Ollama v0.40.9-rc3 发布：支持 Apple Silicon 语音生成与 d3 决策模型Chinese
Ollama 发布 v0.40.9-rc3 预发布版本，新增支持在 Apple Silicon 上通过 Phonon 生成语音，并提供兼容 OpenAI 的 /v1/audio/speech 流式接口。
Why it matters: 该版本为本地运行时补充了端侧语音生成与意图决策模型，便于开发者在统一接口下扩展多模态与分类工作流。
Speech and audio
All topicsAI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
Latest selected
21–40 of 99Ollama 更新SelectedAI score7474 AWS 机器学习SelectedAI score6161 AWS 发布 Amazon Polly 生成式语音引擎重大升级Chinese
AWS 宣布 Amazon Polly 生成式语音引擎推出重大升级并正式可用，新增跨 9 个区域设置的 14 个新声音，并首次在生成式引擎中支持印地语和芬兰语。升级后生成式声音总数增至 57 个并覆盖 11 种语言，能根据文本语境自动调整情绪与韵律，同时提升了数字、金额和地址的发音准确度。该更新为就地直接升级，保持原有 API 调用、音色名称及按量计费价格不变，现有应用无需修改代码即可生效。
Why it matters: 升级在保持现有接口与定价不变的前提下提升了表达自然度与实体发音准确率，已有工作流无需改动代码即可直接受益。
AWS 机器学习SelectedAI score6868 AWS 指南：利用 SageMaker AI 与 Kokoro TTS 实现 AI 智能体低延迟流式语音合成Chinese
AWS 介绍了在 Amazon SageMaker AI 上基于轻量级 Kokoro-82M 模型实现 AI 智能体低延迟流式语音合成的工程方案。该方案通过 WebSocket 双向流在模型生成每句话时即时推向 TTS 端点，使独立首包音频延迟从 329.3 ms 降至 156.7 ms（降低 52.4%）。
Why it matters: 文章详细拆解了语音智能体按句流式合成的 WebSocket 双向通道与帧处理细节，为降低端到端语音交互延迟提供了可复用的工程方案。
IT之家 · AI 筛选SelectedAI score7878 特斯拉发布无人驾驶网约车首份安全报告：累计行驶 499 万公里无人受伤Chinese
特斯拉发布首份无人驾驶网约车安全报告，车队累计行驶里程达 499 万公里，实现 0 人员受伤、0 安全气囊弹出及 0 行人或骑行者被撞。官方表示同等里程下人类驾驶预计会发生约 9 起致伤事故与 4 起气囊弹出。该服务目前已在美 7 座城市运营，赛博无人驾驶电动车已加入奥斯汀车队并接入 Grok 语音助手功能。
Why it matters: 报告给出了特斯拉无人驾驶网约车的安全对照数据与拓展节奏，读者可以据此评估其规模化商用的运营进展。
Hugging FaceSelectedAI score6363 IBM 发布 Granite Speech 5.0 语音模型系列：涵盖 2B 旗舰、470M 高速端侧与会议增强版Chinese
IBM 发布 Granite Speech 系列语音模型更新，包括全新的 2B 语音语言模型 granite-speech-5.0-2b，以及更新版的 470M 端侧模型 granite-speech-5.0-470m-turboctc 和针对多说话人的 granite-speech-4.1-2b-plus。
Why it matters: 原文对比了三款模型在端侧吞吐、多说话人归因及高精度转录上的性能指标，读者可依此匹配具体业务场景。
Buzzing HN · 中文精选SelectedAI score7474 Mistral 推出 Voxtral 3 语音模型家族与语音 Agent SDKChinese
Mistral 推出 Voxtral 3 系列语音模型及基于 LiveKit 的语音智能体 SDK，将听、思考、工具调用与发声整合为单一实时流式管线。模型家族包含支持 50 多种语言高精度转录与说话人日志的 Voxtral Transcribe 3，以及支持 35 种以上语言情感与语速调节的 Voxtral Mini TTS 3，单轮交互延迟控制在 1 秒以内。
Why it matters: 该家族打通了转写、推理与情感合成的端到端流式管线，为构建高保真且支持自主部署的语音智能体提供了完整方案。
The DecoderSelectedAI score7373 Elevenlabs 发布实时语音对话模型 Eleven RealtimeChinese
Elevenlabs 发布两款专为实时语音对话设计的端到端语音模型 Eleven Realtime v1 Max 与 v1 Mini。其中 v1 Max 在 Big Bench Audio 基准测试中达到 98.8% 准确率且响应时间为 0.57 秒，兼顾高精度与低延迟；v1 Mini 则主打低成本自然对话并能识别停顿与应答语气。
Why it matters: 模型兼顾低延迟与高准确率，并提供兼容标准协议的接口，有助于降低实时语音智能体的开发和迁移门槛。
The DecoderSelectedAI score7474 Mistral AI 推出全栈实时语音智能体模型族 Voxtral 3Chinese
Mistral AI 正式推出专为实时语音智能体打造的模型族 Voxtral 3，整合了听、思考、工具调用与发声的单一流式处理管线。该系统包含支持超 50 种语言的 Voxtral Small Transcribe 3 转录模型、支持超 35 种语言及 50 种方言且具备情感适配的 Voxtral Mini TTS 3，以及基于 LiveKit 的语音智能体 SDK。
Why it matters: 该技术栈打通了从语音识别、推理到语音合成与工具调用的全流程，为构建低延迟端到端实时语音智能体提供了完整组件方案。
TechCrunch AISelectedAI score6161 Otter.ai 获 General Catalyst 3.2 亿美元融资用于企业级业务扩张Chinese
AI 会议记录工具 Otter.ai 宣布从 General Catalyst 旗下 Customer Value Fund 筹集 3.2 亿美元，该资金采取非稀释股权模式，将用于企业增长、国际扩张和产品研发。平台累计用户量已达 4000 万，目前正测试整合多渠道上下文的会前简报及会中实时 AI 问答等功能，以应对日益激烈的会议办公自动化竞争。
Why it matters: Otter.ai 采用不稀释股权的融资模式推进企业扩张，展现了 AI 会议工具从转录向全流程业务工作流演进的竞争态势。
Google Developers · AI 筛选SelectedAI score7171 Google 发布 ADK 语音 Agent 教程：基于 Gemini 3.8 Live 构建永不静音的实时语音助手Chinese
Google 官方发布指南，演示如何利用 Agent Development Kit（ADK）与 gemini-3.8-live 构建避免语音中断的实时语音 Agent。
Why it matters: 教程展示了如何通过流式工具与响应调度消除语音交互静音，为长耗时调用的实时语音开发提供了可落地的架构范式。
Hacker News · AISelectedAI score6363 开源工具 Earshot 发布：支持通过 AirPods 与点头动作控制 Claude Code 语音交互Chinese
开发者推出开源 macOS 工具 Earshot，支持用户通过 AirPods 与 Claude Code 语音对话并通过点头手势发送指令。该工具利用系统 say 命令朗读模型回复，并结合 Hammerspoon 与 AirPods 头部运动追踪实现按压耳机柄听写、点头发送的免键盘交互流程。
Why it matters: 该项目通过耳机头部动作感应与系统朗读接口，为命令行环境提供了无需键盘的免手语音交互方案。
Hacker News · AISelectedAI score6565 1.4万通通话实测显示人类接线员转化表现优于AI语音AgentChinese
Bold Agent Kit 对约 14,000 通真实来电的实测显示，人类接线员的业务转化表现约为 AI 语音 Agent 的 4 倍。分析指出，AI 处理的通话中途放弃挂断率高出 700%，但在响应可用性上具备优势，人类漏接电话比例比 AI 高出约 15%。该研究建议企业评估 AI 时应衡量单次成功转化的实际商业成本，而非单纯计算接听量和削减的人力支出。
Why it matters: 原文对比了万通通话中人类与AI在转化率与挂断率上的具体差距，为企业评估语音智能体的落地回报提供了实测参考。
Hugging FaceSelectedAI score6565 Granite Switch 4.1 发布：单端点整合对话、决策与语音识别能力Chinese
Granite Switch 4.1 系列模型（8B 与 30B）正式发布，将通用决策 aLoRA、安全决策 Guardian aLoRA 以及语音识别模型整合至单一托管端点。适配器与基座模型共享显存并复用基座生成的 KV cache，可在对话响应、多步骤决策及语音转文字等任务间快速切换。该系列模型支持开箱即用，官方后续还将发布 Adapter SDK 供社区训练与组合自定义适配器。
Why it matters: 原文展示了多适配器共享显存与缓存的架构设计，读者可以参考如何以低开销在单端点组合多任务工作流。
IT之家 · AI 筛选SelectedAI score7777 xAI 发布语音模型 Grok Voice 3.0：延迟低于 1 秒且 API 定价不变Chinese
xAI 发布语音转语音模型 Grok Voice 3.0，延迟低于 1 秒且已通过 API 上线，定价维持每分钟 0.08 美元。在 Artificial Analysis 综合榜单中得分 86.9 排名第一，全双工基准测试达 97%，τ-Voice 客服测试得分 71.6% 且比同级模型延迟降低 40%。该模型已应用于特斯拉车载交互与星链多语言客服电话处理。
Why it matters: 原文提供了多项语音基准测试得分与全双工测试数据，读者可据此评估该模型在实时客服场景下的延迟与成本表现。
Hacker News · AISelectedAI score6262 美国移民与海关执法局计划使用 AI 全天候监控被拘留人员通话与行动Chinese
美国移民与海关执法局（ICE）在联邦采购网站发布信息征集，计划采购名为 Suite 的 AI 系统，对拘留中心移民的电话、视频通话及摄像头画面实施 24/7 全天候监控。
Why it matters: 原文披露了执法机构将多模态分析引入拘留场所的采购细节，读者可以了解公权力应用 AI 监控的实际诉求与伦理争议。
Hacker News · AISelectedAI score7373 Apple 推出 299 美元智能显示屏 HomeView，推动 Siri AI 落地家庭场景Chinese
Apple 正式发布智能家居显示屏 HomeView，配备 7 英寸屏幕与扬声器底座，售价 299 美元，旨在将全新升级的 Siri AI 引入家庭日常场景。设备支持通过面部识别区分最多 6 位家庭成员并切换专属小组件与日程信息，音频与视觉数据独立处理以保障隐私。该硬件将于 11 月 13 日发售，让没有升级到 iPhone 15 Pro 及以上机型的家庭成员也能使用新版 Siri AI。
Why it matters: 该设备降低了体验升级版 Siri 的硬件门槛，并展示了基于面部识别切换多用户界面的端侧智能家居形态。
Hacker News · AISelectedAI score6363 开源本地语音助手 Sonia 发布：无需独立 GPU 且内存低于 15GB，支持全双工打断与外部技能Chinese
开发者开源了全本地语音助手 Sonia，无需独立 GPU 即可在 15 GB 内存内运行，具备全双工拾音和实时打断能力。系统基于 TypeScript 与 Bun 构建核心事件循环，结合 audio.cpp 运行语音识别、TTS 与轮次检测模型，并通过兼容 OpenAI 接口的 llama-server 挂载 Qwen3.5-4B 等大语言模型。
Why it matters: 项目展示了基于纯本地 CPU 与核显搭建全双工语音助手的完整工程链路，为低算力端侧交互开发提供了可参考架构。
Buzzing HN · 中文精选SelectedAI score7575 基于 EmbeddingGemma 2 的 Mac 本地语音转录工具发布，基础款 MacBook Air 约 13 秒转录 1 小时音频Chinese
开发者基于 Google 的 EmbeddingGemma 2 推出端侧语音转文本工具并开放 Mac 免费版 v1.6，在基础款 M3 MacBook Air 上利用 Apple Neural Engine 可在 12.6 秒内转录 1 小时音频。
Why it matters: 该项目展示了直接复用多模态嵌入空间实现极速语音识别的可行性，为轻量端侧音频转录提供了极低训练成本的工程方案。
Hacker News · AISelectedAI score7575 投机工具调用：如何降低语音 AI 智能体的端到端延迟Chinese
投机工具调用通过在用户说话过程中提前预测并异步触发工具查询，以消除语音智能体在轮次结束后的工具等待延迟。该方案借鉴投机解码思想，仅对只读或幂等工具在置信度达标时预执行并缓存结果，轮次结束时若与大语言模型的真实调用一致则瞬间返回，不匹配则丢弃且不改变执行逻辑。文章指出该机制适合由实时运行的小型音频决策模型驱动，并提醒注意隐私泄露风险与口语自我纠错带来的参数不稳定性。
Why it matters: 文章系统梳理了语音智能体中投机工具调用的执行机制与安全边界，为开发者解决语音交互下的工具调用延迟提供了清晰的架构参考。
Hacker News · AISelectedAI score6262 开源系统 Veda 推出常驻桌面语音智能体架构Chinese
开源系统 Veda 将语音智能体作为操作系统常驻组件，支持用户通过自然语音直接控制窗口、编辑文本与管理文件。该系统后端接入 Deepgram 语音服务与 OpenAI 模型，并在系统服务层对敏感和破坏性操作实施强制用户确认机制，防止大语言模型越权执行危险指令。此外，Veda 还提供了应用适配框架，允许各类原生应用向智能体暴露结构化操作与状态数据。
Why it matters: 原文展示了将语音智能体深度整合进操作系统底层的完整实现方案，其系统级权限硬拦截设计对桌面智能体开发者具有直接参考意义。