在 Amazon SageMaker AI 上部署 Qwen3-TTS 实现实时个性化语音合成
Amazon SageMaker JumpStart 现已支持部署开源的 Qwen3-TTS-12Hz-1.7B-Base 文本转语音模型至全托管的实时终端节点。开发者可利用简短的参考音频片段快速完成声音克隆，且该模型具备跨语言克隆能力，能在不同语种切换时稳定保留说话人的独特音色特征，为构建高保真、个性化的多语言实时语音交互应用提供了便捷的落地路径。
DC AI 热点
全部 AI 动态
9月26日2026-09-26
9月25日2026-09-25
High Fidelity 探索为 AI 智能体赋予实时语音交互能力
High Fidelity 发布博文探讨如何为 AI 智能体赋予语音交互能力，使其能够像人类一样参与实时语音对话与协作沟通。由于输入仅包含文章链接与标题，具体技术方案、系统架构及实现细节等详细信息暂未完全披露。
谷歌测试“Call for Me”功能：支持Gemini代用户致电商家
谷歌正在测试名为“Call for Me”的新功能。该功能基于旗下大模型Gemini，能够代表用户直接拨打电话联系各类商家，以协助处理咨询或预约等事务。此举展现了谷歌在将AI助手与日常实际任务深度结合、推进自动化语音代理应用方面的最新探索与尝试。
实时AI语言简化工具上线：支持将BBC直播新闻即时降维至A2-B2难度
VoiceFrom.ai 推出了一款针对 BBC World News Live 的实时 AI 简化工具。该应用利用自然语言处理技术，可将实时播报的新闻内容即时转述并降低难度，适配欧洲语言共同参考标准（CEFR）下的 A2、B1 和 B2 等级，以辅助语言学习者理解实时新闻。目前素材仅提供基础产品概念展示，具体技术实现细节尚未充分披露。
研究揭示模型后训练压缩会加剧Whisper语音识别的人口统计学不公平现象
自动语音识别（ASR）模型通常在全精度下接受人口统计公平性审查，但实际生产部署的模型大多经过量化、剪枝和蒸馏等压缩处理。该研究探索了后训练权重压缩是否会重新分配不同人口群体的识别错误负担。在Fair-Speech、Common Voice 25和AfriSpeech-200等数据集上的评测显示，对Whisper-large-v3执行50% Wanda剪枝会显著拉大黑人/非裔与亚裔群体间的词错误率差距，表明压缩会复合加剧时间成本与识别公平性差异。
孟加拉语长文本语音合成数据集BanglaKontho发布
针对孟加拉语在神经文本转语音（TTS）领域缺乏高质量长文本朗读资源的现状，研究人员推出了BanglaKontho数据集。该数据集源自专业有声读物录音，包含20小时单人发音数据、7050条经转写校验的24 kHz切分片段，旨在解决现有语料缺乏长文本韵律与连贯叙述的问题。此外，研究团队还发布了支持孟加拉风格数字分组、货币与日期表达的文本正则化工具。
BanglaTurn：面向孟加拉语语音话轮结束检测的基准语料与Whisper模型
该研究提出了用于孟加拉语对话语音话轮结束（End-of-Turn）检测的基准语料库BanglaTurn及配套模型。该语料库包含35,374段时长3至15秒的播客语音，通过说话人日志结合大语言模型初标并经人工全面核验。研究构建了结合Whisper编码器与特定任务分类头的模型，在平衡测试集上达到84.33%的准确率，较基线Smart-Turn v3的69.28%显著提升，并将假阴性率从51.57%降低至7.5%。
Agentic-GER：利用全局上下文实现长语音专业术语纠错的LLM智能体
针对自动语音识别（ASR）在处理长音频时难以准确、一致转录专业术语的问题，研究人员提出了基于大语言模型的智能体 Agentic-GER。该系统利用完整转录文本的全局上下文与世界知识，识别可疑术语并化解歧义假设；同时通过选择性重新转录原始语音来核验候选修正结果，显著提升了长语音中领域专业术语的识别准确率与一致性。
OpenAI升级ChatGPT语音功能，支持通过语音指令执行复杂工作任务
OpenAI宣布为ChatGPT Voice上线语音执行任务功能，通过接入模型与插件体系，用户可直接通过语音指令查验邮件、制作PPT、搭建网站及追回重复扣费等。该项能力已深度整合进此前推出的ChatGPT Work Agent中，新版本应用已同步面向全球用户推送，标志着语音交互进一步向具备实际操作能力的智能体演进。
科大讯飞发布全国产算力训练语音识别大模型Spark-ASR-2.0
科大讯飞推出基于全国产算力训练的语音识别大模型Spark-ASR-2.0，该模型依托语音基座大模型Spark-Audio-1.0-Preview构建。新版本在方言免切换识别、嘈杂环境应对、上下文纠错以及口语书面化规范等方面实现显著提升，同时整体推理成本较上一代仅增加10%。目前，该模型已落地讯飞输入法，并通过讯飞开放平台对外提供API服务。
专访ElevenLabs首席执行官：传估值达220亿美元，企业应主动披露AI语音客服
据报道，AI语音技术独角兽ElevenLabs估值已达220亿美元。该公司首席执行官在专访中表示，ElevenLabs目前为大量客户服务通话提供语音底层支持。他指出，在机器客服成为公众普遍预期之前，使用该技术的企业或许应当主动向用户告知对方为AI，而不是隐瞒机器身份。
9月24日2026-09-24
语音 AI 大会是否值得参与？相关讨论引关注
该素材涉及关于 Deepgram 举办的“Speak”语音 AI 大会（Voice AI Conference）是否值得参与的讨论链接。由于当前输入内容仅包含相关链接及极简的社区互动数据，并未提供关于该大会的具体议题、嘉宾阵容、举办形式或讨论详情等实质性信息，故有效内容不足，具体情况需参考原始网页进一步了解。
NADI 2026：第二届多方言阿拉伯语语音处理共享任务发布
NADI 2026 是精细阿拉伯语方言识别（NADI）系列的第七届共享任务，也是第二次专注于多方言阿拉伯语语音处理的评测。本届任务包含五项核心任务与八个子任务，覆盖自动语音识别（ASR）、方言识别（SDID）、语音合成（TTS）、语音翻译（SLT）和口语理解（SLU）。该评测重点关注低带宽、混合方言、语码转换、域外及零样本等真实场景，并首次在该系列中引入了 TTS、SLT 和 SLU 赛道。
Ruby-ASR：面向正字法与词汇读音联合识别的语音识别监督新方法
针对传统日语自动语音识别（ASR）以正字法文本作为监督目标导致相同书写形式无法区分不同实际发音、且事后文本转音素难以可靠恢复的问题，研究团队提出了 Ruby-ASR。该方法将传统的单一文本监督目标改进为跨度绑定的正字法与词汇读音联合序列，通过类旁注标记（ruby）的表示形式，完整保留了语音中的读音证据，有效提升了复杂读音场景下的识别监督精度。
语音数据集中的性少数群体包容性：审计与实践张力分类研究
该研究审查了现有语音技术数据集中对 LGBTQIA+（酷儿）声音的包容程度，深入分析此类群体代表性缺失的根源。研究人员对6个不同的主流语音数据集进行了审计，结果显示可测量的酷儿声音占比极低（仅占发言者的0%至1.4%），远不足以用于稳健的算法偏见评估。以此群体为案例，研究提出了从边缘化群体采集语音数据时的实际挑战与张力分类法，并与其他数据集展开了对比分析。
利用可控合成对话训练智能语音助手唤醒系统
该研究针对虚拟助手的人机交互场景，提出了一种新型语音唤醒系统。该方案将传统的直接关键词检测扩展为上下文触发检测，在初始唤醒词激活后，系统利用推理能力区分实际用户指令与无关语音，从而确保高效且具备上下文感知的交互。为支撑训练，研究团队设计了一套数据生成架构，成功合成了包含直接调用、上下文跟进等场景的62.3小时可控多说话人对话语料库。
ChatGPT语音功能接入邮箱、日历与Slack，向电影《她》更进一步
ChatGPT 语音功能迎来升级，现已支持接入电子邮件、日历和 Slack 等第三方插件，并由 OpenAI 的 GPT-6 Astra、Sol 和 Luna 模型提供支持。用户仅凭语音交谈便可管理日程安排、发送邮件甚至构建网站。这一更新推动 OpenAI 进一步接近山姆·奥特曼长期设想的、类似科幻电影《她》（Her）中的全天候日常 AI 助手形态。
谷歌推出Gemini 3.8 Flash TTS模型：支持通过文本描述生成全新AI声音
谷歌发布了两款全新文本转语音模型：Gemini 3.8 Flash TTS 与 Flash-Lite TTS，支持超过100种语言。其中 Flash TTS 能够根据文本提示词直接从零设计全新声音，两款模型均允许用户为特定台词添加舞台动作指示，并支持通过单一脚本生成逼真的双人对话。此外，模型还配备了声音克隆功能，仅需30秒的音频样本即可快速建立声音特征档案。
开发者推出 Gemini 3.8 文本转语音 Playground 工具
Google 近日推出了两款全新文本转语音模型 gemini-3.8-flash-tts 与 gemini-3.8-flash-lite-tts。该系列模型内置超过 2000 种声音，并支持仅凭 30 秒音频样本生成定制声音。有开发者借助 GPT-6 Astra 搭建了自带 API Key 的测试界面，该 API 支持跨域请求，并具备便捷定义多角色对话的功能，每个角色均可独立设置不同的声音及风格指令。
ChatGPT 移动端上线基于语音的智能体功能
OpenAI 为 ChatGPT 移动应用推出了基于语音交互的智能体（Agentic）功能。据介绍，Pro 和 Plus 付费订阅用户将能够在手机端通过全新的“Work”标签页，利用语音等交互方式调用智能体来完成各项自动化任务。该更新进一步拓展了移动端 AI 从单纯对话转向自主执行工作任务的能力边界。
9月23日2026-09-23
Gemini 3.8 文本转语音（TTS）功能亮相
本文仅包含标题“Gemini 3.8 text-to-speech says hello”，未提供正文或详细摘要内容。依据标题提示，该动态可能涉及名为 Gemini 3.8 的系统或模型在文本转语音（TTS）能力上的更新或问世。鉴于素材提供的信息严重不足，目前无法确认其背后的具体开发者、模型架构、音频质量及发布渠道等详细情况，更多技术细节有待后续信息补充。
9月16日2026-09-16
Google推出Gemini 3.8 Live语音模型，支持实时双向语音交互
Google发布了Gemini 3.8 Live与Gemini 3.8 Live Extended Thinking两款新型语音到语音（speech-to-speech）大模型，对标OpenAI的GPT-Live系列。开发者通过其WebSocket API构建了轻量级Web端体验工具，用户可在浏览器中选择模型、预设声音及系统提示词，体验支持随时打断的低延迟实时双向语音对话。