技术方向
AI 语音与音频：语音合成、实时语音对话、音乐生成与音频理解的模型与产品。
87 条精选近 30 天 71 条共收录 103 条
MiniMax 开源发布 Music 3 音乐生成模型，可根据歌词和音乐描述生成长达 5 分钟的 32 kHz 立体声 WAV 完整歌曲。模型采用 8B Global LLM 与 0.6B Local LLM 的分层自回归架构，Global LLM 由 Qwen3-8B 初始化，并配合 Flow Matching 与 Flow-VAE 的连续隐状态合成模块。
推荐理由：给出了 8B Global LLM 与 0.6B Local LLM 的分层架构与 Flow Matching 合成路径，便于参考音乐生成模型的工程设计。
xAI 发布语音到语音模型 Grok Voice Think Fast 2.0，AA Speech-to-Speech Quality Index 得分 82.9%，高于 GPT-Realtime-2.1 的 79.1% 和 Gemini 3.1 Flash 的 69.5%。
推荐理由：逐项给出了与 GPT-Realtime-2.1、Gemini 3.1 Flash 等模型的语音基准对比、转写在噪声环境下的优势，以及 8 月 5 日的迁移时间和 $0.08/min 定价，便于评估升级收益。
xAI 发布 21 个 Grok Voice 多语种新声音，加入原有五个声音阵容。所有新声音支持 25+ 种语言，已通过 realtime Voice Agent API、Text to Speech API 和新推出的 Grok Voice Agent Builder 开放，按客服、角色、评论、广告、教育等场景定制，支持 [pause] 和 <whisper> 等语音标签。
推荐理由：原文给出 21 个新声音的场景分类、API 接入方式及原有五声的改进幅度，可作为语音选型对比参考。
xAI 为 Grok Text to Speech 和 Voice Agent API 推出 Custom Voices 语音克隆功能，用户录制约一分钟语音即可在不到两分钟内生成生产可用的自定义语音模型。
推荐理由：原文写出了从录音到生产模型不到两分钟的克隆流程，以及通过验证短语和声纹比对的双重身份验证机制，读者可据此判断自定义语音接入的工程门槛与安全约束。
xAI 发布 Grok Voice Think Fast 1.0 语音模型并通过 API 上线，主打低延迟响应和复杂多步骤工具调用能力。该模型在 τ-voice Bench 排行榜上排名第一，支持 25+ 种语言，并已在 Starlink 客服和销售场景部署：销售线索转化率 20%，客服问题自主解决率 70%，单个智能体调用 28 个工具。
推荐理由：原文给出了 τ-voice Bench 榜首成绩和 Starlink 实际部署转化率等数据，可据此与同类语音 API 对比实际表现。
xAI 发布独立的 Grok 语音转文字（STT）和文字转语音（TTS）API，提供 REST 与 WebSocket 接入。STT 批量转写定价 0.10 美元/小时、流式 0.20 美元/小时，TTS 定价 15 美元/百万字符；官方在电话、视频/播客、会议等场景的词错误率基准上对标 ElevenLabs、Deepgram、AssemblyAI。
推荐理由：原文给出 STT/TTS 与多家竞品的多场景 WER 对比和定价，便于横向评估接入价值。
xAI 上线 Grok Voice Agent API，向开发者开放语音 Agent 能力，支持数十种语言、调用工具和实时搜索。
推荐理由：原文以 $0.05/分钟和首音延迟低于 1 秒对标 OpenAI Realtime API，开发者可据此比较主流语音 Agent 的成本与响应速度。