搜索
语音是人类最自然、最习惯的交互方式。随着代码智能体、办公智能体逐渐普及，人们对智能体的期待也不再只是 “问一个问题、得到一个答案”，而是希望像和同事一样持续沟通，共同完成一项工作：任务进行到一半，可以随时询问进展；想到新要求，可以直接补充；方向变了，也可以马上取消或修改。
Boson AI 与 SGLang-Omni 团队宣布，SGLang-Omni 已完成对 Higgs Audio v3 TTS 的端到端 Serving 支持。作为一家成立于 2023 年的 AI 基础设施公司，李沐与 Alex Smola共同创立了 Boson AI，聚焦大模型时代的系统与基础设施创新。
a16z 指出：“模型开发的进展正在简化整个基础设施栈，使得语音智能体具备更低延迟和更高性能。这一提升主要出现在过去六个月内，得益于新一代对话模型的出现。”基于这些趋势，Deepgram 与 Opus Research 合作开展的《2025 语音 AI 状况调查报告》，基于 400 位商业领袖的洞察，涵盖十多个行业，分析了语音 AI 的应用现状与关键特性。
我们每天都在用语音交流，从早上叫醒Siri到晚上和家人通话，语音似乎是人类最直观的交流方式。但当我们试图让机器也用这种方式与我们互动时，却发现背后隐藏着巨大的技术挑战。
OpenAI凌晨发布最新生产级别语音模型和API。Realtime API实现语音直接处理，支持图像输入、远程MCP服务器与SIP打电话，极大简化语音智能体构建；而新一代语音到语音模型gpt-realtime，在音质、理解力、指令遵循和函数调用上全面提升，语音几乎媲美真人，还能多语种切换与细腻表达。
现在，你可以指导 GPT-4o 的说话方式了。
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”。