ข้ามไปที่เนื้อหา
#เสียง
วันนี้13 พฤศจิกายนวันศุกร์7 รายการ
  1. inclusionAI Models34

    inclusionAI เปิดตัวน้ำหนัก FP8 ของ Duo-1.0-distill-quant สำหรับการโต้ตอบแบบฟูลดูเพล็กซ์

    inclusionAI เปิดตัว Duo-1.0-distill-quant ซึ่งเป็นน้ำหนัก Realization แบบสี่สเต็ปที่ผ่านการควอนไทซ์เป็น FP8 และกลั่นแล้ว สำหรับโมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์ Duo 1.0 น้ำหนักนี้จะซ้อนทับบนชุด inclusionAI/Duo-1.0-causal-base ซึ่งจัดเตรียม Intent, โคเดก, โมเดลเสียงพูด และแกนหลัก Realization ที่ใช้ร่วมกัน และจำเป็นต้องมีรันไทม์ที่รองรับรูปแบบ ModelOpt FP8 ที่แพ็กเกจมา น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo

  2. inclusionAI Models40

    inclusionAI เปิดตัว Duo-1.0-distill น้ำหนักกลั่นสี่ขั้นสำหรับ Duo 1.0

    inclusionAI ได้เปิดตัว Duo-1.0-distill ซึ่งเป็นน้ำหนัก Realization แบบกลั่นสี่ขั้นสำหรับ Duo 1.0 โมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์สำหรับการโต้ตอบเสียง-ภาพแบบเรียลไทม์ น้ำหนักนี้จัดส่งในรูปแบบ PyTorch Distributed Checkpoint overlay บนชุด inclusionAI/Duo-1.0-causal-base โดยใช้ Euler sampler จำนวน 4 ขั้นและ flow shift 5.0 น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo

  3. ElevenLabs Blog18

    7 ทักษะบริการลูกค้าที่เอเจนต์ทั้งมนุษย์และ AI ต้องมี

    ElevenLabs สรุปทักษะบริการลูกค้า 7 ประการ ได้แก่ การสื่อสาร การแก้ปัญหา การจัดการความขัดแย้ง ความเห็นอกเห็นใจ ความยืดหยุ่น การปรับให้เหมาะกับแต่ละบุคคล และความรู้เกี่ยวกับผลิตภัณฑ์ ซึ่งเอเจนต์สนับสนุนทั้งมนุษย์และ AI จำเป็นต้องมี โดยอ้างอิงการศึกษาของ Zendesk ที่พบว่าลูกค้ากว่า 50% เปลี่ยนไปใช้คู่แข่งหลังจากประสบการณ์แย่เพียงครั้งเดียว และการคาดการณ์ของ Gartner ว่าภายในปี 2028 ลูกค้าอย่างน้อย 70% จะเริ่มต้นการเดินทางด้วยอินเทอร์เฟซ AI คู่มือนี้เน้นย้ำการประเมินตัวชี้วัดการสนทนาระหว่างการฝึกอบรมและหลังการใช้งาน รวมถึงการส่งต่อให้มนุษย์อย่างราบรื่นเพื่อลดความตึงเครียด

  4. MarkTechPost62

    Fish Audio เปิดตัว Live 3 โมเดลเสียงแบบฟูลดูเพล็กซ์ที่ตอบสนองใน 186 มิลลิวินาที

    Fish Audio เปิดตัว Live 3 โมเดลเสียงแบบฟูลดูเพล็กซ์สำหรับเอเจนต์เสียงแบบเรียลไทม์ ที่ยังคงฟังอยู่ขณะพูด และเรียนรู้การผลัดกันพูดจากบทสนทนาของมนุษย์จริง แทนที่จะใช้กฎไปป์ไลน์ที่ปรับแต่งด้วยมือ Fish Audio กล่าวว่าสามารถตัดสินใจตอบสนองได้ภายในเวลาเพียง 186 มิลลิวินาทีสำหรับการตอบสนองสั้นๆ อย่าง "อืม-ฮึม" แม้ว่าตัวเลขดังกล่าวจะเป็นค่าต่ำสุดสำหรับการตอบสนองเล็กๆ น้อยๆ ไม่ใช่เวลาถึงเสียงแรกสำหรับการตอบกลับเต็มรูปแบบ และยังไม่มีการเผยแพร่คะแนน benchmark ใดๆ Live 3 ทำงานบน Fish Agent Platform (เบต้าสาธารณะ), Fish Audio API และแบบ on-premises สำหรับองค์กร โดยมีราคา 0.035 ดอลลาร์ต่อนาทีจนถึงวันที่ 31 ธันวาคม 2026 เทียบกับราคาปกติ 0.07 ดอลลาร์ และรองรับเฉพาะภาษาอังกฤษเท่านั้น

  5. TechCrunch · AI60

    Muse ของ Meta เริ่มโทรหาธุรกิจในสหรัฐฯ แทนสมาชิกที่ชำระเงิน

    Muse เอเจนต์ AI สำหรับผู้บริโภคของ Meta สามารถโทรหาธุรกิจในสหรัฐฯ แทนผู้ใช้ได้แล้ว แต่ฟีเจอร์นี้จำกัดเฉพาะสมาชิกที่ชำระเงินในสหรัฐฯ แพ็กเกจ Muse เริ่มต้นที่ 20 ดอลลาร์ต่อเดือนสำหรับ 500 ล้านโทเคนต่อสัปดาห์ หรือ 100 ดอลลาร์ต่อเดือนสำหรับ 3 พันล้านโทเคน Alexandr Wang ประธานเจ้าหน้าที่ฝ่าย AI ของ Meta กล่าวว่าฟีเจอร์นี้มุ่งเป้าไปที่สายที่ผู้คนไม่อยากโทร เช่น ประกัน เคเบิล DMV หรือการจองร้านอาหาร และตัวเลือกอีเมลアドレスของ Muse จะเปิดให้ผู้ใช้ฟรีในเร็วๆ นี้

  6. MarkTechPost52

    Liquid AI เปิดตัว LiquidCodec โคเดกเสียงสตรีมมิ่งขนาด 74M พารามิเตอร์

    Liquid AI เปิดตัว LiquidCodec โทเคไนเซอร์เสียงพูดแบบสตรีมมิ่งขนาดประมาณ 74M พารามิเตอร์ ซึ่งขับเคลื่อนโมเดล LFM3-Audio-2B และ LFM3-Omni-2B โดยเผยแพร่เวตบน Hugging Face โคเดกนี้บีบอัดเสียง 24 kHz เป็น 12 สตรีมโทเคนที่เฟรม 12.5 Hz และทำงานบน CPU เธรดเดียว โดย Liquid AI รายงานว่าการเข้ารหัสเร็วแบบเรียลไทม์ประมาณ 361 เท่า และถอดรหัส 87 เท่า Liquid AI กล่าวว่าเอาชนะ X-Codec 2, NanoCodec และ Mimi ในด้าน ViSQOL และระยะเมลในทั้ง 8 ชุดทดสอบ แม้ว่า NanoCodec ยังคงนำใน PESQ (WB) ใน 7 จาก 8 ชุด

  7. AWS Machine Learning Blog33

    Amazon SageMaker AI bidirectional streaming รองรับการคิดค่าบริการตามการใช้งาน โดยมี Deepgram เป็นพันธมิตรเปิดตัว

    Amazon SageMaker AI bidirectional streaming รองรับการวัดการใช้งานตามปริมาณการใช้งานแล้ว ช่วยให้ผู้ให้บริการโมเดลสามารถรายงานการใช้งานจริงไปยังค่าบริการซอฟต์แวร์ของ AWS Marketplace ได้ ขณะที่ค่าบริการโครงสร้างพื้นฐานของ endpoint ยังคงมีผลอยู่ Deepgram เป็นพันธมิตรเปิดตัว นำการคิดค่าบริการ Speech-to-Text และ Text-to-Speech ตามการใช้งานมาสู่ AWS Marketplace การออกแบบเพิ่มสตรีมข้อมูลเมตา WebSocket เสริม ซึ่งจำกัดที่หนึ่งข้อความต่อวินาทีและ 512 ไบต์ เพื่อให้ผู้ให้บริการสามารถส่งบันทึกการวัดแบบเพิ่มขึ้นระหว่างเซสชันสดได้

12 พฤศจิกายนวันพฤหัสบดี
  1. The Decoder71

    ElevenLabs เปิดตัวโมเดลถอดเสียงเป็นข้อความ Scribe v3 และ Scribe v3 Live

    ElevenLabs เปิดตัวโมเดลถอดเสียงเป็นข้อความสองรุ่น ได้แก่ Scribe v3 สำหรับไฟล์เสียงที่บันทึกไว้ และ Scribe v3 Live สำหรับการใช้งานแบบเรียลไทม์ที่มีความหน่วงต่ำ ทั้งสองรุ่นใช้งานได้ผ่านอินเทอร์เฟซสำหรับนักพัฒนา ElevenAPI และแพลตฟอร์ม ElevenAgents บริษัทระบุว่า Scribe v3 ลดข้อผิดพลาดระดับคำได้ประมาณ 25 เปอร์เซ็นต์เมื่อเทียบกับรุ่นก่อนหน้าข้าม 102 ภาษา และ Scribe v3 Live ใช้บริบทของการสนทนาเพื่อ判斷ว่าผู้พูดพูดจบจริงหรือไม่ แทนที่จะพึ่งตัวจับเวลาการหยุดชั่วคราว ผลการทดสอบมาตรฐานอิสระจาก Artificial Analysis จัดให้ Scribe v3 อยู่ในกลุ่มโมเดลถอดเสียงที่แม่นยำที่สุด เป็นรองเพียงโมเดลพรีวิวของ Alibaba แต่พบว่ามีความเร็วด้อยกว่าและมีราคา 3.33 ดอลลาร์ต่อ 1,000 นาที

  2. ElevenLabs Blog58

    ElevenLabs ขยาย Impact Program ด้วย ElevenMusic ฟรีสำหรับผู้สูญเสียเสียง

    ElevenLabs ประกาศในงาน New York Summit เมื่อวันที่ 11 พฤศจิกายนว่า ผู้ที่สูญเสียเสียงอย่างถาวรสามารถเข้าถึง ElevenMusic ได้ฟรี เพื่อให้ศิลปินที่ไม่สามารถร้องเพลงได้อีกต่อไปยังคงสร้างสรรค์และเผยแพร่เพลงได้ โปรแกรมนี้เปิดตัวร่วมกับ Songwriters of North America (SONA) ซึ่งจะตรวจสอบคุณสมบัติและแจกจ่ายสิทธิ์การเข้าถึง

11 พฤศจิกายนวันพุธ
  1. The Verge · AI38

    Adobe เปิดตัวการทดลอง AI ที่เปลี่ยนภาพถ่ายเป็นฉาก 3D และให้คุณสัมภาษณ์ตัวละครได้

    Adobe ประกาศเครื่องมือ AI เชิงทดลองในงานประชุม Max ประจำปี ได้แก่ Project Screen Test สำหรับกำกับตัวละคร AI ผ่านการสนทนา, Project Sight Span สำหรับเปลี่ยนภาพแบนให้เป็นฉาก 3D ที่นำทางได้ และ Project Sound Bender สำหรับมิกซ์เอฟเฟกต์เสียงบนผืนผ้าเสียงสี่เหลี่ยม Project Rinse Repeat คัดลอกการแก้ไขและนำไปใช้กับวัตถุอื่นในภาพเดียวกันโดยใช้เครื่องมือ Photoshop แบบดั้งเดิม การ "sneaks" เหล่านี้เป็นการพรีวิวเทคโนโลยีที่อาจไปถึง Creative Cloud หรือ Firefly ในที่สุด โดยไม่มีการรับประกันว่าจะเปิดตัว

  2. ElevenLabs Blog58

    ElevenLabs Summit NYC: Interaction Engine, ElevenAgents Memory and Routines, ElevenAI app, Partner Program and Marketplace

    ในการประชุมสุดยอดที่นิวยอร์ก ElevenLabs ได้ประกาศโมเดลใหม่ เอเจนต์ และตัวเลือกการติดตั้งใช้งานสำหรับชั้นการโต้ตอบด้วย AI ของบริษัท รวมถึง Interaction Engine ที่จัดการการผลัดกันพูดและกำหนดเส้นทางการสนทนาแต่ละส่วนไปยัง LLM ที่ประหยัดกว่าหรือระดับแนวหน้า ElevenAgents ได้รับ Memory ซึ่งสร้างบันทึกแบบมีโครงสร้างของลูกค้าที่กลับมาใช้บริการซ้ำ และ Routines ซึ่งเป็นชั้นระบบอัตโนมัติสำหรับงานหลายขั้นตอนก่อน ระหว่าง และหลังการโทร ElevenLabs ยังได้เปิดตัวตัวอย่างแอป ElevenAI สำหรับสถานที่ทำงานพร้อมการเข้าถึงช่วงแรกฟรีที่เปิดวันนี้ เปิดตัว Partner Program ซึ่งปัจจุบันมีพันธมิตรมากกว่า 550 รายใน 44 ประเทศ บวกกับพันธมิตรกับ McKinsey และเปิดตัว ElevenLabs Marketplace; NVIDIA Nemotron 3.5 Super VL พร้อมใช้งานแล้วใน ElevenAgents ควบคู่กับกำลังประมวลผล Vera Rubin ใหม่ 15 MW

  3. ElevenLabs Blog18

    การโคลนเสียงสำหรับครีเอเตอร์คอนเทนต์: ขยายเวิร์กโฟลว์คอนเทนต์ด้วย AI เสียง

    ElevenLabs อธิบายว่าเสียงโคลนช่วยให้ครีเอเตอร์คอนเทนต์อัดตัวอย่างสั้นๆ ครั้งเดียว แล้วสร้างเสียงบรรยายสำหรับวิดีโอ พอดแคสต์ คอร์สเรียน และคลิปโซเชียลได้โดยไม่ต้องกลับเข้าห้องอัดเสียงอีก คู่มือนี้แยกความแตกต่างระหว่าง Instant Voice Cloning ซึ่งสร้างเสียงโคลนจากตัวอย่างสั้นในเวลาไม่ถึงหนึ่งนาที กับ Professional Voice Cloning ซึ่งฝึกจากชุดบันทึกเสียงที่ใหญ่กว่าและมีขั้นตอนยืนยันว่าเสียงนั้นเป็นของครีเอเตอร์จริง นอกจากนี้ยังระบุเกณฑ์การเลือกใช้ ได้แก่ ความเที่ยงตรงของเสียง การควบคุมการออกเสียง ความครอบคลุมของภาษา มาตรการป้องกันด้านความยินยอม ตัวเลือกการส่งออก และการอนุญาตเชิงพาณิชย์

  4. ElevenLabs Blog40

    ElevenLabs เปิดตัว Marketplace สำหรับแอปพลิเคชัน AI ที่พร้อมใช้งานในองค์กร

    ElevenLabs เปิดตัว ElevenLabs Marketplace ซึ่งเป็นคอลเลกชันที่คัดสรรของแอปพลิเคชัน AI และเสียงเฉพาะอุตสาหกรรมที่สร้างขึ้นบนโมเดลของบริษัทโดยพันธมิตรด้านเทคโนโลยี โดยมีพันธมิตรเปิดตัว ได้แก่ Salesforce, IBM, NiCE, Twilio และ Zendesk องค์กรต่างๆ สามารถสำรวจโซลูชันในด้านบริการทางการเงิน ประกันภัย การดูแลสุขภาพ โทรคมนาคม ค้าปลีก และภาครัฐ และเชื่อมต่อโดยตรงกับพันธมิตรที่อยู่เบื้องหลัง เริ่มตั้งแต่ปีหน้า โซลูชันของพันธมิตรที่มีคุณสมบัติเหมาะสมจะสามารถซื้อได้ผ่านข้อผูกพันที่มีอยู่ของ ElevenLabs

  5. ElevenLabs Blog58

    ElevenLabs และ NVIDIA ขยายความร่วมมือเพื่อนำ voice agent สู่องค์กรและภาครัฐ

    ElevenLabs และ NVIDIA ได้ขยายความร่วมมือด้านโมเดล โครงสร้างพื้นฐาน และการติดตั้งแบบ sovereign โดยนำ NVIDIA Nemotron 3.5 Super VL เข้าสู่แพลตฟอร์ม ElevenAgents ElevenLabs วางแผนเพิ่มกำลังความสามารถ NVIDIA Vera Rubin อีก 15MW บนระบบ Blackwell Ultra ที่มีอยู่เดิม และกำลังขับเคลื่อน voice agent สำหรับระบบนัดหมาย Centralna e-Rejestracja ของโปแลนด์แบบ on-premises ด้วย NVIDIA Confidential Computing ตามข้อมูลของ ElevenLabs บน benchmark ฝ่ายสนับสนุนลูกค้าของ ElevenAgents นั้น Nemotron 3.5 Super VL ทำความแม่นยำในการทำงานแบบ end-to-end สำเร็จสูงสุดเป็นอันดับต้น ด้วยต้นทุนต่ำกว่าโมเดลเปิดชั้นนำอื่น ๆ ถึง 70%

  6. ElevenLabs Blog25

    McKinsey และ ElevenLabs จับมือเป็นพันธมิตรเพื่อขยาย Conversational AI ในองค์กร

    McKinsey และ ElevenLabs ประกาศเป็นพันธมิตรเพื่อช่วยองค์กรพิสูจน์คุณค่าของ Conversational AI ผ่านกรณีการใช้งานเริ่มต้นก่อนที่จะขยายไปทั่วทั้งองค์กร ความร่วมมือนี้ผสานความเชี่ยวชาญด้านอุตสาหกรรมและการเปลี่ยนแปลงของ McKinsey รวมถึงงานวิศวกรรม AI ของ QuantumBlack เข้ากับเทคโนโลยี Conversational AI ชั้นแนวหน้าของ ElevenLabs และแพลตฟอร์ม ElevenAgents ผู้ให้บริการโทรคมนาคมสัญชาติดัตช์ KPN กำลังใช้งานโซลูชันที่ขับเคลื่อนด้วย AI ใหม่นี้แล้ว และพันธมิตรมีแผนจะขยายแนวทางนี้ไปยังอุตสาหกรรมที่เน้นการบริการ เช่น ประกันภัย

  7. ElevenLabs Blog22

    องค์กรขนาดใหญ่ใช้ ElevenLabs AI อย่างไร

    ElevenLabs ระบุว่าองค์กรขนาดใหญ่คิดเป็นสัดส่วนมากกว่า 55% ของรายได้แล้ว โดยเทคโนโลยีของบริษัทถูกใช้งานในชีวิตประจำวันของ 5 ใน 10 บริษัทเทคโนโลยีที่ใหญ่ที่สุด 5 ใน 10 บริษัทประกันที่ใหญ่ที่สุด และ 4 ใน 10 บริษัทโทรคมนาคมที่ใหญ่ที่สุด ในงาน NYC Summit ลูกค้าอย่าง Ramp, Customers Bank, Banco Inter, Clover Health และ FOX Sports ได้อธิบายถึงการใช้ ElevenAgents และ ElevenCreative สำหรับเอเจนต์สนับสนุน การ onboard พนักงาน บริการหลายภาษา และ AI persona ของผู้บรรยาย Colin Cowherd ในแอป FOX Sports

  8. Vapi Blog58

    Vapi เปิดตัว Agent Loop ในช่วง early access ซึ่งเป็น harness ที่ปรับปรุงตัวเองได้สำหรับ voice agents

    Vapi เปิดตัว Agent Loop ในช่วง early access โดยมีแผนเปิดตัวแบบ GA ในต้นปีหน้า ในฐานะ harness ที่ปรับปรุงตัวเองได้ ซึ่งสร้าง voice agent จาก prompt ธรรมดา ให้คะแนนทุกสายเทียบกับเป้าหมายทางธุรกิจ ร่างการแก้ไขสำหรับจุดที่พลาด ทดสอบในการจำลอง และปล่อยให้กับส่วนหนึ่งของทราฟฟิกจริงก่อนการเปิดตัวเต็มรูปแบบ ลูปนี้ทำงานบน Vapi primitives รวมถึง Simulations และ Traffic Splitting ซึ่งมีให้ใช้ในแดชบอร์ดแล้วตอนนี้ พร้อมกับ Goals, Call Health และ Experiments ที่จะมาเร็วๆ นี้ Agent Loop ทุกตัวเป็น Vapi assistant จริง ดังนั้นวิศวกรจึงยังคงเข้าถึงแดชบอร์ดและ API ได้เต็มรูปแบบ และต้องมีการอนุมัติจากมนุษย์ก่อนที่จะปล่อยการเปลี่ยนแปลงใดๆ

10 พฤศจิกายนวันอังคาร
  1. Sierra Blog20

    พบกับ Mossy: การออกแบบเสียงที่คุณมองเห็นได้

    นักออกแบบจาก Sierra ใช้ AI เพื่อพัฒนา Mossy ซึ่งเป็นเสียงที่คุณมองเห็นได้ จากไอเดียสู่การผลิตจริงในเวลาเพียงสองสัปดาห์ โครงการนี้แบ่งปันกระบวนการของนักออกแบบและบทเรียนที่ได้รับตลอดเส้นทาง

  2. Google Developers Blog72

    Google AI Edge Gallery เพิ่มการรู้จำเสียงพูดและการสังเคราะห์เสียงบนอุปกรณ์

    Google ได้เปิดตัว Automatic Speech Recognition และ Text-to-Speech บนอุปกรณ์ใน Google AI Edge Gallery ทำให้แอปสามารถรัน ASR หลายภาษาและ TTS ที่แสดงอารมณ์ได้แบบออฟไลน์เต็มรูปแบบ ควบคู่กับ SLM บนอุปกรณ์อย่าง Gemini Nano และ Gemma 4 บน Android โมเดลเสียงพูดใหม่ของ ML Kit ถอดเสียงได้กว่า 100 ภาษาด้วยความเร็ว 10 เท่าของเวลาจริง โดยมี Word Error Rate 8.0% ถึง 9.0% บน FLEURS ขณะที่ TTS แบบ diffusion ไม่กี่ขั้นเริ่มพูดได้ในประมาณ 100 ms และสร้างเสียง 24 kHz ด้วยความเร็วสูงสุด 50 เท่าของเวลาจริง การรองรับข้ามแพลตฟอร์มมาผ่าน MediaPipe Tasks และ LiteRT พร้อมชุดน้ำหนักเปิด ได้แก่ Parakeet-TDT 0.6B, PocketTTS 100M, Kokoro-82M และ Phonon 31M ซึ่งสาธิตใน XR Language Teacher showcase และ AI Chat ที่รองรับเสียง

    ทำไมเรื่องนี้สำคัญ: Google เพิ่ม ASR และ TTS แบบออฟไลน์เต็มรูปแบบใน AI Edge Gallery โดย ML Kit รายงานการถอดเสียงกว่า 100 ภาษาที่ความเร็ว 10 เท่าของเวลาจริง และ TTS แบบ diffusion ที่เริ่มพูดได้ในประมาณ 100 ms

9 พฤศจิกายนวันจันทร์
  1. Zyphra Research78

    Zyphra เปิดตัว ZONOS3-Mini โมเดล TTS โคลนเสียงแบบ zero-shot ภายใต้ Apache 2.0 ที่รันบนอุปกรณ์

    Zyphra เปิดตัว ZONOS3-Mini โมเดล text-to-speech แบบ sparse MoE ที่มีพารามิเตอร์ใช้งานจริง 100M และพารามิเตอร์รวม 800M ภายใต้สัญญาอนุญาต Apache 2.0 ฝึกบน NVIDIA H100 จำนวน 112 ตัวใน 2.5 วัน ทำเวลา time-to-first-audio ได้ต่ำกว่า 570 ms ในเบราว์เซอร์บน Pixel 9 และต่ำกว่า 150 ms บน M3 MacBook Air พร้อมรันไทม์สำหรับ WebGPU, SGLang, vLLM และ GGML โมเดลนี้เพิ่มการควบคุมอัตลักษณ์ สำเนียง คุณภาพ อารมณ์ และการแสดงออก รวมถึงการปรับระดับคำ และ Zyphra รายงานว่าอยู่อันดับหนึ่งในกลุ่มโมเดลเปิดบน benchmark ใหม่ ZTTS2-Eval

    ทำไมเรื่องนี้สำคัญ: โมเดล TTS แบบ MoE ขนาดกะทัดรัดของ Zyphra ผสานการโคลนเสียงแบบ zero-shot เข้ากับการควบคุมการแสดงออกระดับคำ พร้อมรันแบบเรียลไทม์บนโทรศัพท์และแล็ปท็อป

6 พฤศจิกายนวันศุกร์
  1. Meta Newsroom · AI62

    Meta เปิดตัวฟีเจอร์เสียงแบบเรียลไทม์และอวตารที่แสดงอารมณ์ในแอป Muse

    Meta กำลังเปิดตัวการสนทนาด้วยเสียงแบบเรียลไทม์และอวตารที่แสดงอารมณ์ในแอป Muse บนมือถือ เว็บ และ Mac โดยเริ่มในสหรัฐฯ ผู้ใช้แตะไอคอนโทรศัพท์เพื่อพูดคุย สามารถขัดจังหวะการตอบกลับได้ และเลือกจากเสียงหลายร้อยแบบ พร้อมโหมดเสียงอย่างเดียว อวตาร หรือเต็มหน้าจอ ฟีเจอร์เสียงจะพร้อมใช้งานใน AI Glasses และ Muse Charm ในเร็วๆ นี้

    ทำไมเรื่องนี้สำคัญ: แอป Muse ของ Meta รองรับการสนทนาด้วยเสียงแบบเรียลไทม์พร้อมอวตารที่แสดงอารมณ์แล้ว สะท้อนให้เห็นว่าเสียงและการจัดการการขัดจังหวะกำลังเข้าสู่ผู้ช่วย AI สำหรับผู้บริโภค

4 พฤศจิกายนวันพุธ
  1. LiveKit Blog22

    Clerk AI ใช้ LiveKit ขับเคลื่อน Voice Agent ระดับองค์กรในวงกว้าง

    Clerk AI ให้บริการ voice และ messaging agent ระดับองค์กรบนเฟรมเวิร์กโอเพนซอร์สและเครือข่าย edge ทั่วโลกของ LiveKit รองรับ voice session พร้อมกันกว่า 1,000 รายการโดยไม่ต้องจัดสรรทรัพยากรล่วงหน้า agent ตอบสนองภายใน 500ms และรองรับกว่า 30 ภาษาตามมาตรฐาน พร้อม ScreenSense คัดกรองสายด้วยความแม่นยำ 97% และ TrueReach ตรวจจับข้อความเสียงสูงกว่า 98% แพลตฟอร์มยังคงควบคุมผู้ให้บริการ STT, LLM และ TTS ได้อย่างเต็มที่ และได้รับการรับรอง SOC 2 Type II พร้อมการปฏิบัติตามข้อกำหนด TCPA ในตัว

26 ตุลาคมวันจันทร์
  1. Vapi Blog38

    Vapi เปิดตัวการแบ่งทราฟฟิกสำหรับการทยอยใช้งาน voice agent

    Vapi ได้เปิดตัวการแบ่งทราฟฟิก ทำให้ทีมสามารถกำหนดเส้นทาง 0.1%, 1% หรือ 5% ของสายเรียกเข้าและสายเรียกออกไปยังเวอร์ชันเอเจนต์ใหม่ก่อนตัดสินใจใช้งานเต็มรูปแบบ ก่อนหน้านี้ การเผยแพร่เวอร์ชันผู้ช่วยใหม่จะส่งทราฟฟิก 100% ไปยังเวอร์ชันนั้นทันที ฟีเจอร์นี้มี "stickiness" เพื่อให้ผู้โทรที่โทรซ้ำอยู่ในเวอร์ชันเดียวกัน และ Vapi แนะนำให้เริ่มต้นด้วยการแบ่งแบบสองทาง

23 ตุลาคมวันศุกร์
  1. Amazon Science40

    เทคโนโลยี TTS แบบควบคุมได้ของ Audible มอบเสียงตัวละครที่แตกต่างให้กับหนังสือเสียง

    ทีมเทคโนโลยีของ Audible ใช้เทคโนโลยี text-to-speech แบบควบคุมได้เพื่อมอบเสียงที่แตกต่างและสม่ำเสมอให้กับตัวละครในหนังสือเสียง โดยมีคำอธิบายด้วยภาษาธรรมชาติเป็นแนวทางว่าบทสนทนาควรถูกถ่ายทอดอย่างไร คอมโพเนนต์ BookLLM ทำการโปรไฟล์ตัวละครและระบุบทสนทนาของพวกเขาด้วยความแม่นยำ 97% ในภาษาอังกฤษและ 94% ในภาษาสเปน ขณะที่ไปป์ไลน์ข้อมูลสังเคราะห์ใช้ฝึกโมเดลด้วยเสียงพูดที่มีคำบรรยาย การแยกความแตกต่างของบทสนทนาดีขึ้น 3.7 คะแนนในการทดสอบ MUSHRA โดยมีผลประโยชน์ด้านประสบการณ์การฟังอย่างมีนัยสำคัญทางสถิติสำหรับแปดในสิบเสียงในการทดสอบภาษาอังกฤษและภาษาสเปน

21 ตุลาคมวันพุธ
  1. LiveKit Blog25

    Acuity Health ใช้ LiveKit Voice Agents เพื่อทำให้การเข้าถึงของผู้ป่วยเป็นระบบอัตโนมัติได้อย่างไร

    Acuity Health สร้าง patient-access voice agents ใหม่บน LiveKit หลังจากที่แพลตฟอร์ม low-code พิสูจน์แล้วว่าแข็งเกินไปและไม่โปร่งใส และตอนนี้ 80% ของสายถูกจัดการโดย AI agents อย่างสมบูรณ์ Agents ทำงานบน LiveKit Inference ด้วยโมเดล Gemma 4 31B การจองส่วนใหญ่เสร็จสิ้นภายในไม่ถึงหนึ่งนาที และ 81% ของสายการจองจบลงด้วย "ขอบคุณ" LiveKit Simulations ทดสอบทุกการเปลี่ยนแปลงกับโปรไฟล์ผู้ป่วยก่อนปล่อย และการตรวจทาน prompt หนึ่งครั้งตัดคำออกประมาณ 24% ในขณะที่ยังผ่านสถานการณ์เดียวกัน

20 ตุลาคมวันอังคาร
  1. Mistral AI82

    Mistral เปิดตัวโมเดลเสียง Voxtral 3 และ Voice Agent SDK

    Mistral เปิดตัว Voxtral 3 กลุ่มโมเดลถอดเสียงเป็นข้อความและข้อความเป็นเสียง พร้อม Voice Agent SDK ที่สร้างบน LiveKit ซึ่งสตรีมการฟัง การคิด การเรียกใช้เครื่องมือ และการพูดในไปป์ไลน์เดียว Voxtral Small Transcribe 3 รองรับกว่า 50 ภาษา พร้อมการแยกผู้พูดและ context biasing ส่วน Voxtral Mini TTS 3 รองรับกว่า 35 ภาษาและกว่า 50 ภาษาถิ่น โดยสแต็กนี้ใช้งานได้ผ่าน API ของ Mistral ที่โฮสต์ใน EU หรือการติดตั้งเอง ราคาเริ่มต้นที่ $0.0035/นาที สำหรับการถอดเสียงแบบแบตช์ และ $13 ต่อ 1M ตัวอักษรสำหรับ TTS

    ทำไมเรื่องนี้สำคัญ: Voxtral 3 ของ Mistral จับคู่โมเดลเสียงหลายภาษากับ Voice Agent SDK ที่สร้างบน LiveKit มอบทางเลือกที่ติดตั้งใช้งานได้อย่างอธิปไตยให้ทีมต่างๆ สำหรับ voice agent แบบเรียลไทม์

  2. Vapi Blog10

    Vapi จัดงาน Fleet Week บนเรือยอชต์สำหรับนักพัฒนา Voice AI

    Vapi รวมนักพัฒนา Voice AI กว่า 30 คนบนเรือยอชต์เช่าเหมาลำในอ่าวซานฟรานซิสโกเมื่อวันที่ 8 ตุลาคมในงาน Fleet Week พร้อมการสนทนาแบบ fireside chat จาก Deepgram, Kouper Health และ Coval รวมถึงเวิร์กช็อปด้านเทคนิค ผู้เข้าร่วมให้ความสนใจกับ GPT Live speech-to-speech ซึ่งลด latency และทำให้การสนทนาลื่นไหล แต่แลกมาด้วยการควบคุมคำสำคัญและการเขียนสคริปต์ที่ละเอียดน้อยลง การ討論ยังครอบคลุมถึง backchanneling, perceived latency และ voice stack แบบแพลตฟอร์มเทียบกับแบบสร้างเอง

19 ตุลาคมวันจันทร์
  1. inclusionAI Repositories58

    inclusionAI เปิดตัวโมเดลสังเคราะห์เสียง Ming-3.0-tts ทั้งรุ่น 0.5B dense และ 7.9B MoE tiny

    inclusionAI เปิดตัว Ming-3.0-tts ครอบครัวโมเดลสังเคราะห์เสียงหลายภาษาที่เปิดน้ำหนัก มีสองโมเดลคือ Ming-3.0-tts-0.5b ซึ่งเป็นโมเดล dense ขนาด 0.5B และ Ming-3.0-tts-tiny ซึ่งเป็นโมเดล MoE ที่สร้างบน Ling V3 มีพารามิเตอร์รวม 7.9B และพารามิเตอร์ที่ใช้งาน 1.3B ทั้งสองมาพร้อมโค้ดสำหรับ inference, cookbook สำหรับงานต่าง ๆ และตาราง benchmark และรองรับการโคลนเสียง การออกแบบเสียงจากข้อความ การควบคุมการส่งเสียงด้วยภาษาธรรมชาติแบบอิสระ แท็ก paralinguistic แบบอินไลน์ 14 แท็ก การควบคุมอารมณ์และความเร็ว/ระดับเสียง/ความดัง รวมถึงภาษาจีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี ญี่ปุ่น ภาษาจีนเสฉวน และกวางตุ้ง บน leaderboard การสังเคราะห์ข้อความเป็นเสียงของ Artificial Analysis ประจำเดือนตุลาคม 2026 Ming-3.0-tts อยู่อันดับ 1 ในกลุ่มโมเดล open-weights ด้าน Controlled Voice อันดับ 1 โดยรวมด้าน Pronunciation Robustness ที่ 93.2% และอันดับ 3 ในกลุ่มโมเดล open-weights ด้าน Provider Voice

  2. inclusionAI Repositories58

    inclusionAI เปิดตัว Ming-3.0-asr-tiny โมเดลรู้จำเสียงพูดที่รับรู้บริบท

    inclusionAI เปิดตัว Ming-3.0-asr-tiny โมเดลรู้จำเสียงพูดที่จับคู่โมเดลภาษา Ling-tiny-v3 กับตัวเข้ารหัสเสียงสำหรับการถอดเสียงภาษาจีนและอังกฤษ การรู้จำภาษาถิ่น และ context ASR การประเมินภาษาถิ่นครอบคลุมชุดทดสอบ 15 ชุด รวมถึงหูหนาน หมิ่นหนาน กวางตุ้ง เสฉวน และเซี่ยงไฮ้ และสามารถใส่ hotwords หรือบทสนทนาก่อนหน้าในพรอมต์เพื่อแก้ไขชื่อและศัพท์เทคนิคได้ รีโพซิทอรีมีคู่มือการให้บริการผ่าน Transformers และ SGLang และโค้ดกับเวตถูกเผยแพร่ภายใต้ MIT License

16 ตุลาคมวันศุกร์
  1. LiveKit Blog38

    วิธีสร้าง AI Voice Agent ที่พร้อมใช้งานจริงในระบบผลิต

    คู่มือของ LiveKit รวบรวมบทเรียนจาก solution architects และ forward deployed engineers เกี่ยวกับการนำ AI voice agent จากเดโมสู่การใช้งานจริง โดยจัดโครงสร้าง вокругสามคำถาม คือ agent ฉลาดและเป็นธรรมชาติพอหรือไม่ ประสิทธิภาพของมันสามารถสังเกตได้หรือไม่ และมันขยายขนาดได้อย่างเชื่อถือได้และคุ้มต้นทุนหรือไม่ คู่มือแนะนำให้วัดเทิร์นแรกแยกต่างหาก เนื่องจากบริษัทหนึ่งพบว่า ประมาณ 3 ใน 4 สายจบที่ขั้นตอนการทักทาย และระบุว่าลูกค้าที่เปลี่ยนจาก GPT-4.1 เป็น Gemma 4 31B บน LiveKit Inference ประหยัดเวลาได้ 300–500ms ที่ p50

15 ตุลาคมวันพฤหัสบดี
  1. Modal Blog34

    เสริมพลังให้ LiveKit Agent ของคุณด้วย Modal GPUs

    Modal อธิบายวิธีรัน LiveKit Agents ด้วยโมเดล open-weights หรือโมเดลที่กำหนดเองบนเซิร์ฟเวอร์เลส GPU ของตน โดยใช้ Expression Video Avatar แบบ open-weights ของ BitHuman ที่ขับเสียงด้วย Qwen3-TTS เพื่อโคลน Charles Frye การตั้งค่านี้เปิดเผย endpoint /launch ของคอนเทนเนอร์อวาตาร์ผ่าน Modal Server และใช้ Sticky Sessions เพื่อให้ไคลเอนต์ WebSocket อยู่ในคอนเทนเนอร์เดียวกัน โดยใช้ GPU snapshots เพื่อซ่อน cold starts

  2. inclusionAI Repositories67

    inclusionAI เผยแพร่โมเดลเสียง Ming-3.0-audio-flash และ Ming-3.0-audio-tiny

    inclusionAI เผยแพร่ Ming-3.0-audio-flash โมเดลเสียงแบบ Mixture-of-Experts ขนาด 126B พารามิเตอร์ ที่เปิดใช้งาน 6.5B พารามิเตอร์ พร้อมกับ Ming-3.0-audio-tiny ขนาดกะทัดรัด 9.3B พารามิเตอร์ ที่เปิดใช้งาน 2.7B โมเดล flash ครอบคลุมการรู้จำเสียงพูดภาษาจีนและอังกฤษในหลากหลายสำเนียงและสถานการณ์ที่มีผู้พูดหลายคนและมีเสียงรบกวน การเข้าใจเสียงยาว การรับรู้เสียงที่ไม่ใช่เสียงพูดและดนตรี การให้เหตุผลด้านเสียง และการสนทนาด้วยเสียงแบบ end-to-end พร้อมตัวเลือกในการสังเคราะห์เสียงพูดเป็นเอาต์พุต มาพร้อมเส้นทางการอนุมานผ่าน vLLM-Omni, SGLang และ Transformers ภายใต้สัญญาอนุญาต MIT โดยโปรไฟล์ Flash เริ่มต้นใช้ tensor parallelism บน GPU H800 ขนาด 80 GB จำนวนสี่ตัวที่บริบท 128K

    ทำไมเรื่องนี้สำคัญ: การเผยแพร่นี้ให้รายละเอียดโมเดลเสียง MoE ขนาด 126B พารามิเตอร์ ที่เปิดใช้งาน 6.5B พารามิเตอร์ พร้อมตัวแปร tiny ขนาด 9.3B ซึ่งเป็นข้อมูลอ้างอิงที่เป็นรูปธรรมสำหรับการกำหนดขนาดและการติดตั้งใช้งานโมเดลภาษา-เสียงแบบเปิด

  3. Apple Newsroom60

    Apple เปิดตัว iPhone Duo สมาร์ทโฟนจอพับรุ่นแรกของบริษัท พร้อมจอด้านในขนาด 7.58 นิ้ว

    Apple ประกาศเปิดตัว iPhone Duo สมาร์ทโฟนจอพับรุ่นแรกของบริษัท ซึ่งมาพร้อมจอแสดงผล iPhone ที่ใหญ่ที่สุดเท่าที่เคยมีมา นั่นคือจอด้านในขนาด 7.58 นิ้ว ซึ่งใหญ่กว่าจอของ iPhone 18 Pro Max ถึง 50 เปอร์เซ็นต์ อีกทั้งยังมีจอด้านนอกขนาด 5.4 นิ้ว ซึ่งครอบคลุมพื้นที่หน้าจอของ iPhone 18 Pro ถึง 90 เปอร์เซ็นต์ ตัวเครื่องขับเคลื่อนด้วยชิป A20 Pro พร้อมสถาปัตยกรรมแบตเตอรี่คู่ และ iOS 27 ได้รับการออกแบบใหม่สำหรับรูปแบบจอพับ รวมถึง Split View สำหรับแสดง Siri และ Mail เคียงข้างกัน Siri AI ซึ่งขับเคลื่อนโดย Apple Intelligence กำลังทยอยเปิดให้ใช้งานในเวอร์ชันเบต้าพร้อม iOS 27 โดยเริ่มจากภาษาอังกฤษก่อน และจะยังไม่พร้อมใช้งานในสหภาพยุโรปในช่วงแรก Apple ระบุว่า Siri AI และฟีเจอร์ใหม่อื่นๆ ของ Apple Intelligence จะไม่พร้อมใช้งานในจีน

    ทำไมเรื่องนี้สำคัญ: iPhone จอพับรุ่นแรกของ Apple จับคู่จอด้านในขนาด 7.58 นิ้วกับจอด้านนอกขนาด 5.4 นิ้วและชิป A20 Pro เผยให้เห็นว่า iOS 27 และ Siri AI ถูกปรับให้เข้ากับรูปแบบจอพับอย่างไร

13 ตุลาคมวันอังคาร
  1. Apple Newsroom58

    Apple เปิดตัว HomeView จอสมาร์ทโฮมราคา $299 พร้อม Siri AI

    Apple เปิดตัว Apple HomeView จอสมาร์ทโฮม Liquid Retina ขนาด 7 นิ้ว ที่รวมความบันเทิง การโทร FaceTime การตรวจสอบบ้าน และระบบอัตโนมัติแบบไม่ต้องใช้มือ ในราคา $299 ในสหรัฐฯ อุปกรณ์นี้จดจำผู้ใช้ด้วยใบหน้าเพื่อแสดงเนื้อหาส่วนบุคคล และทำงานด้วย Siri AI ซึ่งเป็น Siri เวอร์ชันใหม่ที่สนทนาได้เป็นธรรมชาติมากขึ้นและสามารถอ้างอิงบริบทส่วนบุคคลได้เมื่อจับคู่กับ iPhone หรือ iPad ที่รองรับ Apple Intelligence การสั่งจองล่วงหน้าเปิดเมื่อวันที่ 13 ตุลาคมในออสเตรเลีย แคนาดา อินเดีย นิวซีแลนด์ สหราชอาณาจักร และสหรัฐฯ โดยเริ่มวางจำหน่ายวันศุกร์ที่ 13 พฤศจิกายน Apple ระบุว่า HomeView ไม่วางจำหน่ายในสหภาพยุโรป เนื่องจาก Siri AI ยังไม่พร้อมใช้งานใน iOS ในภูมิภาคนั้น

  2. Apple Newsroom58

    Apple เปิดตัว Apple TV 4K รุ่นใหม่พร้อม Siri AI และไมโครโฟนระยะไกลแบบไม่ต้องใช้มือ

    Apple ประกาศเปิดตัว Apple TV 4K เจเนอเรชันที่สี่ ซึ่งมาพร้อม Siri AI เวอร์ชันใหม่ของ Siri ที่ขับเคลื่อนด้วย Apple Intelligence เจเนอเรชันถัดไป มอบประสบการณ์การค้นหาแบบสนทนาเต็มหน้าจอ ไมโครโฟนระยะไกลในตัวช่วยให้ใช้ Siri ได้โดยไม่ต้องใช้มือ และเมื่อใช้ร่วมกับ iPhone ที่รองรับ Apple Intelligence ผู้ช่วยสามารถตอบคำขอตามบริบทส่วนตัวได้ เช่น การเล่นรายการที่เพื่อนแนะนำ อุปกรณ์มีราคา 299 ดอลลาร์ในสหรัฐฯ เปิดให้สั่งจองล่วงหน้าในสหรัฐฯ และอีก 29 ประเทศและภูมิภาค และวางจำหน่ายในร้านเริ่มวันศุกร์ที่ 13 พฤศจิกายน; Siri AI พร้อมให้ใช้งานในรูปแบบเบต้าบน Apple TV 4K (รุ่นที่ 2 หรือใหม่กว่า) ในแปดตลาดภาษาอังกฤษเมื่อเปิดตัว

12 ตุลาคมวันจันทร์
  1. Descript Changelog22

    สรุปข่าว Descript ประจำเดือนตุลาคม 2026: การค้นหาทั่วทั้งไดรฟ์ คำขอบันทึกแบบอะซิงโครนัส และการโคลนเสียงด้วย ElevenLabs v4

    การอัปเดตของ Descript เมื่อวันที่ 12 ตุลาคม 2026 เพิ่มแถบค้นหาทั่วทั้งไดรฟ์ พร้อมหน้าผลลัพธ์แบบเต็มและฟีเจอร์ค้นหาไฟล์ของ Underlord ไดรฟ์ระดับองค์กรสามารถส่งคำขอบันทึกแบบอะซิงโครนัสได้แล้ว เพื่อให้แขกบันทึกตามตารางเวลาของตนเอง และ AI Speech เปลี่ยนไปใช้ ElevenLabs v4 เพื่อการโคลนเสียงที่แม่นยำยิ่งขึ้น แผนแบบชำระเงินยังใช้ MiniMax H3 Max Turbo เป็นค่าเริ่มต้นสำหรับการสร้างวิดีโอด้วย AI

9 ตุลาคมวันศุกร์
  1. LiveKit Blog34

    Serve AI ใช้ LiveKit Agent Simulations สร้าง voice agent ใหม่บนพรอมต์เดียว

    Serve AI สร้าง phone agent ใหม่บน LiveKit ให้กับลูกค้าบริษัทกำจัดแมลงมูลค่า 150 ล้านดอลลาร์ โดยยุบ flow graph ของ Retell ที่มี 224 โหนดให้เหลือพรอมต์เดียว และตรวจสอบด้วย Agent Simulations มีการแปลงสายเรียกจริงในการผลิตประมาณ 100 สายให้เป็นสถานการณ์จำลอง ทำได้อัตราผ่าน 98% ภายใน 10–15 รอบก่อนตัดover โดยมี latency ต่อ turn มัธยฐาน 1.3 วินาที เทียบกับเพดาน 1.5 วินาที การย้ายครั้งแรกใช้เวลาหนึ่งสัปดาห์โดยไม่มีการ rollback และ containment เพิ่มขึ้น 15% ซึ่ง Serve ประเมินว่าช่วยลูกค้าประหยัดได้อีก 320,000 ดอลลาร์ต่อปี

  2. LiveKit Blog58

    LiveKit เปิดตัว Agent Simulations สำหรับทดสอบ voice agents

    LiveKit ได้เปิดให้ Agent Simulations ใช้งานได้ทั่วไปสำหรับทุกโปรเจกต์ใน LiveKit Cloud เป็นวิธีที่ทำซ้ำได้ในการทดสอบ voice agents ในระดับงาน มากกว่าการทดสอบทีละเทิร์น ผู้ใช้จำลองที่ขับเคลื่อนด้วย LLM จะเล่นแต่ละสถานการณ์ รวมถึง backchannels และการขัดจังหวะในโหมดเสียง และ LLM judge จะคืนคำตัดสินผ่าน/ไม่ผ่านพร้อมเหตุผล CLI สามารถสร้างสถานการณ์จากพรอมต์และเครื่องมือของ agent เอง การรันแบบข้อความเป็นค่าเริ่มต้นและถูกพอสำหรับทุก pull request ขณะที่การรันแบบเสียงครอบคลุมไปป์ไลน์ทั้งหมดและเหมาะกว่าสำหรับตาราง nightly หรือก่อนรีลีส Simulations ฟรีถึงเดือนตุลาคม แม้ว่าจะเรียก LLM, STT และ TTS ของ agent จริงในอัตราปกติ

6 ตุลาคมวันอังคาร
  1. LiveKit Blog38

    Retell vs. Vapi vs. LiveKit: การเปรียบเทียบสำหรับนักพัฒนาสำหรับ Voice AI Agents

    LiveKit เผยแพร่การเปรียบเทียบที่เน้นนักพัฒนาเกี่ยวกับ Retell, Vapi และ LiveKit สำหรับการสร้าง voice AI agents โดยวางกรอบการเลือกด้วยสี่คำถาม: ใครจะเป็นผู้ปรับปรุง agent หลังเปิดใช้งาน สิ่งที่จะเกิดขึ้นเมื่อความต้องการอยู่นอกเหนือค่าเริ่มต้น จำเป็นต้องทำงานนอกเหนือจากการโทรศัพท์หรือไม่ และต้นทุนในระดับขนาดใหญ่ Retell เป็นแพลตฟอร์มแบบ managed ที่มี visual editor, Vapi เป็นแพลตฟอร์มแบบ managed ที่เน้นนักพัฒนาและกำหนดค่าผ่าน API และ dashboard, และ LiveKit เป็นเฟรมเวิร์กโอเพนซอร์ส Apache 2.0 ที่สามารถ self-hosting ได้ ต้นทุนรวมโดยประมาณต่อนาทีอยู่ที่ประมาณ $0.070–$0.310 สำหรับ Retell, $0.070–$0.116 สำหรับ Vapi และ $0.037–$0.099 สำหรับ LiveKit

2 ตุลาคมวันศุกร์
  1. Vapi Blog58

    Vapi เปิด GPT-Live beta ให้ลูกค้าทุกราย แยก voice agent ออกเป็น speaker และ reasoner

    Vapi เปิด GPT-Live beta ให้ลูกค้า Vapi ทุกราย หลังจากทดสอบแบบจำกัดกับโมเดล speech-to-speech แบบ full-duplex ของ OpenAI เมื่อเดือนที่แล้ว บน Vapi โมเดลทำงานเป็น speaker ที่ดูแลการโทรทั้งหมดและมอบหมายการค้นหาหรือการดำเนินการให้โมเดล reasoner แยกต่างหาก โดยควบคุมการส่งต่อผ่านสองพรอมต์แทนที่จะเป็นหนึ่งพรอมต์ หมายเลขโทรศัพท์ เครื่องมือ การทดสอบ และ observability ที่มีอยู่ยังคงใช้ต่อได้ ส่วนการตั้งค่า transcriber ถูกตัดออก และเสียงเปลี่ยนไปใช้หนึ่งใน 22 เสียงของ OpenAI