Tới nội dung
Chỉ Chính chủ#Giọng nói
Hôm nay13 tháng 11Thứ Sáu4 mục
  1. inclusionAI Models34

    inclusionAI phát hành trọng số FP8 Duo-1.0-distill-quant cho tương tác song công toàn phần

    inclusionAI đã phát hành Duo-1.0-distill-quant, trọng số Realization chưng cất bốn bước được lượng tử hóa FP8 cho mô hình thế giới đa phương thức song công toàn phần Duo 1.0. Các trọng số này được phủ lên gói inclusionAI/Duo-1.0-causal-base, gói này cung cấp Intent, codec, mô hình giọng nói và xương sống Realization dùng chung, và yêu cầu môi trường chạy hỗ trợ định dạng ModelOpt FP8 được đóng gói. Các trọng số được khởi tạo từ MiniMax H3 và sau đó được nhóm Duo huấn luyện.

  2. inclusionAI Models40

    inclusionAI phát hành Duo-1.0-distill, trọng số chưng cất bốn bước cho Duo 1.0

    inclusionAI đã phát hành Duo-1.0-distill, trọng số Realization chưng cất bốn bước cho Duo 1.0, một mô hình thế giới đa phương thức song công toàn phần dành cho tương tác âm thanh-hình ảnh theo thời gian thực. Các trọng số này được phát hành dưới dạng lớp phủ PyTorch Distributed Checkpoint trên gói inclusionAI/Duo-1.0-causal-base, sử dụng bộ lấy mẫu Euler với 4 bước và flow shift 5.0. Các trọng số được khởi tạo từ MiniMax H3 và sau đó được nhóm Duo huấn luyện.

  3. ElevenLabs Blog18

    7 kỹ năng chăm sóc khách hàng mà mọi nhân viên hỗ trợ con người và AI đều cần

    ElevenLabs phác thảo bảy kỹ năng chăm sóc khách hàng — giao tiếp, giải quyết vấn đề, xử lý xung đột, đồng cảm, thích ứng, cá nhân hóa và kiến thức sản phẩm — mà cả nhân viên hỗ trợ con người lẫn AI đều cần. Tài liệu trích dẫn một nghiên cứu của Zendesk cho thấy hơn 50% khách hàng đã chuyển sang đối thủ cạnh tranh sau một trải nghiệm tồi tệ, và dự báo của Gartner rằng ít nhất 70% khách hàng sẽ bắt đầu hành trình của họ bằng một giao diện AI vào năm 2028. Hướng dẫn nhấn mạnh việc đánh giá các chỉ số hội thoại trong quá trình huấn luyện và sau khi triển khai, cùng với việc chuyển giao liền mạch cho con người để giảm căng thẳng.

  4. AWS Machine Learning Blog33

    Amazon SageMaker AI phát trực tuyến hai chiều được hưởng giá theo mức sử dụng, Deepgram là đối tác ra mắt

    Amazon SageMaker AI phát trực tuyến hai chiều hiện hỗ trợ đo lường theo mức sử dụng, cho phép các nhà cung cấp mô hình báo cáo mức tiêu thụ thực tế cho phí phần mềm trên AWS Marketplace trong khi phí hạ tầng endpoint vẫn được áp dụng. Deepgram là đối tác ra mắt, mang đến tính phí Speech-to-Text và Text-to-Speech theo mức sử dụng trên AWS Marketplace. Thiết kế bổ sung một luồng siêu dữ liệu WebSocket đi kèm, giới hạn ở một tin nhắn mỗi giây và 512 byte, để các nhà cung cấp có thể gửi các bản ghi đo lường tăng dần trong các phiên trực tiếp.

12 tháng 11Thứ Năm
  1. ElevenLabs Blog58

    ElevenLabs mở rộng Impact Program với ElevenMusic miễn phí dành cho người mất giọng nói

    ElevenLabs công bố tại New York Summit vào ngày 11 tháng 11 rằng những người mất giọng nói vĩnh viễn giờ đây có thể truy cập ElevenMusic miễn phí, để những nghệ sĩ không còn có thể hát vẫn tiếp tục sáng tác và phát hành âm nhạc. Chương trình ra mắt cùng với Songwriters of North America (SONA), đơn vị sẽ xác minh điều kiện và phân phối quyền truy cập.

11 tháng 11Thứ Tư
  1. ElevenLabs Blog58

    Hội nghị thượng đỉnh ElevenLabs tại NYC: Interaction Engine, Bộ nhớ và Routines của ElevenAgents, ứng dụng ElevenAI, Chương trình Đối tác và Marketplace

    Tại Hội nghị thượng đỉnh ở New York, ElevenLabs đã công bố các mô hình, tác nhân và tùy chọn triển khai mới cho lớp tương tác AI của mình, bao gồm Interaction Engine quản lý việc luân phiên lượt nói và định tuyến từng phần của cuộc hội thoại đến một LLM rẻ hơn hoặc tiên tiến hơn. ElevenAgents có thêm Memory, tính năng xây dựng hồ sơ có cấu trúc về khách hàng quay lại, và Routines, một lớp tự động hóa cho công việc nhiều bước trước, trong và sau cuộc gọi. ElevenLabs cũng đã giới thiệu trước ứng dụng làm việc ElevenAI với quyền truy cập sớm miễn phí mở từ hôm nay, ra mắt Chương trình Đối tác hiện có hơn 550 đối tác tại 44 quốc gia cùng liên minh với McKinsey, và giới thiệu ElevenLabs Marketplace; Nemotron 3.5 Super VL của NVIDIA hiện đã có trong ElevenAgents cùng với 15 MW công suất tính toán Vera Rubin mới.

  2. ElevenLabs Blog18

    Nhân bản giọng nói cho nhà sáng tạo nội dung: mở rộng quy trình nội dung với AI giọng nói

    ElevenLabs phác thảo cách nhân bản giọng nói cho phép nhà sáng tạo nội dung ghi một mẫu ngắn một lần rồi tạo lời thuyết minh cho video, podcast, khóa học và clip mạng xã hội mà không cần quay lại phòng thu. Hướng dẫn phân biệt Instant Voice Cloning, tạo bản sao từ mẫu ngắn trong dưới một phút, với Professional Voice Cloning, huấn luyện trên bộ ghi âm lớn hơn và bao gồm bước xác minh xác nhận giọng nói thuộc về nhà sáng tạo. Tài liệu cũng liệt kê các tiêu chí lựa chọn bao gồm độ trung thực của giọng nói, kiểm soát cách thể hiện, phạm vi ngôn ngữ, biện pháp bảo vệ sự đồng ý, tùy chọn xuất và cấp phép thương mại.

  3. ElevenLabs Blog40

    ElevenLabs ra mắt Marketplace cho các ứng dụng AI sẵn sàng cho doanh nghiệp

    ElevenLabs đã ra mắt ElevenLabs Marketplace, một bộ sưu tập được tuyển chọn các ứng dụng AI và giọng nói theo ngành cụ thể được xây dựng trên các mô hình của mình bởi các đối tác công nghệ, với các đối tác ra mắt bao gồm Salesforce, IBM, NiCE, Twilio và Zendesk. Doanh nghiệp có thể khám phá các giải pháp trong lĩnh vực dịch vụ tài chính, bảo hiểm, chăm sóc sức khỏe, viễn thông, bán lẻ và chính phủ, đồng thời kết nối trực tiếp với các đối tác đứng sau chúng. Bắt đầu từ năm sau, các giải pháp đủ điều kiện của đối tác sẽ có thể được mua thông qua các cam kết hiện có của ElevenLabs.

  4. ElevenLabs Blog58

    ElevenLabs và NVIDIA mở rộng hợp tác để đưa voice agent đến doanh nghiệp và chính phủ

    ElevenLabs và NVIDIA đã mở rộng hợp tác trên các mảng mô hình, hạ tầng và triển khai chủ quyền, đưa NVIDIA Nemotron 3.5 Super VL vào nền tảng ElevenAgents. ElevenLabs dự kiến bổ sung 15MW công suất NVIDIA Vera Rubin bên cạnh các hệ thống Blackwell Ultra hiện có, và đang vận hành một voice agent cho hệ thống đặt lịch Centralna e-Rejestracja của Ba Lan theo hình thức on-premises sử dụng NVIDIA Confidential Computing. Trên benchmark chăm sóc khách hàng của ElevenAgents, Nemotron 3.5 Super VL đạt độ chính xác hoàn thành tác vụ end-to-end hàng đầu với chi phí thấp hơn 70% so với các mô hình mở hàng đầu khác, theo ElevenLabs.

  5. ElevenLabs Blog25

    McKinsey và ElevenLabs hợp tác để mở rộng quy mô AI hội thoại trong doanh nghiệp

    McKinsey và ElevenLabs công bố liên minh nhằm giúp các tổ chức chứng minh giá trị của AI hội thoại thông qua các trường hợp sử dụng ban đầu trước khi mở rộng ra toàn doanh nghiệp. Sự hợp tác kết hợp chuyên môn về ngành và chuyển đổi của McKinsey, bao gồm kỹ thuật AI của QuantumBlack, với công nghệ AI hội thoại tiên tiến và nền tảng ElevenAgents của ElevenLabs. Nhà mạng viễn thông Hà Lan KPN đã sử dụng các giải pháp AI mới, và liên minh dự kiến mở rộng cách tiếp cận này sang các ngành thâm dụng dịch vụ như bảo hiểm.

  6. ElevenLabs Blog22

    Các khách hàng doanh nghiệp đang đưa AI của ElevenLabs vào công việc như thế nào

    ElevenLabs cho biết các doanh nghiệp hiện chiếm hơn 55% doanh thu của công ty, với công nghệ của họ được sử dụng trong hoạt động hàng ngày tại năm trong số 10 công ty công nghệ lớn nhất, năm trong số 10 công ty bảo hiểm lớn nhất và bốn trong số 10 công ty viễn thông lớn nhất. Tại Hội nghị thượng đỉnh ở NYC, các khách hàng gồm Ramp, Customers Bank, Banco Inter, Clover Health và FOX Sports đã mô tả việc sử dụng ElevenAgents và ElevenCreative cho các tác nhân hỗ trợ, quy trình tiếp nhận, dịch vụ đa ngôn ngữ và một nhân vật AI của bình luận viên Colin Cowherd trong Ứng dụng FOX Sports.

  7. Vapi Blog58

    Vapi ra mắt Agent Loop trong chế độ truy cập sớm, một harness tự cải thiện cho các voice agent

    Vapi đã ra mắt Agent Loop trong chế độ truy cập sớm, dự kiến GA vào đầu năm sau, như một harness tự cải thiện giúp xây dựng một voice agent từ một prompt đơn giản, chấm điểm mọi cuộc gọi theo mục tiêu kinh doanh, soạn thảo bản sửa cho các trường hợp chưa đạt, kiểm thử chúng trong mô phỏng và đưa vào một phần lưu lượng trực tiếp trước khi triển khai toàn bộ. Vòng lặp này chạy trên các primitive của Vapi bao gồm Simulations và Traffic Splitting, hiện có trong dashboard, cùng với Goals, Call Health và Experiments, sắp ra mắt. Mỗi agent của Agent Loop là một trợ lý Vapi thực sự, nên các kỹ sư vẫn giữ toàn quyền truy cập dashboard và API, và cần có sự phê duyệt của con người trước khi bất kỳ thay đổi nào được triển khai.

10 tháng 11Thứ Ba
  2. Google Developers Blog72

    Google AI Edge Gallery bổ sung nhận dạng giọng nói và chuyển văn bản thành giọng nói trên thiết bị

    Google đã giới thiệu Nhận dạng giọng nói tự động (ASR) và Chuyển văn bản thành giọng nói (TTS) trên thiết bị trong Google AI Edge Gallery, cho phép các ứng dụng chạy ASR đa ngôn ngữ và TTS biểu cảm hoàn toàn ngoại tuyến song song với các SLM trên thiết bị như Gemini Nano và Gemma 4. Trên Android, các mô hình giọng nói mới của ML Kit phiên âm hơn 100 ngôn ngữ với tốc độ gấp 10 lần thời gian thực, đạt Tỷ lệ lỗi từ (Word Error Rate) từ 8,0% đến 9,0% trên FLEURS, trong khi TTS khuếch tán few-step bắt đầu nói trong khoảng 100 ms và tạo âm thanh 24 kHz với tốc độ lên đến gấp 50 lần thời gian thực. Hỗ trợ đa nền tảng đến qua MediaPipe Tasks và LiteRT với các gói trọng số mở bao gồm Parakeet-TDT 0.6B, PocketTTS 100M, Kokoro-82M và Phonon 31M, được trình diễn trong showcase XR Language Teacher và AI Chat hỗ trợ giọng nói.

    Vì sao đáng chú ý: Google bổ sung ASR và TTS hoàn toàn ngoại tuyến vào AI Edge Gallery, với ML Kit báo cáo phiên âm hơn 100 ngôn ngữ ở tốc độ gấp 10 lần thời gian thực và TTS khuếch tán bắt đầu nói trong khoảng 100 ms.

9 tháng 11Thứ Hai
  1. Zyphra Research78

    Zyphra phát hành ZONOS3-Mini, mô hình TTS nhân bản giọng nói zero-shot theo giấy phép Apache 2.0 chạy trên thiết bị

    Zyphra đã phát hành ZONOS3-Mini, một mô hình chuyển văn bản thành giọng nói MoE thưa với 100M tham số hoạt động và 800M tổng tham số theo giấy phép Apache 2.0, được huấn luyện trên 112 NVIDIA H100 trong 2,5 ngày. Mô hình đạt thời gian đến âm thanh đầu tiên dưới 570 ms trên trình duyệt với Pixel 9 và dưới 150 ms trên M3 MacBook Air, với các runtime cho WebGPU, SGLang, vLLM và GGML. Mô hình bổ sung khả năng kiểm soát danh tính, giọng điệu, chất lượng, tâm trạng và cách thể hiện, bao gồm điều khiển ở cấp độ từ, và Zyphra báo cáo rằng mô hình đứng đầu trong số các mô hình mở trên benchmark ZTTS2-Eval mới của họ.

    Vì sao đáng chú ý: Mô hình TTS MoE nhỏ gọn của Zyphra kết hợp nhân bản giọng nói zero-shot với điều khiển cách thể hiện ở cấp độ từ trong khi chạy thời gian thực trên điện thoại và máy tính xách tay.

6 tháng 11Thứ Sáu
  1. Meta Newsroom · AI62

    Meta triển khai giọng nói thời gian thực và avatar biểu cảm trong ứng dụng Muse

    Meta đang triển khai các cuộc trò chuyện bằng giọng nói thời gian thực và avatar biểu cảm trong ứng dụng Muse trên di động, web và Mac, bắt đầu từ Mỹ. Người dùng nhấn vào biểu tượng điện thoại để nói, có thể ngắt lời phản hồi và chọn từ hàng trăm giọng nói cùng các chế độ chỉ giọng nói, avatar hoặc toàn màn hình. Giọng nói sẽ sớm có mặt trên AI Glasses và Muse Charm.

    Vì sao đáng chú ý: Ứng dụng Muse của Meta hiện hỗ trợ các cuộc trò chuyện bằng giọng nói thời gian thực với avatar biểu cảm, cho thấy giọng nói và xử lý ngắt lời đang dịch chuyển vào các trợ lý AI tiêu dùng.

4 tháng 11Thứ Tư
  1. LiveKit Blog22

    Clerk AI sử dụng LiveKit để vận hành các tác nhân thoại doanh nghiệp ở quy mô lớn

    Clerk AI đang vận hành các tác nhân thoại và nhắn tin doanh nghiệp trên khung mã nguồn mở và mạng biên toàn cầu của LiveKit, xử lý hơn 1.000 phiên thoại đồng thời mà không cần cấp phát trước. Các tác nhân phản hồi trong dưới 500ms và hỗ trợ gốc hơn 30 ngôn ngữ, với tính năng sàng lọc cuộc gọi ScreenSense đạt độ chính xác 97% và phát hiện thư thoại TrueReach trên 98%. Nền tảng này duy trì toàn quyền kiểm soát các nhà cung cấp STT, LLM và TTS, đồng thời có chứng nhận SOC 2 Type II với tính năng tuân thủ TCPA tích hợp sẵn.

26 tháng 10Thứ Hai
  1. Vapi Blog38

    Vapi ra mắt tính năng chia tách lưu lượng cho việc triển khai voice agent

    Vapi đã ra mắt tính năng chia tách lưu lượng, cho phép các nhóm định tuyến 0,1%, 1% hoặc 5% cuộc gọi đến và đi tới một phiên bản agent mới trước khi cam kết. Trước đây, việc xuất bản một phiên bản assistant mới sẽ gửi 100% lưu lượng tới đó ngay lập tức. Tính năng này bao gồm "stickiness" để giữ những người gọi lại ở cùng một phiên bản, và Vapi khuyến nghị bắt đầu với chia tách hai chiều.

23 tháng 10Thứ Sáu
  1. Amazon Science40

    TTS có thể điều khiển của Audible mang đến giọng nói nhân vật riêng biệt cho sách nói

    Nhóm công nghệ của Audible đang sử dụng chuyển văn bản thành giọng nói có thể điều khiển để mang lại cho các nhân vật trong sách nói những giọng nói riêng biệt, nhất quán, được hướng dẫn bởi các mô tả bằng ngôn ngữ tự nhiên về cách truyền đạt lời thoại. Một thành phần BookLLM lập hồ sơ nhân vật và xác định lời thoại của họ với độ chính xác 97% trong tiếng Anh và 94% trong tiếng Tây Ban Nha, trong khi một quy trình dữ liệu tổng hợp huấn luyện mô hình trên lời nói có phụ đề. Việc phân biệt lời thoại được cải thiện 3,7 điểm trên bài kiểm tra MUSHRA, với mức tăng trải nghiệm nghe có ý nghĩa thống kê đối với tám trong số mười giọng nói trong các bài kiểm tra tiếng Anh và tiếng Tây Ban Nha.

21 tháng 10Thứ Tư
  1. LiveKit Blog25

    Acuity Health sử dụng LiveKit Voice Agents để tự động hóa việc tiếp nhận bệnh nhân như thế nào

    Acuity Health đã xây dựng lại các voice agent tiếp nhận bệnh nhân trên LiveKit sau khi một nền tảng low-code tỏ ra quá cứng nhắc và thiếu minh bạch, và hiện nay 80% cuộc gọi được AI agent xử lý trọn vẹn. Các agent chạy trên LiveKit Inference với mô hình Gemma 4 31B, phần lớn lượt đặt lịch hoàn tất trong dưới một phút, và 81% cuộc gọi đặt lịch kết thúc bằng một lời "cảm ơn." LiveKit Simulations kiểm thử từng thay đổi với các hồ sơ bệnh nhân trước khi phát hành, và một lần rà soát prompt đã cắt khoảng 24% số từ mà vẫn vượt qua các kịch bản tương tự.

20 tháng 10Thứ Ba
  1. Mistral AI82

    Mistral ra mắt mô hình giọng nói Voxtral 3 và SDK tác nhân giọng nói

    Mistral đã phát hành Voxtral 3, một họ mô hình chuyển giọng nói thành văn bản và văn bản thành giọng nói cùng một SDK tác nhân giọng nói được xây dựng trên LiveKit, cho phép truyền phát nghe, suy luận, gọi công cụ và nói trong một quy trình duy nhất. Voxtral Small Transcribe 3 hỗ trợ hơn 50 ngôn ngữ với tính năng phân tách người nói và điều chỉnh theo ngữ cảnh, Voxtral Mini TTS 3 hỗ trợ hơn 35 ngôn ngữ và hơn 50 phương ngữ, và bộ công cụ này có sẵn thông qua API do Mistral lưu trữ tại EU hoặc triển khai tự túc. Giá khởi điểm từ 0,0035 USD/phút cho phiên âm hàng loạt và 13 USD cho mỗi 1 triệu ký tự cho TTS.

    Vì sao đáng chú ý: Voxtral 3 của Mistral kết hợp các mô hình giọng nói đa ngôn ngữ với SDK tác nhân giọng nói dựa trên LiveKit, mang đến cho các đội ngũ một lựa chọn có thể triển khai có chủ quyền cho các tác nhân giọng nói thời gian thực.

  2. Vapi Blog10

    Vapi tổ chức sự kiện du thuyền Fleet Week dành cho các nhà phát triển Voice AI

    Vapi đã tập hợp hơn 30 nhà phát triển voice AI trên một du thuyền thuê riêng tại Vịnh San Francisco vào ngày 8 tháng 10 nhân dịp Fleet Week, với các buổi trò chuyện thân mật từ Deepgram, Kouper Health và Coval cùng một workshop kỹ thuật. Người tham dự tập trung vào GPT Live speech-to-speech, công nghệ này giảm độ trễ và mang lại các lượt hội thoại mượt mà nhưng đánh đổi bằng việc mất kiểm soát chi tiết đối với các thuật ngữ then chốt và kịch bản. Các thảo luận cũng đề cập đến backchanneling, độ trễ cảm nhận và nền tảng so với ngăn xếp voice nội bộ.

19 tháng 10Thứ Hai
  1. inclusionAI Repositories58

    inclusionAI phát hành mô hình tổng hợp giọng nói Ming-3.0-tts với hai biến thể 0.5B dense và 7.9B MoE tiny

    inclusionAI đã phát hành Ming-3.0-tts, một họ mô hình tổng hợp giọng nói đa ngôn ngữ với trọng số mở gồm hai mô hình: Ming-3.0-tts-0.5b, một mô hình dense 0.5B, và Ming-3.0-tts-tiny, một mô hình MoE xây dựng trên Ling V3 với tổng 7.9B tham số và 1.3B tham số hoạt động. Cả hai đều đi kèm mã suy luận, một cookbook tác vụ và các bảng benchmark, đồng thời hỗ trợ nhân bản giọng nói, thiết kế giọng nói dựa trên văn bản, điều khiển cách thể hiện bằng ngôn ngữ tự nhiên dạng tự do, 14 thẻ ngôn ngữ cận ngôn ngữ nội tuyến, điều khiển cảm xúc và tốc độ/cao độ/âm lượng, cùng tiếng Trung, tiếng Anh, tiếng Đức, tiếng Tây Ban Nha, tiếng Pháp, tiếng Hàn, tiếng Nhật, tiếng Tứ Xuyên và tiếng Quảng Đông. Trên bảng xếp hạng text-to-speech của Artificial Analysis tháng 10 năm 2026, Ming-3.0-tts xếp thứ 1 trong số các mô hình trọng số mở ở hạng mục Controlled Voice, thứ 1 tổng thể ở hạng mục Pronunciation Robustness với 93.2%, và thứ 3 trong số các mô hình trọng số mở ở hạng mục Provider Voice.

  2. inclusionAI Repositories58

    inclusionAI phát hành mô hình nhận dạng giọng nói nhận biết ngữ cảnh Ming-3.0-asr-tiny

    inclusionAI đã phát hành Ming-3.0-asr-tiny, một mô hình nhận dạng giọng nói kết hợp mô hình ngôn ngữ Ling-tiny-v3 với bộ mã hóa âm thanh để phiên âm tiếng Trung và tiếng Anh, nhận dạng phương ngữ và ASR theo ngữ cảnh. Đánh giá phương ngữ bao gồm 15 bộ kiểm thử gồm Hồ Nam, Mân Nam, Quảng Đông, Tứ Xuyên và Thượng Hải, và có thể cung cấp từ khóa nóng hoặc hội thoại trước đó trong prompt để phân giải tên riêng và thuật ngữ kỹ thuật. Kho lưu trữ cung cấp hướng dẫn phục vụ bằng Transformers và SGLang, mã nguồn và trọng số được phát hành theo Giấy phép MIT.

16 tháng 10Thứ Sáu
  1. LiveKit Blog38

    Cách xây dựng một AI Voice Agent sẵn sàng cho môi trường production

    Hướng dẫn của LiveKit đúc kết kinh nghiệm từ các kiến trúc sư giải pháp và kỹ sư triển khai tại chỗ về việc đưa AI voice agent từ bản demo đến môi trường production, được tổ chức xoay quanh ba câu hỏi: liệu agent có đủ thông minh và tự nhiên hay không, hiệu năng của nó có thể quan sát được hay không, và liệu nó có mở rộng một cách đáng tin cậy và tiết kiệm chi phí hay không. Hướng dẫn khuyến nghị đo riêng lượt hội thoại đầu tiên, vì một công ty phát hiện khoảng 3 trong 4 cuộc gọi kết thúc ngay ở bước chào hỏi, và ghi nhận việc khách hàng chuyển từ GPT-4.1 sang Gemma 4 31B trên LiveKit Inference tiết kiệm được 300–500ms ở p50.

15 tháng 10Thứ Năm
  1. Modal Blog34

    Tăng cường LiveKit Agent của bạn với Modal GPUs

    Modal giải thích cách chạy LiveKit Agents với các mô hình open-weights hoặc tùy chỉnh trên GPU serverless của mình, sử dụng Expression Video Avatar open-weights của BitHuman với giọng đọc từ Qwen3-TTS để nhân bản Charles Frye. Thiết lập này mở endpoint /launch của container avatar thông qua một Modal Server và dùng Sticky Sessions để giữ các client WebSocket trên cùng một container, với GPU snapshots che giấu cold start.

  2. inclusionAI Repositories67

    inclusionAI phát hành các mô hình âm thanh Ming-3.0-audio-flash và Ming-3.0-audio-tiny

    inclusionAI đã phát hành Ming-3.0-audio-flash, một mô hình âm thanh Mixture-of-Experts 126 tỷ tham số với 6,5 tỷ tham số được kích hoạt, cùng với Ming-3.0-audio-tiny nhỏ gọn với 9,3 tỷ tham số và 2,7 tỷ tham số được kích hoạt. Mô hình flash bao phủ nhận dạng giọng nói tiếng Trung và tiếng Anh trên các phương ngữ và môi trường nhiều người nói ồn ào, hiểu âm thanh dài, nhận thức âm thanh không phải giọng nói và âm nhạc, suy luận âm thanh, và hội thoại nói đầu-cuối với đầu ra giọng nói tổng hợp tùy chọn. Nó đi kèm với các đường suy luận vLLM-Omni, SGLang và Transformers theo Giấy phép MIT, với các cấu hình Flash mặc định sử dụng song song tensor trên bốn GPU H800 80 GB ở ngữ cảnh 128K.

    Vì sao đáng chú ý: Bản phát hành mô tả chi tiết một mô hình âm thanh MoE 126 tỷ tham số với 6,5 tỷ tham số được kích hoạt, cùng với một biến thể tiny 9,3 tỷ, cung cấp một tham chiếu cụ thể cho việc định cỡ và triển khai mô hình ngôn ngữ-âm thanh mở.

  3. Apple Newsroom60

    Apple ra mắt iPhone Duo, chiếc iPhone gập đầu tiên với màn hình trong 7,58 inch

    Apple đã công bố iPhone Duo, chiếc iPhone gập đầu tiên của hãng, sở hữu màn hình iPhone lớn nhất từ trước đến nay: màn hình trong 7,58 inch lớn hơn 50 phần trăm so với màn hình của iPhone 18 Pro Max, cùng màn hình ngoài 5,4 inch bao phủ 90 phần trăm diện tích màn hình của iPhone 18 Pro. Máy chạy trên chip A20 Pro với kiến trúc pin kép, và iOS 27 được thiết kế lại cho dạng thức gập, bao gồm Split View để hiển thị Siri và Mail cạnh nhau. Siri AI, được cung cấp bởi Apple Intelligence, đang được triển khai dưới dạng beta cùng iOS 27, trước tiên bằng tiếng Anh và sẽ chưa khả dụng tại EU; Apple lưu ý Siri AI và các tính năng Apple Intelligence mới khác sẽ không khả dụng tại Trung Quốc.

    Vì sao đáng chú ý: Chiếc iPhone gập đầu tiên của Apple kết hợp màn hình trong 7,58 inch với màn hình ngoài 5,4 inch và chip A20 Pro, cho thấy iOS 27 và Siri AI đang được điều chỉnh cho dạng thức gập như thế nào.

13 tháng 10Thứ Ba
  1. Apple Newsroom58

    Apple ra mắt HomeView, màn hình nhà thông minh giá 299 USD tích hợp Siri AI

    Apple đã giới thiệu Apple HomeView, một màn hình nhà thông minh 7 inch Liquid Retina kết hợp giải trí, gọi FaceTime, giám sát nhà cửa và tự động hóa rảnh tay, với giá 299 USD tại Mỹ. Thiết bị nhận diện người dùng qua khuôn mặt để hiển thị nội dung cá nhân của họ và chạy Siri AI, một phiên bản Siri mới mang tính hội thoại hơn, có thể tận dụng ngữ cảnh cá nhân khi được ghép nối với iPhone hoặc iPad hỗ trợ Apple Intelligence. Đơn đặt hàng trước đã mở từ ngày 13 tháng 10 tại Australia, Canada, Ấn Độ, New Zealand, Vương quốc Anh và Mỹ, với thời điểm bán ra bắt đầu từ thứ Sáu, ngày 13 tháng 11; Apple cho biết HomeView không được bán tại Liên minh châu Âu vì Siri AI hiện chưa khả dụng trên iOS tại đây.

  2. Apple Newsroom58

    Apple ra mắt Apple TV 4K mới với Siri AI và micro trường xa rảnh tay

    Apple đã công bố Apple TV 4K thế hệ thứ tư, trang bị Siri AI, một phiên bản Siri mới được vận hành bởi thế hệ Apple Intelligence tiếp theo, mang đến trải nghiệm tìm kiếm hội thoại toàn màn hình. Micro trường xa tích hợp cho phép sử dụng Siri rảnh tay, và với iPhone hỗ trợ Apple Intelligence, trợ lý có thể trả lời các yêu cầu theo ngữ cảnh cá nhân như phát một chương trình mà bạn bè đã giới thiệu. Thiết bị có giá 299 USD tại Mỹ, mở đặt trước tại Mỹ và 29 quốc gia và khu vực khác, có sẵn tại cửa hàng từ thứ Sáu, ngày 13 tháng 11; Siri AI có sẵn dưới dạng bản beta trên Apple TV 4K (thế hệ thứ 2 trở lên) tại tám thị trường tiếng Anh khi ra mắt.

12 tháng 10Thứ Hai
  1. Descript Changelog22

    Tổng hợp Descript tháng 10 năm 2026: Tìm kiếm toàn bộ Drive, Yêu cầu ghi âm không đồng bộ và Nhân bản giọng nói ElevenLabs v4

    Bản phát hành ngày 12 tháng 10 năm 2026 của Descript bổ sung thanh tìm kiếm trên toàn bộ drive của bạn, với trang kết quả đầy đủ và tính năng tìm tệp của Underlord. Các drive doanh nghiệp giờ đây có thể gửi yêu cầu ghi âm không đồng bộ để khách mời tự ghi theo lịch của họ, và AI Speech chuyển sang ElevenLabs v4 để nhân bản giọng nói chính xác hơn. Các gói trả phí cũng mặc định dùng MiniMax H3 Max Turbo để tạo video bằng AI.

9 tháng 10Thứ Sáu
  1. LiveKit Blog34

    Serve AI sử dụng LiveKit Agent Simulations để xây dựng lại voice agent của mình trên một prompt duy nhất

    Serve AI đã xây dựng lại phone agent của mình cho một khách hàng kiểm soát côn trùng trị giá 150 triệu đô la trên LiveKit, thu gọn một đồ thị luồng Retell gồm 224 nút thành một prompt duy nhất và xác thực nó bằng Agent Simulations. Khoảng 100 cuộc gọi sản xuất thực tế đã được chuyển thành các kịch bản mô phỏng, đạt tỷ lệ vượt qua 98% qua 10–15 lần lặp trước khi chuyển đổi, với độ trễ lượt trung vị là 1,3 giây so với ngưỡng trần 1,5 giây. Lần di chuyển đầu tiên mất một tuần mà không có rollback, và tỷ lệ containment tăng 15%, mà Serve ước tính tiết kiệm thêm 320.000 đô la mỗi năm cho khách hàng.

  2. LiveKit Blog58

    LiveKit ra mắt Agent Simulations để kiểm thử các voice agent

    LiveKit đã đưa Agent Simulations vào trạng thái dùng chung (generally available) cho tất cả các dự án LiveKit Cloud, một cách có thể lặp lại để kiểm thử voice agent ở cấp độ tác vụ thay vì từng lượt. Một người dùng mô phỏng do LLM điều khiển sẽ diễn lại từng kịch bản, bao gồm cả backchannel và ngắt lời ở chế độ âm thanh, và một LLM judge trả về phán quyết đạt/không đạt kèm lý do; một CLI có thể sinh kịch bản từ chính prompt và công cụ của agent. Chạy văn bản là mặc định và đủ rẻ cho mọi pull request, trong khi chạy âm thanh bao phủ toàn bộ pipeline và phù hợp hơn với lịch chạy ban đêm hoặc trước phát hành. Simulations miễn phí đến hết tháng 10, dù chúng gọi LLM, STT và TTS của agent thật theo mức giá thông thường.

6 tháng 10Thứ Ba
  1. LiveKit Blog38

    Retell vs. Vapi vs. LiveKit: So sánh dành cho nhà phát triển về AI Agent thoại

    LiveKit đã công bố một so sánh hướng đến nhà phát triển giữa Retell, Vapi và LiveKit để xây dựng AI agent thoại, định hình lựa chọn quanh bốn câu hỏi: ai sẽ lặp cải tiến agent sau khi ra mắt, điều gì xảy ra khi nhu cầu vượt ra ngoài các cấu hình mặc định, liệu nó có phải chạy ngoài phạm vi cuộc gọi điện thoại, và chi phí ở quy mô lớn. Retell là một nền tảng được quản lý với trình chỉnh sửa trực quan, Vapi là một nền tảng được quản lý hướng đến nhà phát triển, được cấu hình qua API và dashboard, còn LiveKit là một framework mã nguồn mở Apache 2.0 có thể tự lưu trữ. Chi phí ước tính tổng cộng mỗi phút khoảng $0.070–$0.310 cho Retell, $0.070–$0.116 cho Vapi và $0.037–$0.099 cho LiveKit.

2 tháng 10Thứ Sáu
  1. Vapi Blog58

    Vapi mở beta GPT-Live cho tất cả khách hàng, tách voice agent thành speaker và reasoner

    Vapi đã mở beta GPT-Live cho mọi khách hàng của Vapi, sau bản beta giới hạn vào tháng trước với mô hình speech-to-speech full-duplex của OpenAI. Trên Vapi, mô hình hoạt động như một speaker xử lý toàn bộ cuộc gọi và chuyển các tra cứu hoặc hành động cho một mô hình reasoner riêng, với việc bàn giao được điều khiển qua hai prompt thay vì một. Số điện thoại, công cụ, bài kiểm tra và khả năng quan sát hiện có được giữ nguyên, cấu hình transcriber bị loại bỏ, và giọng nói chuyển sang một trong 22 giọng của OpenAI.

30 tháng 9Thứ Tư
  1. Vapi Blog58

    Vapi ra mắt bản beta Personal Agent Calling cho phép trợ lý thực hiện cuộc gọi điện thoại

    Vapi đã ra mắt bản beta Personal Agent Calling, cho phép các trợ lý cá nhân gọi đến doanh nghiệp, xử lý menu điện thoại, duy trì cuộc trò chuyện và báo lại kết quả. Tính năng này hoạt động với các trợ lý bao gồm Muse, Instinct, GrokBot, ChatGPT Work, Claude Code, OpenClaw và Hermes, và người dùng dán một prompt hướng dẫn trợ lý đến phone.vapi.ai. Trong một thử nghiệm, trợ lý của Head of Revenue Bryan Parman đã chờ 14 phút trong trạng thái giữ máy với một hãng hàng không và từ chối khoản phí nâng cấp $51.69, sau đó nhân viên đại diện đã miễn khoản phí này và xác nhận ghế Economy Plus cạnh lối đi miễn phí.

29 tháng 9Thứ Ba
  1. Vapi Blog55

    Vapi ra mắt bộ công cụ CX để xây dựng và cải thiện các voice agent chăm sóc khách hàng

    Vapi đã ra mắt Vapi for CX, một bộ công cụ để xây dựng, triển khai, giám sát và tối ưu hóa các voice agent trải nghiệm khách hàng. Bộ công cụ này kết hợp một Composer ngôn ngữ tự nhiên dành cho các đội CX với cùng một đối tượng cấu hình có thể truy cập qua API, CLI và một máy chủ MCP, cùng với đánh giá, quản lý phiên bản, kế hoạch dự phòng, thẻ điểm cuộc gọi và dữ liệu hàng tuần về độ trễ, chi phí và chất lượng trên các bộ chuyển văn bản, mô hình và giọng nói. Vapi cho biết Amazon Ring vận hành 100% lưu lượng cuộc gọi đến của mình trên nền tảng này sau khi đánh giá hơn 40 nhà cung cấp, và Kavak xây dựng các phiên bản agent mới trong khoảng năm phút với NPS tăng 20 điểm.

24 tháng 9Thứ Năm
  1. Vapi Blog25

    Kỹ sư Vapi giải đáp các câu hỏi hàng đầu về Model Intelligence, Simulations và Campaigns

    Các kỹ sư sản phẩm Vapi gồm Mhar Andal, Scott Lowe và Adham El Fawal đã trình diễn Model Intelligence, Simulations và Campaigns trong một webinar ngày 22 tháng 9 và trả lời các câu hỏi hàng đầu từ nhà phát triển. Model Intelligence đề xuất các preset transcriber, LLM và voice đồng thời hiển thị các chỉ số chi phí, độ trễ và chất lượng, trong khi Simulations chạy các AI tester với kết quả đạt/không đạt và Campaigns quay số danh sách lên tới 10.000 liên hệ.

23 tháng 9Thứ Tư
  1. Vapi Blog38

    Vapi thử nghiệm Jev như một hàng rào bảo vệ thời gian thực cho AI giọng nói

    Vapi đã chạy các thử nghiệm ban đầu sử dụng mô hình "System One" Jev trong chương trình truy cập sớm của TypeSafe AI như một hàng rào bảo vệ chấm điểm liệu phản hồi của trợ lý giọng nói có vi phạm quy tắc do nhà phát triển định nghĩa trước khi được phát ra hay không. Trong một thử nghiệm ban đầu, Jev đã phát hiện ít nhất ba trong bốn phản hồi vi phạm, mặc dù Vapi cho biết đây không phải là bảo đảm tuân thủ 100% mà chỉ là một lớp kiểm tra bổ sung bên trên các hàng rào bảo vệ bằng prompt.

21 tháng 9Thứ Hai
  1. LiveKit Blog38

    So sánh các framework mã nguồn mở cho AI agent thoại và video thời gian thực: LiveKit Agents và Pipecat

    Hướng dẫn này so sánh LiveKit Agents và Pipecat, hai framework mã nguồn mở mà bài viết cho là quan trọng nhất để xây dựng AI agent thoại và video cho môi trường production, trên các khía cạnh kiến trúc, mức độ được sử dụng, trải nghiệm nhà phát triển và mức độ sẵn sàng cho production. LiveKit Agents chạy trên hạ tầng WebRTC và SIP mã nguồn mở của LiveKit và tự nối pipeline cho bạn, trong khi Pipecat không giả định transport nào và để nhà phát triển tự lắp pipeline theo từng giai đoạn. Bài viết cũng đề cập vị trí của TEN Framework, Dograh, Vision Agents và Vocode.