分類: 語音與音訊
「語音與音訊」分類的 AI 新聞與論文。
-
谷歌悄悄推出一款離線運作的AI口語輸入應用程式
Google 於四月七日更新其 App Store 列表，移除了對 Android 版應用程式的相關提及，並宣佈 iOS 鍵盤功能即將推出。Google 於星期一在 iOS 平臺上悄然發布了一款名為「Google AI Edge Eloquent」的離線優先口語轉文字應用程式，旨在與 Wispr Flow、SuperWhisper 及 Willow 等競爭對手抗衡。該應用程式免費下載，使用者下載基於 Gemma 的自動語音識別（ASR）模型後即可開始使用。應用程式內可顯示即時轉錄內容，當使用者暫停時，系統會自動過濾「um」、「ah」等填充詞並潤飾文字。下方提供「重點」、「正式」、「簡短」及「長篇」等選項以轉換文字格式。使用者亦可關閉雲端模式以使用僅本地處理功能，此時雲端模式則使用基於 Gemini 的模型進行文字清理。應用程式可從 Gmail 帳戶匯入特定關鍵字、名稱及專業術語，並允許使用者新增自訂詞彙。此外，該應用程式還顯示轉錄歷史記錄，支援搜尋所有記錄，並能展示最近一輪轉錄的詞彙、每分鐘詞數及總說詞數。根據官方描述，此應用程式利用 AI 捕捉使用者意圖，自動編輯掉口誤與自我修正，輸出乾淨準確的文稿。目前該應用程式僅在 iOS 平臺可用，但 App Store 描述中提及 Android 版本，並宣稱提供無縫 Android 整合，可設為預設鍵盤以實現系統級訪問，並具備類似 Wispr Flow 的浮動按鈕功能。隨著語音轉文字模型不斷進步，AI 驅動的轉文字應用程式日益普及，Google 此次測試若成功，未來 Android 平臺也可能獲得更優異的轉錄功能。
-
Cohere 發佈專門用於轉錄的開放源碼語音模型
企業人工智慧公司 Cohere 於週四推出了其首款語音模型 Transcribe。這是一款開源的自動語音識別模型，可用於筆記記錄與語音分析等任務。該模型僅含 20 億個引數，體積輕巧，專為搭配消費級 GPU 進行自託管設計。目前 Transcribe 支援 14 種語言，包括英文、法文、德文、義大利文、西班牙文、葡萄牙文、希臘文、荷蘭文、波蘭文、中文、日文、韓文、越南文及阿拉伯文。 Cohere 宣稱 Transcribe 在 Hugging Face 開放語音識別排行榜上表現優於 Zoom Scribe v1、IBM Granite 4.0 1B、ElevenLabs Scribe v2 及 Qwen3-ASR-1.7B Speech 等模型，平均字誤率（WER）為 5.42，低於該基準上的任何其他模型。在人類評估者針對準確性、連貫性與可用性的評測中，Transcribe 的勝率達 61%。不過，該模型在處理葡萄牙文、德文及西班牙文時表現稍遜於競爭對手。Cohere 指出，Transcribe 具備每分鐘處理 525 分鐘音訊的強大能力，這在其類別中屬高水準。 公司計劃將 Transcribe 整合至其企業代理編排平臺 North，並透過 API 免費提供該模型。此外，模型也將上架於 Cohere 的託管推理平臺 Model Vault。隨著 Granola 與 Wispr Flow 等筆記與口述應用需求增長，語音識別模型日益受歡迎。今年初，Cohere 向投資者透露其 2025 年年度經常性收入達 2.4 億美元，執行長 Aidan Gomez 亦表示該公司可能「很快」上市。
-
Mistral 發佈一個新的開放原始碼語音生成模型
法國人工智慧公司 Mistral 於週四發布了一款新的開源文字轉語音模型，名為 Voxtral TTS。該模型旨在支援語音 AI 助理及企業應用，如客戶服務、銷售與客戶互動，直接與 ElevenLabs、Deepgram 及 OpenAI 等競爭對手抗衡。Voxtral TTS 支援九種語言，包括英文、法文、德文、西班牙文、荷蘭文、葡萄牙文、義大利文、印地文及阿拉伯文。Mistral 科學營運副總裁 Pierre Stock 表示，該模型體積小巧，可部署於智慧手錶、手機、筆記型電腦等邊緣裝置，成本僅為市場其他產品的一小部分，但提供頂尖效能。 該模型基於 Ministral 3B，可透過少於五秒的樣本自訂語音，捕捉細微口音、語調起伏及語流不規則等特徵。模型能輕鬆切換語言而不影響語音特性，適用於配音或即時翻譯。Mistral 強調模型聲音擬人化而非機械化，並針對即時效能最佳化。其首次發音時間（TTFA）為 90 毫秒，處理 500 個字元的 10 秒語音片段；即時因子（RTF）為 6 倍，表示 10 秒影片可於約 1.6 秒內渲染完成。 Mistral 此前已推出兩款轉錄模型，分別針對大規模批處理與低延遲即時應用。此次推出語音模型後，公司計劃提供完整語音產品套件，打造端到端平臺，支援多模態輸入（音訊、文字、影像）與輸出。Stock 指出，端到端代理系統能提供更多資訊，尤其當音訊作為輸入或輸出時。Mistral 透過開源與自訂功能，協助企業調整模型以超越競爭對手，滿足企業對語音產品的需求。
-
Google推出Lyria 3 Pro音樂生成模型
Google 於週三宣佈推出 Lyria 3 Pro，這是繼 Lyria 3 發布一個月後推出的音樂生成模型。新模型允許使用者建立長達三分鐘的曲目，相比 Lyria 3 提供的 30 秒短曲目有顯著提升。Lyria 3 Pro 還提供了更好的創意控制和自訂功能，使用者可在提示中指定樂曲的不同元素，如前奏、主歌、副歌和橋段，因為該模型對樂曲結構的理解優於前代產品。此前，Google 已在 Gemini 應用中透過 Lyria 3 引入音樂生成能力，Pro 版本同樣在 Gemini 應用中推出，但僅付費訂閱使用者可訪問。此外，Lyria 3 Pro 也將部署於 Google Vids 影片編輯應用和 ProducerAI 音樂生產工具中，後者是 Google 上月收購的生成式 AI 音樂生產工具。Google 還將音樂生成能力擴充套件至企業工具，包括 Vertex AI（公共預覽版）、Gemini API 和 AI Studio。Google 強調，該模型使用來自其合作伙伴以及 YouTube 和 Google 的許可資料進行訓練，並表示模型不會模仿特定藝術家，但若使用者在提示中指定藝術家，模型會從該藝術家那裡獲取「廣泛靈感」來生成曲目。所有使用 Lyria 3 和 Lyria 3 Pro 創作的曲目均標記有 SynthID，以表明該曲目由 AI 生成。本週早些時候，Spotify 推出了讓藝術家審查以他們名字發布的歌曲的新工具，防止 AI 生成音樂被錯誤歸屬。同時，Deezer 也推出了讓任何流媒體服務識別 AI 生成音樂的工具。