遛狗时写博客：AI 外推式生成内容为何没有价值
一位开发者主张 AI 有两种用法：外推式是用小提示词让模型扩写成大段内容，内插式是用大量上下文让模型提炼出精华。他认为用外推式生成博客、视频等供他人消费的内容没有价值，因为作者本人没有投入思考，那本质上是模型实验室的内容，只是挂在你名下发布。
#语音
Hacker NewsAI 评分2222 GitHubAI 评分2222 AIPBX：开源企业级 IP PBX 管理门户与统一通信平台
mahirgul/AiPBX 是一个基于 Asterisk 22、PHP 8 与 MariaDB 的开源企业 IP PBX 管理门户，集成 WebRTC 软电话、即时通讯及 Android/iOS 应用。它提供分机管理、呼叫权限组、语音信箱、IVR、队列、传真、呼叫中心监控与录音等功能，支持一键安装与自动回滚更新。
GitHubAI 评分2222 callinsights：AI 销售通话监控工具（Beta）
callinsights 是一款 AI 销售通话监控工具，处于 Beta 阶段，可为每通对话提供自动评分、辅导洞察与分析。项目支持 docker compose 一键启动，也可在 GitHub Codespaces 中免本地配置运行，登录账号为 admin@clusterx.local。本地开发可用 SQLite，测试通过 pytest 与 ruff 执行，采用 MIT 许可证。
GitHubAI 评分2323 Memory Loop：把 YouTube 视频和文档变成 AI 播客、摘要与闪卡的学习应用
Memory Loop 是一个可安装的 PWA 学习应用，能把 YouTube 视频或 PDF/DOCX 文档转成 AI 生成的简短回顾播客、文字摘要和用于主动回忆与间隔重复的闪卡。它支持后台生成回顾并在完成后通知，提供带统计与复习排期的闪卡系统、邮箱密码与 Google OAuth 账户、积分与订阅付费墙，以及完整英文和俄文界面。目前托管部署已下线，需按文档在本地运行，应用本身不依赖托管实例。
RadarAIAI 评分2424 极米 AI 显示眼镜 MemoMind One 开启超前预约：蔡司定制镜片、哈曼联合调音
极米 10 月 9 日宣布 AI 显示眼镜 MemoMind One 超前预约正式开启，搭载蔡司显示系列翎思镜片与哈曼联合调音，采用无摄像头隐私保护设计并通过欧盟 EN18031 认证。该产品支持 Memo 记忆、双目显示与 Harman Audio EFX，提供三种框型，综合续航 16 小时，搭载 Apple MFi 芯片，支持对话、翻译、演讲、录音功能。
GitHubAI 评分2222 Terry 本地语音助手：macOS 安装与使用指南
Terry 是一款面向 macOS 的本地语音助手，支持 macOS 10.14 及以上版本，需至少 4 GB RAM 和 500 MB 可用磁盘空间，可在 Apple Silicon 与 Intel Mac 上运行。它提供直观的语音管线、本地 AI 处理、20 多项可自定义操作、摄像头视觉集成和 Web UI，用户可通过 Releases 页面下载安装。
GitHubAI 评分6262 VocoLoco 开源浏览器端 TTS：用 WebGPU 本地运行 600M 扩散模型
VocoLoco 是一个完全在浏览器内运行的文本转语音项目，使用 WebGPU 和 WebAssembly 在客户端运行 600M 参数的扩散 TTS 模型，无需服务器和 API key，文本与音频不离开设备。
GitHubAI 评分3737 HuggingFace speech-to-speech：用开源模型构建语音智能体
HuggingFace 的 speech-to-speech 项目支持用开源模型构建语音智能体。该仓库聚焦语音到语音的完整链路，供开发者搭建自己的语音 agent。
RadarAIAI 评分4747 X.PIN 独家：Apple HomeHub 的 homeOS 早已完成，发布只因 LLM 让 Siri 变好
X.PIN 援引知情人士称，Apple 新款 HomeHub 内置的 homeOS 系统多年前就已完成，真正拖延产品发布的是 Siri。由于 Siri 多年来表现不佳，Apple 智能家居硬件团队一直不愿签核这款以语音为核心交互的设备；直到 LLM 让 Siri 理解自然语音的能力明显提升，团队才认为时机成熟。HomeHub 将于 10 月 13 日与 LG 的智能家居合作一同发布。
arXiv cs.CLAI 评分2323 鸡尾酒会场景下的音视频轮次转换预测
研究评估了在干净数据上训练的音视频预测轮次转换模型（PTTM）在基于 AVCocktail 数据集构建的鸡尾酒会测试平台上的表现，发现噪声条件下音频和视觉模态性能一致下降，加权 F1 最多相对下降 38%。在新领域上微调可提升鲁棒性，但增益因模态而异，并取决于可用预训练数据的规模。所有代码和轮次标注已公开。
arXiv cs.CLAI 评分1212 约鲁巴语轮廓声调标注：一项排版与计算方案
针对约鲁巴语轮廓声调在正字法中难以标注、部分人名拼写甚至反转原意的问题，该论文提出采用 caron 和 circumflex 符号在单元音上编码升调和降调。这些符号自 Olmsted（1951）以来在约鲁巴语音系研究中已有先例，如今首次可通过标准键盘输入和计算文本处理实现。方案已在 WriteYoruba 键盘和 TTSYoruba 语音合成器中落地实现。
arXiv cs.CLAI 评分2424 FA-Bench：面向强制对齐与 ASR 的干净及噪声语音音素级与词级时间戳准确率基准
FA-Bench 是一个统一评测强制对齐与 ASR 时间戳准确率的开放框架，固定了文本归一化、数据划分、音素映射与评分脚本，在干净及四种退化语音上覆盖 21 个开源模型和 9 个商业 API。它采用基于容差的 F1 作为主指标，消除了标准 MAE 在对话语音中造成的 9% 至 14% 分数虚高，并发现 Whisper 时间戳平均偏早约 150 ms，多个商业 ASR API 偏晚超过 50 ms。
arXiv cs.CLAI 评分2727 DiffuPlex：用滚动掩码扩散加速全双工语音对话模型
DiffuPlex 是一个滚动掩码扩散框架，通过单次骨干唤醒预测多个未来用户与助手帧，减少全双工语音对话模型的逐帧自回归计算。其 DiffuPlex-LISTEN 与 DiffuPlex-SPEAK 两种推理策略分别实现 1.46× 和 1.59× 部署路径墙钟加速、1.61× 和 1.80× Core LM 加速，所有骨干调用均在 80ms 交互间隔内完成。
arXiv cs.CLAI 评分3030 SteerablePlex：全双工语音模型能否被有效引导？
研究提出 SimIF-Bench 基准，评估对话模型能否在既定场景内按顺序完成多项目标，结果显示当前开源全双工模型难以遵循此类约束。团队进一步提出基于 GDPO 的训练方案，使全双工模型在保持轮次切换能力的同时遵循对话中的文本指令，所得模型 SteerablePlex 接入异步后端语言模型后，构建出比现有开源模型和 GPT-Realtime 更可靠遵循多阶段约束的可控用户模拟器。
arXiv cs.CLAI 评分2323 超越语音描述：面向对话式 TTS 的语音奖励风格规划（SRSP）
研究者提出 Speech-Rewarded Style Planning（SRSP），通过冻结的下游 TTS 模型训练文本风格规划器，用 GRPO 以目标语音 token 的 teacher-forced 似然为奖励生成候选指令。
arXiv cs.CLAI 评分2222 ICAP-Gate：为大音频语言模型提供机制引导的选择性听觉控制
针对任务无关音频会干扰大音频语言模型文本推理的问题，研究者提出 ICAP-Gate，对每个模型架构特定的晚期音频通路施加机制引导、任务条件化的控制。在 4 个 LALM、2 个推理基准和 16 组全量评估中，ICAP-Gate 的影响率与答案翻转率点估计均低于无门控推理；固定抑制会损害全部 4 个模型的 ASR 表现，而 ICAP-Gate 在显式音频需求指令下可保持与无门控相当的 ASR 性能。
arXiv cs.CLAI 评分3030 CVAM：基于人类听众强化学习的对话语音美学模型
研究者提出对话语音美学模型 CVAM，一个用于描述真实或合成语音回复美学特征的语音大语言模型，可预测涵盖性别、音高、节奏、情感与表达方式的九类属性。团队从 CANDOR 语料库收集 3k 条真实与合成回复、每条约 10 份人类标注，先监督微调再用 Group Relative Policy Optimization 基于人类判断优化。
arXiv cs.CLAI 评分2828 EgoVoice：从第一人称多模态流实现主动语音辅助
EgoVoice 是一个训练与评估主动式第一人称语音助手的框架，让模型在连续第一人称视频与音频流中自行决定何时保持沉默、何时给出语音指导。研究基于 HoloAssist 真人教学录像，通过音源分离与语音重合成构建干净音频流，并用直接偏好优化改进全模态 LLM 的主动干预行为。
arXiv cs.CLAI 评分2222 面向德语语音识别的音系学驱动分词：一项跨域研究
研究在 Omnilingual ASR wav2vec 2.0 + CTC 骨干上比较三种分词器：预训练多语言字符集、BPE 和基于 Pyphen 音节切分与 G2P 的音系学单元，共 40 次微调，在三个德语测试集上评估。
arXiv cs.CLAI 评分2525 Prosody-to-Text：从低通滤波语音预测文本
研究者提出"韵律到文本"任务，用仅保留 12 个最低 Mel 频段（约 450Hz 低通滤波）的语音微调 Whisper，从韵律模式中恢复原始句子，取得 WER 36% 的结果，10% 的语句被完全还原，40% 的语句 WER 不高于 25%。在给定正确前缀时，下一个 token 的预测准确率为 79%。结果表明低频语音特征与词汇内容的关联比此前认为的更强，或可用于引导现代 LLM 的文本生成。
arXiv cs.CLAI 评分1717 何时可以剪枝你的网络？多语言语音解析中中间神经元的研究
研究提出一种更简单的端到端语音解析架构，移除中间神经网络单元后参数减少 12%，在 ASR 和解析任务上性能与先前方法相当或更优。实验表明，中间 NN 单元在预训练编码器冻结时有助于缩小表示差距。研究在法语及中低资源语言斯洛文尼亚语和 Naija 上进行了全面评估，并考察了训练数据规模和预训练语音编码器中间层的影响。
arXiv cs.CLAI 评分2424 多语言语音模型中的音系干扰问题研究
研究者发现音素级语音模型存在系统性失败模式——音系干扰：模型默认输入为单一语言并强加其音系规则，覆盖与之冲突的局部音素决策。在语码转换输入上，两个语音转音素识别器和一个音素条件TTS模型丢失了32%至79%的跨语言特有音素。研究提出窗口化语言估计（WLE）推理时修复方法，在三个模型上消除了34%至69%的干扰，且识别器的单语性能基本不变。
arXiv cs.CLAI 评分2222 面向文本兼容的语音到 LLM 桥接预训练：局部原型重建（LPR）
研究提出 Local Prototype Reconstruction（LPR），一种仅训练时使用的轻量正则化方法，要求对齐后的桥接 token 可由冻结 LLM 的少量 token 嵌入邻域重建，并以硬单原型锚定为其极限情形。
arXiv cs.CLAI 评分2222 提示词 vs 规则：语音用户模拟器中语音自然度行为的审计与控制
研究审计了基于 LLM 提示的 tau-Voice 与规则注入算法在语音用户模拟器中实现不流畅、打断和反馈三种自然度行为的效果。结果显示，提示词方式不可靠，生成的语音与指令不一致，位置和分布不如指令所暗示的自然；而基于规则、无需模型的算法能产生更可控、更多样且更贴近自然语音的行为。研究认为，未经用户模拟专门训练的 LLM 不足以单独代表真实用户行为，需要语言学驱动的确定性方法或专用模型来弥补差距。
arXiv cs.CLAI 评分1818 用路由稀疏自编码器解耦语音中的语言学与副语言学信息
研究者将 TopK 稀疏自编码器与路由专属监督和跨因子对抗结合，在冻结的 SPEAR 和 WavLM 编码器上实现语言学与副语言学信息的分离：语言学信息在语言学路由中更强，说话人身份、情感、韵律等副语言学因素则保留在副语言学路由中并在语言学路由中大幅减少。
arXiv cs.AIAI 评分2424 X2Streaming-ASR：不确定就等待，准备好就输出，实现低延迟流式 ASR
X2Streaming-ASR 将流式语音识别拆解为"何时提交"与"提交什么"，通过三阶段训练（先建立流式识别能力，再用自动探测轨迹热启动提交策略，最后用字符级、分段分配的分组相对奖励优化准确率与延迟）。在十个中英文测试集上，其平均提交延迟相对强制对齐端点最低，中文为 32–109ms、英文为 12–85ms，识别准确率与现有系统相当。
arXiv cs.AIAI 评分2222 预训练自监督语音模型能识别未见过的搭嘴音
研究对比微调后的 Wav2Vec2 和 HuBERT 在两种富含搭嘴音的 Khoisan 语言（G|ui 与 West !Xoon）上的表现，发现模型识别搭嘴音的准确率始终高于非搭嘴音，表明自监督学习可泛化到包括罕见音素在内的人类语音。
arXiv cs.AIAI 评分2222 音频嵌入中还剩多少音频？音频编码器的反演审计
研究通过配对源重建审计音频编码器保留的信息：用共享的 Stable Audio Open 潜在扩散解码器，从 VGGish、ConvNeXt、CLAP 和 EnCodec 的冻结表征重建 5 秒、44.1-kHz 立体声音乐。
arXiv cs.AIAI 评分2323 基于本地 LLM 的证据可追溯动态访谈架构，实现专家自适应定性访谈
研究者提出证据可追溯动态访谈架构，用本地部署的 LLM 根据受访者回答实时调整问题深度，由五模块提示词架构与持久化访谈状态记录支撑。
arXiv cs.AIAI 评分3434 DuplexAgent-RSI：面向全双工语音智能体协作的递归 Harness 改进
DuplexAgent 是一个全双工语音协作系统，将任务受理、进度、取消、替换与结果交付等工作流拆成六个可编辑模块，并配套 Duplex-Harness-RSI 闭环，从交互轨迹中自动修订这些模块。
GitHubAI 评分2222 audio-mcp：面向 macOS 的本地 MCP 音频采集服务器
audio-mcp 是一个 macOS 本地 MCP 服务器，可将会话中的麦克风与系统音频采集为原始 WAV 文件，供 AI 智能体读取。每个会话独立存放音频，支持 Claude Desktop 和 Cursor 通过本地 MCP 连接使用，音频全程保留在本机。
GitHubAI 评分4848 Utterlane：Android 离线语音转录应用
Utterlane 是一款免费开源的 Android 离线语音输入与音频转录应用，语音识别在设备本地运行，无需账号或订阅。默认模型为 Moondream Parakeet Ultra（2026 年 9 月，约 670MB），慢速设备可用三元量化版 Moondream Parakeet Redux（约 160MB），并支持通过 CrispASR 导入自定义模型。
Hacker NewsAI 评分6666 Veda 发布以 AI 智能体为核心的语音操作系统
Veda 发布一款以 AI 智能体为核心的操作系统，用户通过语音下达指令，智能体直接在内置应用中完成操作，而非读取屏幕或模拟点击。系统内置文本编辑器、照片、音乐、文件、任务管理器、终端等应用，共提供 70 多个动作，应用通过同一套代码响应智能体与鼠标键盘。
GitHubAI 评分1212 enton：基于视觉与语音的开源 AI 机器人助手
GitHub 项目 enton 是一个自主 AI 机器人助手，结合计算机视觉、语音转文字、文字转语音和自然语言理解，可识别物体与人、听懂语音指令并语音回应，无需编程即可运行。其语音转文字采用 Whisper 开源模型，基于 Python 与 PyTorch 构建，支持 CUDA GPU 加速，需 Windows 10 及以上 64 位系统、8 GB 内存和至少 2 GB 磁盘空间。
GitHubAI 评分3838 ai-interview-coach：基于语音的 AI 模拟面试评分工具
开发者 Ayush Singh Tomar 开源 ai-interview-coach，一款基于语音的模拟面试工具，用 Faster-Whisper 在内存中转写回答，再由 Groq 的 LLaMA 3.3 70B 从相关性、清晰度、技术准确性和自信度四个维度打分，并生成 PDF 反馈报告，音频不落盘。
GitHubAI 评分2828 LiveKit Python SDK：为 Python 应用添加实时音视频与数据能力
LiveKit 发布 python-sdks，包含 livekit 实时 SDK 和 livekit-api 服务端 API 两个包，可通过 pip install livekit 或 livekit-api 安装。
GitHubAI 评分2222 ResuMate AI：7 个 AI 智能体驱动的全栈招聘平台
ResuMate AI 是一个全栈多智能体招聘平台，由 7 个专用 AI 智能体编排从简历解析到实时视频面试的完整招聘流程，并可通过对话式 AI 助手 Jarvis 以语音或文字端到端操控。平台提供简历上传与 RAG 分析、候选人评分排名、GitHub 扫描与简历情报、AI 评估报告、面试安排及带面部追踪的 AI 虚拟形象视频面试，候选人端支持邮箱登录与个性化分析。
GitHubAI 评分6262 LiveKit 开源实时语音 Agent 框架 Agents
LiveKit 开源 Agents 框架，用于在服务器上构建可编程的实时多模态语音智能体，支持自由组合 STT、LLM、TTS 与 Realtime API。框架内置任务调度与分发 API、WebRTC 客户端、电话接入、语义轮次检测和 MCP 原生支持，并提供测试框架与多智能体交接示例。
GitHubAI 评分2424 命运石之门 0 Amadeus 智能助手：DeepSeek Harness 插件
开发者 yyxcnasd 发布 DeepSeek Harness 插件 amadeus-for-dsh，把《命运石之门 0》的牧濑红莉栖做成红发翻盖手机 UI 智能助手，含 Live2D 立绘、日语语音、长期记忆与主动来电。
GitHubAI 评分6262 LobbyStack 开源 AI 电话前台，支持接听、预约与转人工
LobbyStack 是一个面向小企业的开源 AI 前台平台，可接听来电、预约和改约，并在需要时把电话转给真人。它基于 OpenAI GPT-Live 与 Twilio 处理语音，接入 Google Calendar 完成可用性查询和预约，并提供共享收件箱查看通话、录音、转写与短信。