跳到正文
  1. AWS Machine Learning Blog75

    Amazon Polly 以受限开放方式推出声音克隆功能

    Amazon Polly 的声音克隆功能现已以受限开放方式正式可用,可用经说话者同意的几分钟录音创建专属声音,并支持英语、西班牙语、德语、法语、意大利语、葡萄牙语和印地语。

    推荐理由:文章梳理了声音克隆的创建与调用流程,并交代同意确认、加密、水印、权限和删除机制,便于评估生产接入条件。

  1. Hugging Face Blog79

    Rumble-2-Flash 开源,0.5B 参数支持 40+ 种语言

    Rumble-2-Flash 已按 Apache 2.0 许可证开源,这款 0.5B 参数语音识别模型支持 40+ 种语言,并原生兼容 Transformers 和 vLLM。

    推荐理由:文中展示了 GOLD 如何对齐不同 tokenizer,让师生模型无需共享词表也能进行逐 token 的 on-policy 知识蒸馏。

  2. Google Research82

    Google Duplex 如何演进为 Gemini 中代用户致电商家的功能

    Google 本周在 Gemini App 的 Tasks 中上线 Duplex,使其可代用户致电商家并处理现实世界请求。其架构先后经历预 LLM 封闭领域模型、生成模型与确定性状态跟踪结合的混合栈,以及完全基于 Gemini 的统一栈。系统针对电话场景处理亚秒级延迟、噪声和会话节奏,并在通话开头披露 AI 身份,允许商家退出自动来电。

    推荐理由:文章梳理 Duplex 从封闭领域模型到 Gemini 统一架构的十年演进,并交代实时电话中的低延迟与商户控制设计。

  1. Google Developers Blog83

    Google AI Edge Gallery 新增端侧语音识别与文本转语音能力

    Google 在 Google AI Edge Gallery 中推出端侧自动语音识别(ASR)和文本转语音(TTS)能力,支持完全离线运行。

    推荐理由:材料同时给出 Android 与跨平台实现路径,涵盖实时转写、低延迟语音合成和离线多模态交互,便于评估端侧语音方案的落地方式。

  1. Qwen Blog75

    Qwen3.8-LiveTranslate 发布,支持实时说话人分离与双语同步同传

    Qwen3.8-LiveTranslate 发布,采用 Interleave 架构,将字均延迟(LAAL)从上一代的 2.8 秒降至 2.3 秒。模型支持 60 种语言输入音频与输出文本、29 种输出音频语言,并新增实时说话人分离、原文译文同帧同出和长上下文消歧。文章还给出了通过 DashScope API 使用实时同传客户端的示例。

    推荐理由:文章给出 Qwen3.8-LiveTranslate 的 Interleave 架构、2.3 秒字均延迟和多说话人长音频评测结果,便于理解其实时同传的能力变化。

已经到底了