AI 语音代理
延迟降到百毫秒级，语音才谈得上像对话。端到端语音到语音跳过了 ASR 到 TTS 的哪几道转换，轮次管理与工具调用又怎么让语音从会说话走到会办事，一并讲清。
旧链路先转文字再播报，延迟高、一打断就乱；端到端语音到语音把三步合成一步，Chroma 1.0 的响应压到 150 毫秒内，Step-Audio-R1.1 首帧约 1.51 秒。剩下两件事决定体验：轮次管理判断何时接话、何时继续听；工具调用让语音接着查、筛、预约。标准从声音像不像人，变成任务有没有办成。
Voice Agent 是什么？为什么 AI 语音助手开始从“会说话”走向“会办事”
Voice Agent 可以理解成“以语音为主入口的 Agent”。它不只是把你的话转成文字，再把模型回复念出来，而是把实时听、理解、打断、追问、调用工具、执行任务这些能力放进同一个交互闭环里。所以最近大家讨论 Voice Agent，重点已经不再是语音像不像人，而是它能不能真的替你把事办完。 以前...
Admin
110 
语音到语音（Speech-to-Speech）是什么？为什么它被认为比“语音转文字再播报”更接近自然对话
语音到语音，通常指模型直接从语音输入到语音输出完成理解和生成，而不是先把声音转成文字、再把文字交给语言模型、最后再转回语音。它之所以越来越热，是因为这种路线更接近人类真实对话，也更有机会保留语气、停顿、情绪和说话风格。 它和传统语音链路差在哪 传统路线是 ASR 加 LLM 再加 TTS，优点是模块...
Admin
126 
Chroma 1.0 发布：全球首个开源端到端实时语音到语音模型
一、摘要 Chroma 1.0 是由 FlashLabs 训练并完全开源的端到端实时语音到语音模型，支持个性化语音克隆。模型无需传统 ASR→LLM→TTS 管线，可在约 150ms 内完成端到端响应，定位为研究级、可落地的实时对话方案，并作为 OpenAI Realtime 模型的开源替代。 二、...
Admin
149 
Step-Audio-R1.1 夺冠 Speech Reasoning 排行，兼顾深度推理与实时性
Step-Audio-R1.1 宣布上线，并称在 Artificial Analysis 的 Speech Reasoning 榜单位列第一；在 BigBench Audio 测试中取得约96.4% 准确率，同时在实时对话场景下实现约1.51秒的首帧音频输出。项目方强调，模型在深度推理与交互时延之间...
Admin
122 
FunAudioLLM 开源 Fun-Audio-Chat-8B：双分辨率语音表征与语音函数调用
一、摘要 Fun-Audio-Chat-8B 是 FunAudioLLM 团队开源的“大型音频语言模型”，面向更自然、低延迟的语音交互。它采用“双分辨率语音表征”（5Hz 共享骨干 + 25Hz 精细化头部）以降低计算开销，同时通过 Core-Cocktail 训练策略尽量保留文本 LLM 能力；覆...
Admin
259 
OpenAI在iOS测试新版语音模式界面，增加提示语功能
近日，多名用户在社交平台分享称，OpenAI在iOS应用的语音模式中测试了新的界面，界面中首次出现了“提示语（prompt suggestions）”，以便用户在对话前快速选择或启发提问。从现有反馈来看，该功能并未向所有用户开放，表现出典型的A/B测试或分批逐步推送的特征。 目前，OpenAI官方文...
Admin
144 
Flowith iOS 2.0 发布：宣称“首个主动式语音代理”，先听后做、无需点按
Flowith 宣布 iOS 2.0，主打“主动式语音代理（proactive voice agent）”，强调先监听语境再执行操作的交互路径，旨在减少用户点按与切换成本。官方物料称其采用 iOS 26 的 Liquid Glass 视觉语言，并将订阅统一为“单订阅解锁对话、图像与视频等多模型”，定...
Admin
108