语音
阿里开源R1-Omni，DeepSeek同款RLVR首度结合全模态情感识别，网友：可解释性+多模态学习=下一代AI
首次将DeepSeek同款RLVR应用于全模态LLM，含视频的那种！ 眼睛一闭一睁，阿里通义实验室薄列峰团队又开卷了，哦是开源，R1-Omni来了。 同样在杭州，这是在搞什么「开源双feng」（狗头保命）？
出门问问发布TicVoice 7.0 支持超自然语音克隆与跨语种生成能力
3月6日，出门问问（Mobvoi）联合香港科技大学、上海交通大学、南洋理工大学、西北工业大学等顶尖学术机构，共同开源新一代语音生成模型Spark-TTS，并重磅推出其商业化高品质TTS引擎——TicVoice7.0。 作为出门问问第七代TTS引擎，TicVoice7.0在语音生成领域实现了重大突破，开启了全新的语音生成范式。 TicVoice7.0的核心优势在于其创新的语音编码方式和建模结构。
文本转语音系统Spark-TTS：支持零样本语音克隆与细粒度控制
日前，一款名为 Spark-TTS 的先进文本转语音系统引发了 AI 社区的广泛讨论。 根据最新的 X 帖子和相关研究，这款系统以其零样本语音克隆和细粒度语音控制能力脱颖而出，展现了语音合成领域的重大突破。 这款系统充分利用了大型语言模型（LLM）的强大能力，致力于实现高度准确且自然的语音合成，适用于研究和商业领域。
Grok 语音模式全面开放：11 种模式上线，自带字幕成英语学习利器
xAI 公司开发的 AI 助手 Grok 今日宣布，其备受期待的语音模式已正式向所有用户开放。 这一更新不仅带来了11种独特的语音交互模式（包括2种18 限制模式），还新增了语音字幕功能，被用户称为“学习英语的好工具”。 消息在 X 平台上迅速传播，引发了广泛的兴奋与讨论。
播客平台 Podcastle 推出AI文本转语音模型：提供 450 种语音
在快速发展的播客领域，Podcastle 平台近日宣布推出其全新的 AI 文本转语音模型 Asyncflow v1.0。 这个新模型不仅为用户提供了超过450种不同的 AI 语音，还向开发者开放了 API 接口，以便于他们将这一文本转语音功能直接集成到自己的应用程序中。 Podcastle 的创始人 Arto Yeritsyan 表示，公司一直希望能开发一个文本转语音模型，但由于过去高昂的训练成本和数据需求，这一愿望一直未能实现。
Sesame 发布 CSM 语音模型：跨越“恐怖谷”，逼真程度惊艳全球
Sesame 公司最新推出的语音合成模型“Conversational Speech Model”（简称 CSM）近日在 X 平台上引发热议，被誉为“像真人说话一样的语音模型”。 这款模型以其惊艳的自然度和情感表达能力，不仅让用户“已经无法分辨”其与人类的区别，还宣称成功跨越了语音领域的“恐怖谷效应”。 随着演示视频和用户反馈的传播，CSM 正迅速成为 AI 语音技术的新标杆。
Sesame发布超真实的AI语音产品：几乎没有AI味
语音助手逐渐成为我们生活中不可或缺的一部分，而现有的数字语音助手在与用户互动时，往往显得平淡无奇，缺乏情感和人性化的元素。 对此，Sesame 团队正在努力解决这一问题，致力于实现一种全新的 “语音存在” 概念，使得数字助手能够在交流中更真实、被理解和重视。 Sesame 的核心目标是创造一种数字伴侣，不仅仅是处理请求的工具，而是能够进行真实对话的伙伴。
马斯克宣布新版 Grok 应用上线：语音模式体验大幅提升
埃隆·马斯克今日在社交平台 X 上发文，宣布其人工智能公司 xAI 的新版本 Grok 应用正式上线。 这一消息迅速引发科技爱好者和 X 用户的广泛关注。 马斯克特别推荐用户体验全新升级的 Grok 语音模式，称其交互能力显著提升，为用户带来更自然、更智能的对话体验。
语音合成也遵循Scaling Law，太乙真人“原声放送”讲解论文 | 港科大等开源
活久见，太乙真人给讲论文了噻！ 咳咳，诸位道友且听我一番唠叨。 老道我闭关数日，所得一篇妙诀，便是此Llasa之法。
Hugging Face 推出 FastRTC：实时语音视频应用开发变得轻而易举
AI 初创公司 Hugging Face 宣布推出 FastRTC，这是一个开源的 Python 库，旨在消除开发人员在构建实时音频和视频 AI 应用时面临的重大障碍。 Hugging Face 的 FastRTC 旨在简化 WebRTC 和 Websocket 应用的构建过程。 Freddy Boulton，FastRTC 的创建者之一表示:“在 Python 中，构建实时 WebRTC 和 Websocket 应用非常困难，直到现在才有所改变。
Hume推出革命性文本转语音系统Octave：能理解情感与上下文
在人工智能领域，Hume AI公司最近宣布推出其全新产品Octave，这一系统被称为首个由大型语言模型（LLM）驱动的文本转语音系统。 Octave的创新之处在于其不仅能够生成自然的语音，还能理解上下文中的情感、语调、节奏和韵律，从而为用户提供更为生动和人性化的语音输出。 Hume AI的联合创始人兼首席执行官Alan Cowen在接受媒体采访时表示，Octave模型的设计初衷是为了使文本转语音的生成过程更加自然和灵活。
OpenAI向免费用户推出基于GPT-4o mini的高级语音模式
OpenAI官方宣布，向免费用户推出GPT4o mini驱动的高级语音模式，免费用户也可以每天使用ChatGPT高级语音模式。 据了解免费用户使用 ChatGPT 高级语音模式会有每日使用限制，用户在剩余3分钟使用时间时会收到警告，达到限额后对话将自动结束。 尽管如此，观察表示，ChatGPT Plus 用户可以使用基于 GPT-4o 的完整版高级语音模式，每日限额是免费版的5倍，可以继续在高级语音中使用视频和屏幕共享功能，另外ChatGPT Pro 用户不设每日限额，可享更高的视频和屏幕共享限制。
OpenAI免费开放ChatGPT高级语音聊天模式 基于GPT-4o mini
2月26日，OpenAI公司在X平台发布推文，正式向广大用户宣布，即日起将免费开放ChatGPT的高级语音模式（Advanced Voice Mode）。 据悉，ChatGPT的高级语音模式基于GPT-4o mini模型，通过优化计算效率，在性能方面已经能够媲美完整版的GPT-4o模型。 目前，macOS以及Windows10、Windows11系统的ChatGPT桌面应用程序均已支持高级语音模式，提供了5种语音选择，并支持自定义提示和对话内容回顾功能。
被DeepSeek带火的知识蒸馏，开山之作曾被NeurIPS拒收，Hinton坐镇都没用
DeepSeek带火知识蒸馏，原作者现身爆料：原来一开始就不受待见。 称得上是“蒸馏圣经”、由Hinton、Oriol Vinyals、Jeff Dean三位大佬合写的《Distilling the Knowledge in a Neural Network》，当年被NeurIPS 2014拒收。 如何评价这篇论文的含金量？
豆包App更新实时语音通话功能，中文对话断崖式领先，人机难辨！
1月20日，豆包APP更新实时语音通话功能，面向所有用户开放。 该功能基于最新豆包实时语音大模型（Doubao Realtime Voice Model）。 更新后，豆包中文场景的对话能力在语音真实感和“喜怒哀乐”的情绪表现上近乎达到“人机难辨”的AI交互效果，可以模仿不同声线，并且在“逻辑思考”和“情绪感知”上有明显提升。
推动多语言语音科技迈向新高度：INTERSPEECH 2025 ML-SUPERB 2.0 挑战赛
随着语音技术在各领域应用的迅速扩展，全球语言与口音的多样性成为技术进一步突破的重大挑战。 为了应对这一难题，来自卡内基梅隆大学（CMU）、斯坦福大学（Stanford University）、乔治梅森大学(George Mason University)、台湾大学与芝加哥丰田技术学院(TTIC)的研究团队连手，在即将举行的 INTERSPEECH 2025 国际会议上推出了 ML-SUPERB 2.0 挑战赛（Multilingual SUPERB 2.0 Challenge）。 该挑战旨在推动多语言语音技术迈向新高度，为语音科技的全球化应用奠定坚实基础。
国产AI之光！TeleAI星辰大模型入选央企十大国之重器评选
近日，国务院国资委新闻中心发起“十大国之重器”年度盘点，从2024年中央企业建设的众多重点项目中精心选出20项既有影响力又有创新力的大国重器，诚邀广大网友评选“年度十大国之重器”。 由中电信人工智能科技有限公司和中国电信人工智能研究院（TeleAI）打造的“全国产化万亿参数星辰大模型发布”光荣入选，成为国产AI的佼佼者，展现了中国电信在人工智能领域的领先地位。 星辰大模型，开启国产AI新时代星辰大模型，是由中国电信自主研发打造的全国产化万亿参数大模型，是国内AI技术的重大突破。
ChatGPT 高级语音模式主创“自立门户”：新公司估值达 2 亿美元，打造有情感的 AI 语音交互
前 OpenAI 研究员 Alexis Conneau 最新创立 WaveForms AI，目前已获 a16z 4000 万美元种子轮融资，剑指音频 AI 交互领域。