搜索
ElevenLabs 似乎无处不在。2025年 1 月，Lex Fridman在基辅对乌克兰总统Zelenskyy进行了长达三小时的采访，采访中使用了ElevenLabs 提供的AI英语、乌克兰语和俄语翻译，完美地保留了泽连斯基的语音和语调。这是AI消除语言障碍能力的一次引人注目的展示。
语音是人工智能应用公司最重大的突破之一。作为人类最常用、信息密度最高的交流方式，语音如今在人工智能的推动下首次实现了“可编程化”。
WaveForms致力于开发音频大模型（LLMs），通过创新的端到端音频处理技术，实现更加实时、类人化且情感智能化的语音交互。与传统语音模型不同，WaveForms的音频模型不是语音转文本再转语音，而是能够直接处理音频，实现更自然的对话和情感互动。
继视频、文本模型家族在新年迎来新成员后，MiniMax带来了全新升级的T2A-01系列语音模型，并全球同步上线海螺语音产品。与传统语音生成技术相比，全新升级的T2A-01系列语音模型不仅具有音质稳定清晰、韵律自然、情绪精准表达、高准确度等特点。
本期《智者访谈》邀请到著名开源语音识别项目 Kaldi 的创始人、小米集团语音首席科学家 Daniel Povey 博士。作为推动全球智能语音处理产业化的关键人物，他见证了语音识别技术从实验室走向大规模应用的全过程。十多年前，他在微软研究院的实习生，如今已成为 Google Gemini 等标志性项目的负责人。
Accel的合伙人Ben Quazzo将在融资后加入Speak董事会，他认为Speak已经成为消费级AI中的佼佼者，不仅增长迅猛，还展现出了巨大的市场潜力，重新定义了语言学习体验。
Hume AI近日推出了一款名为OCTAVE的全新文本与语音引擎，该引擎能够仅凭简单的文本描述或一段5秒的语音录音，即可生成或克隆出逼真的语音和人格特质，为虚拟角色和人机交互带来了无限可能。
“它前进着，又跨过了新的一级台阶，耳边仿佛传来由远及近的低语：前方，即是世界。”
OpenAI的实时API支持低延迟、双向音频流，使得多模态AI应用（如语音对话Agent）得以实现。它通过WebSocket连接管理对话状态，并提供短语结束检测和语音活动检测（VAD）功能，大大简化了实时语音应用的开发。
WebRTC 的早期创建者之一，Fixie.ai 联合创始人兼 CTO Justin Uberti 近日宣布加入 OpenAI，领导实时 AI （Real-Time AI）项目的开发。