跳到正文
#语音
10月8日周四
  3. RadarAI42

    腾讯元宝上线医疗健康问答：拍照解读体检报告、药品说明书

    腾讯元宝推出 AI 健康助手功能，支持用户通过拍照或语音提问，解读体检报告指标、药品说明书用法用量及保健品成分表。该功能接入中国医药信息平台、腾讯医典、有来医生、医脉通、药智网等专业信源，官方提示 AI 检索的健康信息仅供参考，具体诊疗请以医生建议为准。

  5. GitHub22

    MaiPai Home：家庭自托管 AI 中心开源

    MaiPai 开源了家庭自托管 AI 中心 MaiPai Home，把 AI 对话、音乐、视频、播客、地图和书籍都跑在自家硬件上，数据不出户。目前处于 pre-alpha 阶段，尚无打包安装程序，只能从源码运行（需 Bun），首个登录者成为家庭 owner。Chat 内置 26 种语音、可浏览 2,000+ 语音社区目录或克隆自己的声音，采用 AGPL-3.0 许可。

  18. arXiv cs.CL27

    儿童 ASR 适配与成人语音保持：一项实证研究

    研究比较了全量微调、LoRA 与事后权重空间合并在阿拉伯语和英语儿童 ASR 适配中的表现，覆盖 encoder-decoder、encoder-CTC 和 AudioLLM 三类系统。结果显示儿童适配确有必要，但直接适配常导致成人语音识别性能下降；权重空间合并（LERP 偏向成人保持、TIES 恢复更强儿童增益）往往能改善这一权衡，双语适配比单语适配更稳定。

  19. arXiv cs.CL22

    Moshi 全双工语音模型的情感引导遵循几何结构而非标签

    研究者在全开源全双工语音语言模型 Moshi 上测试了四种情感的激活引导，采用均值差激活引导，每帧仅需少量向量加法且无需重训练。情感可从 Moshi 的残差流中线性解码，但激活引导只能部分实现且不均衡：happy、angry 和 surprise 引导向共享方向，而 sad 可被独立引导。三个情感共享的成分无法简单地等量从所有情感中投影剔除。

  20. arXiv cs.CL22

    用合成伪方言增强实现方言鲁棒的语音语言模型

    研究者提出用标准语言 TTS 模型朗读 LLM 生成的方言文本，合成伪方言语音，无需任何真实方言语音数据。在日语、德语、中文方言到英语的语音翻译评测中，伪方言增强将日语得分从 25.38 提升至 26.24、德语从 31.57 提升至 32.47；训练中加入中间标准文本预测后，日语进一步升至 28.26，中文从 11.67 升至 16.37。该方法无需各方言专属语音资源即可跨语言扩展。

  21. arXiv cs.CL20

    流式说话人分离器适配中的指标遮蔽：遗忘为何看似提升，以及 rehearsal 的代价

    一项 arXiv 研究在 7.5 小时双人对话数据上适配一个已发布的流式说话人分离器，并在六个语料库上评测，发现适配显著提升域内分离性能且可迁移到独立语料，但改进在不同评测场景下并不一致，额外混淆主要来自时间身份一致性受损而非说话人数错误。局部重映射诊断显示不同语料的身份退化模式各异，rehearsal 虽能减轻退化却会降低跨域迁移性能。

  23. Hacker News31

    VoiceGremlin：面向 AI 电话客服智能体的自动化测试 SaaS 工具

    前 SDET 独立开发者推出 VoiceGremlin，一款针对接听电话的 AI 智能体的自动化测试工具。用户向 API 传入电话号码和测试用例（如"验证智能体是否执行 X"），工具会拨打语音智能体，让双方机器人互相对话完成测试，并用 LLM-as-judge 给出 pass/fail 结果接入流水线。目前完全可用，提供免费试用且无需信用卡，作者称其目标是成为电话智能体领域的 Mailosaur。

10月7日周三
  3. 科技媒体 RSS38

    ElevenLabs 模型上线 OpenRouter

    ElevenLabs 模型正式上线 OpenRouter，可调用 9 个 Text to Speech 模型，支持 90+ 种语言，以及 2 个 Speech to Text 模型，支持说话人标签和词级时间戳。所有 ElevenLabs 模型在 OpenRouter 限时 5 折，优惠截至 10 月 19 日上午 8 点（太平洋时间）。

  8. 科技媒体 RSS12

    苹果 iOS 27.2 第 2 个公测版发布：升级健康应用、FaceTime 群组双镜头等

    苹果推出 iOS 27.2 第 2 个公开测试版，以完善功能、提高稳定性为主，用户可见的新功能有限。首个公测版曾为 Siri AI 新增法语、日语、韩语、葡萄牙语和西班牙语支持，并让群组 FaceTime 可同时使用前后摄像头，还重新设计健康 App，新增「洞察」「长寿」页面及健康年龄、柔韧性、听力等评估。系统代码还显示苹果可能在开发防抢夺功能 AutoLock，但当前测试版尚不可用。