iCreatAI News
返回主站
跳到正文

技术方向

语音与音频 最新动态

AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。

2 条精选近 30 天2条共收录49条

更新

语音与音频的精选

10月28日周三第1–2条
  1. Hugging Face Blog78

    NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线

    NVIDIA 在 Hugging Face 和 ModelScope 上发布开放权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合并到一个 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。

    推荐理由：原文给出多语言转写与说话人分离的榜单成绩，并附可复用的数据管线和微调配方，便于判断落地成本。

10月20日周二
  1. Mistral AI80

    Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK

    Mistral 发布 Voxtral 3 语音模型家族，包含支持 50+ 语言的转录模型 Voxtral Small Transcribe 3、支持 35+ 语言和 50+ 方言的 TTS 模型 Voxtral Mini TTS 3，以及基于 LiveKit 的语音智能体 SDK。

    推荐理由：原文给出语音模型与智能体 SDK 的完整能力、定价和部署方式，便于判断实时语音智能体的落地成本。