#语音AI
共 14 篇相关文章
阿里通义Qwen-Audio-3.1发布：五模型音频全栈，ASR降价95%
阿里通义发布Qwen-Audio-3.1，包含ASR、TTS、Realtime及新增TTS-Next、ASR-Next共五个模型，构成完整音频技术栈，并全线降价：TTS降70%、Realtime降85%、ASR最高降95%。
Gemini Live API重磅更新：原生音频首次支持前沿级推理
Gemini Live API迎来重磅更新：主动式音频、上下文注入、异步函数调用四大功能落地，更首次将前沿级高阶推理引入原生音频体验，为语音AI应用带来突破。
语音AI在真实呼叫中心场景下真的靠谱吗？
语音AI真的能应对真实呼叫中心的抢话、改口和噪音吗？本文从技术边界、演示陷阱和人机协同角度，分析Voice AI在真实压力场景下的可靠性与评估方法。
NovaSynth：用模拟来电者压测语音AI助手
NovaSynth 是 Noveum 团队推出的语音 AI 测试工具，可大规模模拟带口音、打断、噪声、弱网等真实来电者场景，从 30+ 维度对语音代理进行音频与文本评分，并给出可行动的修复建议。
冰岛Treble获1800万美元融资，押注语音仿真平台
冰岛语音仿真公司Treble完成1800万美元融资，其平台服务于语音AI模型开发者、AI可穿戴设备及机器人公司。本文解析语音仿真技术价值与融资背后的行业信号。
Gemini 3.8 Live 与 Extended Thinking：谷歌最强语音对话模型
谷歌推出 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，官方称为迄今最先进的 Gemini 音频模型，主打自然实时语音对话，并引入延展思考能力应对复杂问题。本文解析两款模型定位、语音对话竞争与市场反馈。
GPT-Live-1 登陆 API：全双工语音对话模型详解
OpenAI 将全双工语音模型 GPT-Live-1 引入 API，支持自然打断、抗背景噪音，采用前端对话+后端推理架构，前端定价每分钟 0.05 美元，面向规模化对话式语音应用。
Gemini 3.8 Live 上手：谷歌语音对语音模型实测
谷歌发布 Gemini 3.8 Live 与 Extended Thinking 两款语音对语音模型，形态类似 OpenAI GPT-Live。本文实测其浏览器语音对话体验，并解析基于 WebSocket 与 Web Audio API 的零依赖技术实现。
谷歌发布 Gemini 3.8 Live：语音 AI 迈向实时推理时代
谷歌发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 两款实时语音对话模型，支持并行推理、后台任务执行、97 种语言实时切换与视觉理解，并在语音质量与智能体任务基准中领先。本文解析其核心能力与生态布局。
科技前沿OpenAI语音黑客马拉松：6小时极限开发4个实时语音AI项目
OpenAI举办Voice Hack Night黑客马拉松，参赛团队6小时内构建实时语音代理项目，4个项目进入决赛。深度解析实时语音AI的技术挑战、落地场景与开发者生态趋势。
产品体验Inworld Realtime TTS-2：全栈实时语音AI基础设施深度解析
深度解析Inworld发布的Realtime TTS-2全栈语音AI平台，涵盖排名第一的TTS引擎、语音到语音处理、LLM路由等核心能力，以及其在语音代理、AI伴侣等场景的应用价值。
产品体验Dogra：开源自托管语音AI平台，告别VAPI天价账单
Dogra是一款开源自托管语音AI平台，提供可视化工作流构建器、多服务商自由切换和完整调用追踪能力。对比VAPI、Bland等托管平台，Dogra帮助开发者大幅降低语音Agent成本，摆脱供应商锁定，实现完全可控的语音AI部署。
科技前沿OpenAI实时语音Demo活动：评选标准、奖励机制与开发者机会
OpenAI将于5月27日在旧金山举办实时语音Demo展示活动，面向开发者征集基于Realtime Voice模型的创意项目。本文详解活动评选标准、奖励机制及语音AI开发者生态的战略意义。
科技前沿Qwen3.6 35B开源实测逼近Claude，xAI语音克隆API正式上线
阿里开源Qwen3.6 35B模型，256专家MoE架构仅需3B激活参数，SWE Bench成绩逼近Claude Opus。xAI发布Voice Cloning API支持28种语言，NVIDIA开源OpenShell安全沙箱，Sam Altman表态模型智力优先。