阶跃StepAudio 3发布:语音推理、实时对话双榜第一
相关推荐
ElevenLabs v4登顶TTS榜,超过Gemini和Qwen
动察 Beating AI 快讯,ElevenLabs 发布新一代语音模型 Eleven v4 和实时版 Eleven v4 Turbo。v4 主打更自然的情绪和声音控制,Turbo 面向实时语音 Agent,中位推理延迟约 100ms。 在 Artificial Analysis 最新 TTS 盲测榜中,Eleven v4 目前以 1315 Elo 排第一。Cartesia Sonic 3.6 为 1275,Gemini 3.8 Flash TTS 为 1267,Qwen-Audio-3.0-TTS-Plus 为 1258。上一代 Eleven v3 目前只有 1169,排第 17。 v3 已经支持笑声、耳语等音频标签,v4 主要把这套控制做得更准。用户可以直接指定语气、节奏、情绪和音效,也可以用自然语言描述一句话该怎么说。模型还把语言覆盖从 70 多种扩到 90 多种,Instant Voice Clone 只需要约 10 秒音频,并增强了长文本和多人对话中的声音一致性。 Turbo 则专门解决实时对话的速度问题。官方文档显示,v3 Conversational 的中位推理延迟约为 280ms,v4 Turbo 降到约 100ms。
微软补齐语音Agent全链路:边说边转写,语音生成低至45ms
动察 Beating AI 快讯,微软 AI 一口气推出 3 款音频模型,分别是 MAI-Transcribe-2-Streaming、MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。前者负责实时语音转文字,后两款负责把文字生成语音,主要面向低延迟语音 Agent。 其中,MAI-Transcribe-2-Streaming 可以在人还没说完时持续输出文字,支持 60 种语言和自动语言检测。Artificial Analysis 的流式语音转写榜单显示,它的最终转写和首个部分转写准确率均排名第一,词错误率为 2.5%。最终文本在检测到说话结束后约 0.13 秒返回,Grok Voice Transcribe 2.0 为 2.7% 和 0.49 秒。 MAI-Voice-2.1 支持 23 种语言,可以让同一个声线切换不同语言。Flash 版专门压低延迟,模型推理约 45ms,价格为每百万字符 15 美元;标准版约 550ms,价格为 22 美元。两款模型都支持用一小段参考音频匹配声线。 这套组合解决的是语音 Agent 最影响体验的等待问题。系统可以在用户说话时提前开始转写和推理,再用 Flash 快速生成语音回复,不必等完整一句话结束后才开始工作。
腾讯混元:发布全新实时语音模型 Hy Realtime
火星财经消息,腾讯混元发文称,发布全新实时语音模型Hy Realtime。模型新增Agentic工具调用与唱歌能力。Hy Realtime已在元宝语音通话、腾讯客服等产品上线,近期也将上线腾讯云,对外提供API服务。除了基础对话功能,Hy Realtime还具备工具调用能力,它能根据对话上下文、用户意图准确判断是否执行联网搜索,统一搜索决策、调用工具与生成回答。
Artificial Analysis 评测:腾讯混元 Hy4 智能指数得 35 分,超过 DeepSeek V4.1 Flash 1017
火星财经消息,独立 AI 分析机构 Artificial Analysis 发布 Intelligence Index v5,新增 2 项基准测试并升级 3 项测试,60% 的指数评估基于私有测试集或保留答案。国产模型方面,Artificial Analysis 公布的评测数据显示,腾讯混元 Hy4 获得 35 分,DeepSeek V4.1 Flash 1017(max)获得约 33 分。据此前提供的榜单数据,Claude Opus 5.5(max)以 58 分位居首位,GPT-6 Astra(max)和 GPT-6.1 Sol(max)分别获得 57 分和 55 分。
谷歌发布Gemini 4 Hydrogen,速度较3.8 Flash快2.5倍
PANews 11月13日消息,据谷歌官方X发布,谷歌推出Gemini 4 Hydrogen模型,提供低、中、高及新增xhigh四档思考等级,任务完成速度较Gemini 3.8 Flash快2.5倍,在Artificial Analysis智能指数上超过Argon。该模型即日起面向Gemini应用、谷歌搜索、Google AI Studio及Gemini API推出。
从Kimi、Manus到AirBuild,王慧文又押注一家AI Agent创业公司
动察 Beating AI 快讯,11 月 4 日,美团联合创始人王慧文在即刻透露,AirBuild 是他最新投资的项目。他的家办投资机构 Lollapalooza Capital 官网,也已将 AirBuild 背后的 YellowPlus 列入投资组合。 AirBuild 想让 AI 包办一款 iOS 应用从开发到上架的流程。用户描述想做什么,产品、设计、工程等多个 AI Agent 就会协作完成需求规划、界面设计和原生 iOS 代码。 它的一大特点是自动处理苹果 App Store 审核。AI 可以准备应用截图和介绍、提交审核。如果遭到苹果拒绝,还能读取审核意见、修改代码或补充材料,再回复审核人员并重新提交,减少开发者的手动操作。 AirBuild 的创始人兼 CEO 是 Hwang,此前负责过开源知识管理工具 AFFiNE 的产品设计,也是 AI Agent 产品 Bridge 的早期团队成员。他还独立开发过获得苹果 App Store 编辑推荐的 Lofi. 和 Sleepy Coffee。 AirBuild 目前采用邀请制,用户需要先申请测试资格。免费版支持 AI Agent 协作开发 iOS 应用、构建程序和托管网站,但需要用户自行提供 AI 模型的 API Key。付费版则提供更多云端资源和模型额度,并增加 TestFlight 测试分发、App Store 自动提审,以及根据苹果审核意见修改和重新提交等功能。 王慧文在 2023 年退出光年之外后,陆续投资了多家 AI 公司。比较知名的包括 Kimi 母公司月之暗面、Manus 开发商蝴蝶效应,以及硅基流动、爱诗科技和 Sand.ai。