搜索
就在刚刚，OpenAI 正式推出了全新一代语音模型 GPT-Live。正如它的名字一样，这一次，ChatGPT 的语音功能彻底「活」了过来。据官方透露，目前每周有超过 1.5 亿人使用 ChatGPT 的语音和听写功能来练习外语、讲睡前故事或在通勤时打发时间。而从今天起，这 1.5 亿人将迎来一次豆包式的进步：
火山引擎今天上线了全新的语音模型—— 豆包音频生成模型 1.0（Seed-Audio 1.0）。
刚刚，xAI再失一名华人大将。就在今天，预训练负责人庄钧堂官宣了自己的离职消息。此前，庄钧堂已经在xAI工作了两年。这期间，他主导了从Grok 2到Grok 5的全系列预训练，同时负责Grok在X和Tesla上的语音模型及xAI企业API模型。
不知道大家平时有没有这种经历。
阶跃星辰今日发布新一代自动语音识别模型StepAudio 2.5 ASR。该模型面向语音转写与长音频处理场景，在架构上引入Multi-Token Prediction（多Token预测）以提升推理效率，并通过扩展上下文窗口强化长内容识别能力。
看到标题《这个模型让机器人长出了嘴》，你可能会心生疑惑： AI不是早就懂语音播报了吗？
语音合成大家都不陌生，这两年市面上各种AI配音也层出不穷。
面壁智能2B小模型VoxCPM 2惊艳开源，一众外国网友疯狂了！30种语言与9大方言它是信手拈来，复刻的贺炜激昂解说与徐志胜脱口秀，相似度简直直击灵魂。这哪是工具，分明是降维打击的生产力核武器！
相似度超越Seed-TTS、MiniMax-Speech等知名模型。昨晚，美团LongCat团队发布了文本转语音模型LongCat-AudioDiT，并开源1B、3.5B参数量的版本。这一模型的最大特点，是彻底抛弃了梅尔谱等中间表示，直接在波形潜空间进行基于扩散模型的文本转语音。通俗地说，这一模型直接根据声音本身的规律进行生成，“雕刻”出最原始的声音波形，从根源阻断数据转换的级联误差。
昨日凌晨，谷歌正式推出其最高质量的音频和语音模型——实时语音模型Gemini 3.1 Flash Live，并在Gemini App、Search Live以及Google AI Studio中同步开放，其中后者以预览版本向开发者提供。