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。
MAI-Transcribe-2-Streaming 发布：微软语音模型边听边写
MAI-Transcribe-2-Streaming 在 2026 年 10 月 1 日由 Microsoft AI 通过官方博客发布，与它一起亮相的还有语音合成模型 MAI-Voice-2.1 和更快的 MAI-Voice-2.1-Flash。微软把三款模型打包成一套语音智能体组件：一个负责听，一...
Admin
110 
AI 数字人按需求买：直播带货、客服、短视频各买对的工具
AI 数字人工具看着大同小异，其实三类主流需求的选购逻辑完全相反：直播带货要实时互动和带货话术，企业客服要的是稳定、私有化和合规，短视频创作者要的是便宜、快、模板多。拿一款工具硬套三个场景，等于让同一双鞋去踢球、跑步和登山。先分清需求在哪一类，再谈选哪款。 三类需求，选购标准完全不同 需求 核心看什...
Admin
162 
ElevenLabs 估值翻倍至 220 亿美元：3 亿美元员工售股背后的语音 Agent 热
ElevenLabs 在 2026 年 9 月 30 日宣布完成 3 亿美元的员工 tender offer，估值达到 220 亿美元——较今年 2 月 5 亿美元 D 轮融资时的 110 亿美元直接翻倍。这家 2022 年创立的 AI 语音公司，正把"会说话的 AI Agent"变成一门大生意。 ...
Admin
99 
AI 智能音箱买了不吃灰的，前提是家里有这两类人
AI 智能音箱值不值得买，答案不在参数表里，而在你家客厅里：家里有老人小孩、或已有几件智能家居设备，它就是全家开机率最高的 AI 硬件；独居且注重隐私、或主要指望它播音乐，这笔钱可以省下来。 真实卖点：从"喊一句"变成"聊起来" 这两年智能音箱最大的变化，是大模型接管了对话。以前是"一问一答、答错就...
Admin
113 
ChatGPT Voice 三项升级：GPT-6 全系接入，还能用插件了
2026 年 9 月 23 日，OpenAI 总裁 Greg Brockman 在 X 上宣布，ChatGPT Voice 迎来一次大幅升级，一次带来三项变化：语音可由 GPT-6 的 Astra、Sol、Luna 三个模型驱动；插件首次支持语音模式；Voice 正式登陆 ChatGPT Work ...
Admin
203 
阿里 Qwen 发布 Qwen-Audio-3.1：一口气五款语音模型，ASR 降价 95%
2026 年 9 月 23 日，阿里 Qwen 团队正式发布 Qwen-Audio-3.1 语音大模型全家桶：五个新模型一次到位，覆盖语音识别（ASR）、语音合成（TTS）、实时语音交互（Realtime），外加两个全新的"Next"系列——Qwen-Audio-3.1-ASR-Next 与 Qwe...
Admin
258 
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
192 
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
171