跳到正文

技术方向

语音与音频 最新动态

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。

3 条精选近 30 天 2 条共收录 3 条

更新

语音与音频的精选

11月21日周六第 1–3 条
  1. AWS Machine Learning Blog74

    Amazon Polly 发布语音克隆功能

    Amazon Polly 现已推出语音克隆功能,用户仅需提供几分钟的录音即可创建专属的生成式语音。该功能支持英语、德语、西班牙语、法语、意大利语、葡萄牙语和印地语,具备自动加密和访问控制,并允许通过 API 将克隆语音集成至各类 AWS 应用中。

    推荐理由:AWS 推出 Amazon Polly 语音克隆功能,通过少量录音即可生成专属品牌音色,并支持多种语言和企业级安全合规控制。

11月18日周三
  1. Hugging Face Blog76

    Hugging Face 发布开源语音识别模型 Rumble-2-Flash

    Hugging Face 开源了 Rumble-2-Flash,这是一款支持 40 多种语言的 0.5B 参数语音识别模型。该模型基于 Qwen3-ASR 架构,通过 GOLD 策略进行知识蒸馏,在保持极高推理速度的同时,其识别准确率在多个基准测试中可媲美数十倍于其规模的模型。

    推荐理由:该模型通过知识蒸馏技术在 0.5B 参数规模下实现了极高的语音识别效率与准确度,为端侧或高吞吐语音处理提供了轻量化方案。

10月20日周二
  1. Mistral AI86

    Mistral AI 发布 Voxtral 3 语音模型系列与智能体 SDK

    Mistral AI 推出 Voxtral 3,包含支持 50 多种语言的语音转文字模型、具备情感自适应能力的语音合成模型以及语音智能体 SDK。该系统通过实时流式管道整合了听觉、推理、工具调用与语音输出,支持在 Mistral API 或本地基础设施上部署,旨在为客服、虚拟助手等场景提供低延迟且具备深度集成能力的交互体验。

    推荐理由:Mistral AI 发布了 Voxtral 3 语音模型系列及智能体 SDK,通过端到端实时流式处理提升了语音交互的响应速度与情感表现,并支持私有化部署以确保数据主权。