速构建
Cars24 借助 OpenAI 驱动的语音与聊天智能体，每月处理超 100 万分钟对话，并挽回 12% 的流失线索。该公司还将智能体工作流推广至全公司各团队，以加快构建速度。
Hugging Face BlogAI 评分5050 Hugging Face 推出 Real World VoiceEQ：衡量语音 AI 的人类质量基准
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音交互的人类质量，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60 多项指标，涵盖 ASR、TTS、S2S 与语音理解。
OpenAI News精选AI 评分6262 OpenAI 发布新一代语音模型 GPT-Live
OpenAI 发布新一代语音模型 GPT-Live，用于实现更自然的人机交互，目前已为 ChatGPT Voice 提供支持。
推荐理由：OpenAI 发布新一代语音模型 GPT-Live，读者可了解 ChatGPT Voice 背后的模型换代。