Audio & Speech

主要新闻

1. 1

   AI语音克隆助长社交工程攻击浪潮

   发生了什么：诈骗分子越来越多地使用AI驱动的语音克隆和深度伪造技术来模仿信任的联系人，发送个性化网络钓鱼邮件，并在电子邮件、电话、messaging平台和社交媒体上同时进行协调的攻击。这些曾经需要专业知识的能力现在可以通过随处可得的工具广泛获取。 为何重要：AI大幅加快了社交工程攻击的速度和规模。攻击者可以在几分钟内生成逼真度极高的电子邮件、克隆语音、创建针对特定个人或团队的经过处理的音频、图像和视频，这使员工在披露敏感信息或授予系统访问权限之前更难发现欺诈。

   值得关注：该文章建议通过单独的受信任通信渠道验证任何涉及凭证、批准、付款或敏感信息的意外请求，遵循既定的业务流程，并及时报告可疑通信。独立确认请求可以帮助防止欺诈和冒充企图。

2. 2

   深度伪造声音对外交通信构成日益增长的威胁

   发生了什么：Reddit上的讨论引发了对针对外交官和政府官员的人工智能语音克隆的担忧，指出当逼真的合成声音可以被创建时，语音识别已不再是可靠的身份验证手段。 为什么重要：如果对手能够令人信服地克隆已知联系人的声音，官员可能会被诱骗分享敏感信息或根据欺诈电话做出决定，这可能会破坏安全的外交和政府通信。

   需要关注的是：讨论承认在深度伪造电话实际发生的频率以及官员是否已开始改变验证协议以应对这一威胁方面存在不确定性。

3. 3

   Wispr以20亿美元估值融资$280 million用于AI语音转文字

   发生了什么：开发听写工具Flow的Wispr AI完成了由Menlo Ventures领投的$280 million B轮融资，估值达到20亿美元。该公司还预览了其首个专有AI模型Canto，该模型经过训练可在嘈杂环境中隔离人类语音。 为什么重要：Canto将嘈杂环境中的转录错误率从30%降低至近5%-10%，使听写在汽车、办公室或靠近交通干线等非安静环境中变得实用。这对移动工作人员很重要，但对依赖AI转录在现实多人交谈环境中工作的聋人和听力困难用户同样重要。Wispr表示人们已在Flow上撰写超过60亿词，该工具几乎被所有财富500强公司和超过10,000家企业使用。

   值得关注：Canto目前处于预览阶段。本轮融资后，该公司融资总额达到$361 million，新投资者包括Acrew、Forerunner、Goodwater、Peak XV、Together Fund和PLUS Capital，以及现有支持者。

4. 4

   Regal Voice AI代理现已通过Five9联络中心平台推出

   发生了什么：企业语音AI公司Regal Voice已通过Five9的AI Agent Connect项目将其自主AI语音代理集成到Five9的联络中心平台中。该集成允许Five9客户在通话事件后自动触发来自Regal AI代理的后续电话或短信，通话记录和联系历史在两个系统之间流动。Regal的软件还可以为联系人的意向进行评分，并将高意向潜在客户直接路由到Five9出站活动中，无需人工干预。 为什么重要：该合作伙伴关系将Regal的影响力扩展到Five9的客户基础，覆盖遍布140多个国家的3,500多家企业。对于医疗保健、保险和教育等受监管行业的联络中心（Regal已在这些行业运营），该集成消除了手动排队步骤，让AI和人工代理可以从完整的通话历史开始。Regal声称其99.5%的解决率无需人工转接，因此这种配对可能会为管理高通话量的企业减少运营摩擦。

   值得关注：Regal迄今已筹集$83 million，最近一次是在2024年10月筹集$40 million。Five9在4月30日报告了强劲成绩，订阅收入增长连续第二个季度加速，公司上调了全年预期；股票因这些成绩上涨约18%。两家公司都在显示代理联络中心软件的势头。

5. 5

   VocalCode为代码编辑器推出按键说话听写功能，一次性购买$4.99

   发生了什么：VocalCode是一款桌面听写工具，让开发者可以直接在编辑器、终端和聊天窗口中通过设备本地语音识别进行代码和文本输入。该工具售价$4.99（一次性购买，无订阅费），包含30天免费试用期，支持最多3台设备使用。 为什么重要：语音识别完全在本地CPU上运行——音频从不离开您的计算机——因此对希望获得隐私保护的免提输入的开发者非常有用。该工具通过自动检测模型支持普通话和25种欧洲语言，加上英语，因此不同地区的团队可以使用它，无需将语音数据上传到云端。

   需要关注的是：VocalCode需要Apple Silicon上的macOS 11或更高版本，或Windows系统；这25种欧洲语言选项是有模型支持的预览版，待逐语言测试完成。初始模型下载后，识别可完全离线工作；付费许可证的重新验证至少每30天在线进行一次。

6. 6

   人工智能为无法说话的歌剧演员赋予富有表现力的声音

   发生了什么：患有自闭症和失用症、无法可靠地大声说话的年轻人Jakob Jordan在歌剧《Sensorium Ex》中担任主角，该歌剧使用纽约大学教授Luke DuBois设计的定制人工智能语音合成设备。该设备采样Jakob自己的语言障碍，推断代表其声音声学结构的401个参数，并通过这些参数合成新文本——使他能够听到用听起来像他的声音说出的想法，并通过激光雷达传感器实现完全的表达力控制，让他能够实时改变语速、放慢速度和改变音高。 为什么重要：为患有沟通障碍的人（AAC设备）提供的传统文本转语音设备将合成语音视为通用的——单调且无感情。Jakob的系统改变了框架：除了仅仅输出文本外，它还给了他用户确定的民权需求——注入情感影响、听起来讽刺、快乐或沮丧的权利。作曲家Paola Prestini围绕这一洞察建构歌剧，与拥有非语言儿童母亲生活经历的诗人Brenda Shaughnessy合作，以尊重残疾人群体身上的特征，并为残疾表演者创造一个茁壮成长的框架。

   值得关注：该设备完全在本地计算机上运行，使用激光雷达传感器（部署汽车安全气囊的相同$6技术），而不是云服务，通过消除第三方数据暴露来保护隐私。Jakob在日常生活中继续使用传统文本转语音设备；人工智能语音是他在艺术表达和表演中的选择。DuBois指出，输入想要说的话仍然很慢且笨拙——团队的下一个挑战。