全部 AI 动态

讯飞星火，90后上前线

一场组织重构 1990年，一位17岁的理科生下了一个重要决定。 他放弃保送清华大学汽车工程专业的机会，选择中国科学技术大学专攻语音合成技术，9年后，他和十几位科大学子创办的“车库....

阿波罗首席经济学家称AI对科技业外美国企业“零财务回报”

阿波罗全球管理公司首席经济学家托尔斯滕·斯洛克分析S&P 493（标普500剔除7家科技巨头）发现，非科技企业利润边际与人均营收持平，无证据显示AI提升生产力；其指出AI缺乏对问责、信任、文化等商业关键要素的理解，因而尚未带来财务收益。

推荐理由：该观点基于对主流上市公司群体（S&P 493）的实证观察，引用明确数据范围与限制条件（排除Alphabet、Amazon等7家科技公司），并呼应近期多项研究结论，具备可验证的分析框架与清晰的归因边界。

Amazon SageMaker上线Kokoro-82M TTS模型，支持AI语音代理低延迟流式语音合成

AWS发布技术方案，利用SageMaker托管的Kokoro-82M文本转语音模型，通过双向WebSocket实现AI代理边生成文本边合成语音，显著降低端到端语音响应延迟；方案提供Base64-SSE与统一二进制传输两种音频回传方式，并明确标注为‘价值验证型’（proof-of-value），尚未进入生产就绪状态。

Amazon SageMaker TTS服务实现测量驱动的自动扩缩容：以Kokoro-82M模型为例

AWS博客介绍了一种针对文本转语音（TTS）模型在SageMaker实时端点上部署时的实证型自动扩缩容方法，摒弃经验猜测，基于两个实测指标Q_max（单实例最大可持续并发请求数）和T_total（计划扩缩容耗时）构建可复现、可验证的扩缩策略。

IBM发布Granite Speech 5.0系列语音模型：支持多语种转录翻译与说话人归因

IBM推出Granite Speech 5.0系列三个开源语音模型——granite-speech-5.0-2b（高精度多语种ASR/MT）、granite-speech-5.0-470m-turboctc（超快边缘端多语种转录）和更新版granite-speech-4.1-2b-plus（增强型多说话人会话建模），全部基于Apache 2.0许可，支持主流推理框架。

Mistral发布Voxtral 3语音智能体SDK：支持50+语言实时语音交互与情感化TTS

Mistral于2026年10月26日前推出Voxtral 3——一套面向多语言实时语音交互的端到端SDK及模型家族，涵盖ASR（含说话人分离）、推理层与TTS三大模块，强调数据主权与模块化部署，但所有性能宣称均基于厂商自测，无独立第三方验证。

Gemini 3.8 text-to-speech says hello

Gemini 3.8 text-to-speech says hello

使用 NVIDIA Magpie TTS 构建低密度多语种语音代理: 开放重量和全部署控制

使用 NVIDIA Magpie TTS 构建低密度多语种语音代理: 开放重量和全部署控制

Gemini 3.1 Flash TTS: the next generation of expressive AI speech

Our newest audio model introduces granular audio tags that give you precise control to direct AI speech for expressive audio generation.