跳至正文
只看一手#語音
  1. Google Developers Blog72

    Google AI Edge Gallery 新增裝置端語音辨識與文字轉語音功能

    Google 在 Google AI Edge Gallery 中推出裝置端自動語音辨識（ASR）與文字轉語音（TTS），讓應用程式能完全離線執行多語言 ASR 與富表現力的 TTS，並可與 Gemini Nano、Gemma 4 等裝置端 SLM 並行運作。在 Android 上，ML Kit 的新語音模型能以 10 倍即時速度轉錄 100 多種語言，在 FLEURS 上的字錯誤率（WER）為 8.0% 至 9.0%；而少步擴散 TTS 約 100 毫秒即可開始發聲，並以最高 50 倍即時速度生成 24 kHz 音訊。跨平台支援透過 MediaPipe Tasks 與 LiteRT 提供，包含 Parakeet-TDT 0.6B、PocketTTS 100M、Kokoro-82M 與 Phonon 31M 等開放權重套件，並在 XR Language Teacher 展示與語音版 AI Chat 中示範。

    推薦理由：Google 為 AI Edge Gallery 加入完全離線的 ASR 與 TTS，ML Kit 回報可 10 倍即時速度轉錄 100 多種語言，擴散 TTS 約 100 毫秒即可開始發聲。

  1. Zyphra Research78

    Zyphra 發布 ZONOS3-Mini：一款可在裝置端執行的 Apache 2.0 零樣本語音複製 TTS 模型

    Zyphra 發布 ZONOS3-Mini，這是一款稀疏 MoE 文字轉語音模型，具備 1 億活躍參數與 8 億總參數，採用 Apache 2.0 授權，以 112 張 NVIDIA H100 訓練 2.5 天。它在 Pixel 9 的瀏覽器上可達到低於 570 毫秒的首次音訊延遲，在 M3 MacBook Air 上則低於 150 毫秒，並提供 WebGPU、SGLang、vLLM 與 GGML 的執行環境。該模型新增對身分、口音、品質、情緒與表達方式的控制，包括詞級引導，且 Zyphra 表示它在其新的 ZTTS2-Eval 基準測試中於開源模型裡排名第一。

    推薦理由：Zyphra 這款精巧的 MoE TTS 模型將零樣本語音複製與詞級表達控制結合，同時能在手機與筆記型電腦上即時執行。

  1. Meta Newsroom · AI62

    Meta 在 Muse 應用中推出即時語音與表情虛擬人像

    Meta 在美國率先於行動裝置、網頁與 Mac 版的 Muse 應用中推出即時語音對話與表情虛擬人像。使用者點擊電話圖示即可對話，可打斷回應，並可從數百種語音中選擇，以及使用純語音、虛擬人像或全螢幕模式。語音功能即將登陸 AI Glasses 與 Muse Charm。

    推薦理由：Meta 的 Muse 應用現已支援即時語音對話與表情虛擬人像，顯示語音與打斷處理正逐步進入消費級 AI 助理。

  1. Mistral AI82

    Mistral 發布 Voxtral 3 語音模型與語音代理 SDK

    Mistral 發布 Voxtral 3，這是一系列語音轉文字與文字轉語音模型，外加一套建構於 LiveKit 之上的語音代理 SDK，能在單一管線中串流處理聆聽、推理、工具呼叫與說話。Voxtral Small Transcribe 3 涵蓋 50 多種語言，支援語者分離與上下文偏置；Voxtral Mini TTS 3 支援 35 多種語言與 50 多種方言；整套技術堆疊可透過 Mistral 的歐盟託管 API 或自行部署取得。定價方面，批次轉錄每分鐘 0.0035 美元起，TTS 每 100 萬字元 13 美元。

    推薦理由：Mistral 的 Voxtral 3 將多語言語音模型與基於 LiveKit 的語音代理 SDK 搭配，為團隊提供可主權部署的即時語音代理選項。

  1. inclusionAI Repositories67

    inclusionAI 發布 Ming-3.0-audio-flash 與 Ming-3.0-audio-tiny 音訊模型

    inclusionAI 發布 Ming-3.0-audio-flash，這是一個 126B 參數的混合專家（MoE）音訊模型，啟動參數為 6.5B，同時推出精簡版 Ming-3.0-audio-tiny，參數為 9.3B、啟動參數 2.7B。flash 模型涵蓋中英文語音辨識，包括方言與嘈雜多說話者場景、長音訊理解、非語音聲音與音樂感知、音訊推理，以及可選合成語音輸出的端到端口語對話。它隨附 vLLM-Omni、SGLang 與 Transformers 推論路徑，採用 MIT 授權，預設 Flash 配置在 128K 上下文下使用四張 80 GB H800 GPU 的張量平行。

    推薦理由：此次發布詳細介紹了一個 126B 參數的 MoE 音訊模型，啟動參數為 6.5B，外加一個 9.3B 的 tiny 變體，為開放音訊語言模型的規模與部署提供了具體參考。

  2. Apple Newsroom60

    Apple 推出 iPhone Duo，首款摺疊式 iPhone，配備 7.58 吋內螢幕

    Apple 發表 iPhone Duo，這是其首款摺疊式 iPhone，搭載歷來最大的 iPhone 螢幕：7.58 吋內螢幕，比 iPhone 18 Pro Max 的螢幕大 50%，另有 5.4 吋外螢幕，覆蓋 iPhone 18 Pro 螢幕面積的 90%。它採用 A20 Pro 晶片與雙電池架構，iOS 27 也針對摺疊形態重新設計，包括可並排顯示 Siri 與 Mail 的 Split View。由 Apple Intelligence 驅動的 Siri AI 正以 beta 版隨 iOS 27 推出，先提供英文版，初期不會在歐盟提供；Apple 指出，Siri AI 與其他新的 Apple Intelligence 功能將不會在中國提供。

    推薦理由：Apple 首款摺疊式 iPhone 結合 7.58 吋內螢幕、5.4 吋外螢幕與 A20 Pro 晶片，展示 iOS 27 與 Siri AI 如何配合摺疊形態作出調整。

已經到底了