#语音
跨栏目找相关项:同一话题的工具、提示词、论文,可能横跨数天甚至数月才凑齐。
#语音
今日 0 条一手 · 工具·提示词·论文 三栏速览
每栏 6 / 6 · 直达分类页查看全部
提示词
6 条当用户的某个意图（如last_intent）尚未处理完成时，自动提示用户并继续处理该业务。
写作cloud.baidu.com为电商平台机器人客服提供开场白、常见问题回复和结束语的话术模板参考。
写作insight.xiaoduoai.com智能客服机器人与访客互动的对话模板（欢迎新访客、欢迎回头客、显示常见问题等）。
写作zhuanlan.zhihu.com服装加工合同模板，含甲乙双方信息及加工委托条款
写作xiaobaogong.com用于合同审查场景，让大模型扮演特定行业、特定立场的合同审查专家，平衡利益与风险。
研究blog.csdn.net帮助分析患者症状，提供可能的诊断方向和建议，适用于初步诊断筛查。
研究cgwgpts.com
论文
6 条Hugging Face BlogAI 评分3333 Hugging Face 发布 Falcon-ASR：1.6B 参数的阿拉伯语语音识别模型
Hugging Face 发布 Falcon-ASR，一个 1.6B 参数的语音识别模型，重点支持阿拉伯语及阿联酋方言，由阿布扎比 Technology Innovation Institute（TII）开发，同一权重也支持英语、法语、西班牙语和葡萄牙语。
AWS Machine Learning BlogAI 评分1616 在 Amazon Bedrock AgentCore、Managed Knowledge Base 与 Nova Sonic 上构建语音旅行管家
AWS 博客演示如何在 Amazon Bedrock AgentCore 上构建面向航空公司的语音旅行管家，核心由 Amazon Nova 2.5 Sonic 实时语音模型、Strands Agents 框架与 Amazon Bedrock Knowledge Bases 组成。
AWS Machine Learning Blog精选AI 评分7070 在 Amazon SageMaker AI 上部署 Qwen3-TTS 实现实时个性化语音
本文介绍如何在 Amazon SageMaker AI 上部署 Qwen3-TTS-12Hz-1.7B-Base 模型进行实时语音克隆。该模型支持 10 种语言，可从几秒参考音频中提取说话者的音色、音调和节奏特征，生成新文本的语音，无需重新训练。
推荐理由：原文给出了完整的部署步骤、GPU配置、代码示例和监控方法，读者可以照着在 AWS SageMaker 上搭建自己的语音克隆服务。
AWS Machine Learning Blog精选AI 评分6262 在 Amazon SageMaker 上部署 WhisperX 实现说话人标注转录
AWS 发布了 WhisperX 深度学习容器，可在 Amazon SageMaker 上部署为实时或异步端点，实现带说话人标注和词级时间戳的转录。实时端点适用于 60 秒内的短音频，异步端点通过 S3 处理长音频。教程详细介绍了两种端点的部署步骤、请求格式、GPU 实例选择和成本优化策略，并提供了生产环境的最佳实践。
推荐理由：原文提供了在 AWS SageMaker 上部署 WhisperX 的完整教程，包含实时和异步两种端点的具体配置、代码示例和生产注意事项。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.8 Text-to-Speech
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款新的文本转语音模型，在 Hume AI Voice Design Benchmark 获得第一。
推荐理由：原文给出了具体的能力变化和开放入口，读者可以据此判断它会怎样改变现有的语音生成工作流。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking
Google DeepMind 发布两款新的实时对话模型：Gemini 3.8 Live 注重规模化和成本效率，结合对话智能与流畅交互；Gemini 3.8 Live Extended Thinking 面向高复杂度任务，具备增强智能和多步推理能力。
推荐理由：原文给出了具体性能数据（82.6% Speech to Speech Quality Index、68.6% τ-Voice 等）和多个平台可用入口，读者可据此判断该模型相对现有产品的能力提升和适用场景。
OpenAI News精选AI 评分6767 OpenAI 在 API 中推出 GPT‑Live‑1，实现更自然的语音体验
GPT‑Live‑1 将自然全双工语音对话能力引入 API，具备更强的指令遵循、定制语音和电话支持功能。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Hugging Face BlogAI 评分5757 NVIDIA Magpie TTS 多语言语音模型发布：支持 12 种语言、32ms 首次音频延迟
NVIDIA 发布 Magpie TTS 多语言语音合成模型，364M 参数支持英语、西班牙语、法语、德语、意大利语、越南语、普通话、印地语、日语、现代标准阿拉伯语、韩语和巴西葡萄牙语共 12 种语言。
Berkeley AI ResearchAI 评分2828 2026 BAIR 毕业生展示：Berkeley AI Research 实验室迎来新一届博士毕业生
Berkeley AI Research (BAIR) Lab 2026 届博士毕业生已开启职业新篇章，研究方向涵盖机器人与具身智能、大语言模型推理、计算机视觉、生成模型、AI 安全、人机交互及 AI for Science 等领域。
Hugging Face Blog精选AI 评分6262 Hugging Face 和 Cerebras 合作展示 Gemma 4 实时语音 AI
Hugging Face 与 Cerebras 合作展示了基于 Gemma 4 的实时语音转语音系统，采用模块化开源架构：Nvidia Parakeet 语音识别 + Cerebras 加速 Gemma 4 VLM 推理 + 阿里 Qwen3TTS 语音生成。该系统已在超过 9,000 台 Reachy Mini 机器人上部署，旨在解决语音 AI 的延迟问题，提供更稳定、可预测的低延迟体验。
推荐理由：原文展示了实时语音 AI 的低延迟方案，读者可以了解这个技术演示的核心架构和性能改进。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 Gemini 3.1 Flash TTS，带来更具表现力的 AI 语音生成能力
Google DeepMind 发布 Gemini 3.1 Flash TTS，这是一款新的文本转语音模型，在 Artificial Analysis TTS 基准测试中获得 1211 的 Elo 评分。
推荐理由：原文展示了具体性能数据（Elo 1211）和可用入口，读者可据此评估该模型在实际业务中的适用性。
Mistral AI精选AI 评分7979 Mistral AI 发布 Voxtral TTS 文本转语音模型
Mistral AI 发布 Voxtral TTS，一个 40 亿参数的文本转语音模型，支持 9 种语言的情感化语音生成，具备低延迟和快速语音适配能力。该模型通过 API 和 Mistral Studio 提供，起步价每千字符 0.016 美元，支持仅 3 秒参考音频即可适配定制语音。
推荐理由：原文给出了与 ElevenLabs 的对比数据和具体价格，读者可以据此判断 Voxtral TTS 在语音生成领域的能力和成本。
Mistral AI精选AI 评分7676 Mistral 发布 Voxtral 语音理解模型
Mistral 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个版本，在基准测试中优于 Whisper large-v3、GPT-4o mini Transcribe 和 ElevenLabs Scribe，定价仅为 $0.001/分钟，不到竞品一半。模型支持 32k token 上下文，可处理最长 40 分钟音频，具备内置问答、摘要、多语言和函数调用能力。
推荐理由：原文给出了 Voxtral 在多个基准测试上的性能对比和定价信息，读者可以据此判断它在语音理解领域的能力位置和成本优势。