跳到正文
今天11月21日周六3 条
  1. 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。

11月20日周五
  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。

11月19日周四
11月18日周三
  1. TestingCatalog56

    ElevenLabs 发布 Scribe v3 Live Medical 医疗实时转录模型

    ElevenLabs 发布 Scribe v3 Live Medical,用于实时转录医疗对话,重点识别药物名称、医疗程序和症状。其测试显示,加载自定义术语表后,医学术语错误最多减少48%;团队可添加最多10,000个自有术语,并人工检查 AI 智能体生成的每条记录。该模型现已在 ElevenAgents 中提供。

11月17日周二
  1. TechCrunch · AI51

    Jordan Belfort 的 AI 语音公司 Tone 推出创作者自助平台

    Jordan Belfort 的 AI 语音公司 Tone 推出面向内容创作者和作者的自助平台,可将书籍转为富有表现力的 AI 生成旁白。用户可选择 Tone 的 AI 语音,并在语音克隆功能逐步推出后克隆自己的声音;Belfort 称其销售系统可完成完整销售流程,延迟约为 600 milliseconds。

  2. TechCrunch · AI45

    Audible 借助 AI 帮助用户发现有声书

    Audible 推出 AI“audio discovery”功能,用生成音频概述书籍主题和读者好评,并结合编辑或作者的过往访谈片段及有声样章,帮助用户选书。该功能首批覆盖美国部分英语书目,仅限已购书或通过 Audible 会员可访问相关书籍的用户使用。

11月16日周一
  1. The Verge · AI62

    Audible 推出 AI 辅助音频发现功能,帮助用户筛选有声书

    Audible 推出 AI 辅助的音频发现功能,将有声书试听片段、基于评论及公开数据生成的概览,以及作者或编辑评论合成为简短音频,帮助用户选书。该功能正面向美国部分英语书目推出,个性化有声书合集也在美国上线。Ask a Question 和 Recaps 两项测试功能已扩展至更多英语书目,更大范围推送计划于 12 月开始。

11月13日周五
11月10日周二
11月7日周六
10月20日周二
9月18日周五
  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。