Audio & Speech

主要新闻

1. 1

   Wispr融资$280M开发AI语音转文本，估值$2B

   发生了什么：开发Flow语音听写工具的Wispr AI完成了$280M的B轮融资，估值达到$2B，由Menlo Ventures领投。该公司还首次展示了Canto，这是其首个专有AI模型，经过训练可以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%降低到近5%–10%，使语音听写在汽车、办公室或交通繁忙的地方等非安静环境中也能实用。这对移动办公人员很重要，对于依赖AI转录在真实、多人说话场景中进行交流的聋人和听力困难用户也很关键。Wispr表示，用户已在Flow上写下超过60 billion个单词，该工具被几乎所有Fortune 500公司以及超过10,000家企业使用。

   值得关注：Canto目前仍在预览阶段。本轮融资后，公司融资总额现已达到$361M，新投资者包括Acrew、Forerunner、Goodwater、Peak XV、Together Fund和PLUS Capital，以及现有投资者。

2. 2

   Regal Voice AI代理现已通过Five9的联络中心平台提供

   发生了什么：企业语音AI公司Regal Voice已通过Five9的AI Agent Connect计划将其自主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代理的后续通话或短信，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图评分，并将高意图线索直接路由到Five9的外呼活动中，无需手动干预。 为什么重要：该合作扩大了Regal在Five9客户基础中的覆盖范围，Five9拥有超过3,500家企业客户，遍布140多个国家。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99.5%的解决率无需人工切接，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资金，最近一轮融资于2024年10月融得$40 million。Five9于4月30日报告了强劲业绩，订阅收入增长连续第二个季度加速，公司提高了全年展望；股票因此上涨约18%。两家公司都在信号传递代理式联络中心软件的动能。

3. 3

   VocalCode为代码编辑器带来按键通话听写功能，一次性购买价格$4.99

   发生了什么：VocalCode是一款桌面听写工具，让开发者可以直接用语音在编辑器、终端和聊天窗口中输入代码和文本，使用设备本地语音识别技术。该工具售价$4.99一次性购买（无订阅），包含30天免费试用期，最多支持在3台设备上使用。 为何重要：语音识别完全在本地CPU上运行——音频不会离开你的计算机——这对希望获得隐私保护的免提输入的开发者很有用。该工具通过自动检测模型支持普通话中文和25种欧洲语言，以及英语，因此不同地区的团队可以使用它而无需将语音数据上传到云端。

   值得关注：VocalCode需要macOS 11或更新版本（Apple Silicon）或Windows系统；25种欧洲语言选项是模型支持的预览版，待单语言测试完成。初始模型下载后，识别功能完全离线工作；付费许可证验证至少每30天进行一次在线重新验证。

4. 4

   AI为不会说话的歌剧演员赋予富有表现力的声音

   发生了什么：患有自闭症和言语失用症、无法可靠地说话的年轻人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AI语音合成设备。该设备对Jakob自己的言语障碍进行采样，推断出代表其声音声学构架的401个参数，并通过这些参数合成新的文本——使他能够用听起来像他自己的声音听到他的想法，并通过lidar传感器实现完全的表现力控制，该传感器允许他实时加速、减速和改变音调。 为什么重要：传统的为有沟通障碍的人群设计的文本转语音设备（AAC设备）把合成语音视为通用的——单调且无感情。Jakob的系统改变了框架：不仅仅是输出文本，而是给了他用户确认的民权需求——注入情感、听起来讽刺、欢乐或沮丧的权利。作曲家Paola Prestini围绕这一洞见创作了这部歌剧，与诗人Brenda Shaughnessy（作为非语言儿童的母亲有亲身经历）合作，以尊重植入角色中的残障，并创造一个残障表演者能够茁壮成长的框架。

   值得关注：该设备完全在本地计算机上运行，使用lidar传感器（与部署汽车安全气囊相同的$6技术），而不是云服务，通过消除第三方数据泄露来保护隐私。Jakob在日常生活中继续使用传统的文本转语音设备；AI语音是他为艺术表达和表演所做的选择。DuBois指出，输入您想说的话仍然很慢且繁琐——团队的下一个挑战。

5. 5

   Dictata：Windows本地Whisper语音听写应用，数据不离设备

   发生了什么：一位开发者发布了Dictata v0.1.0，这是一款Windows应用程序，使用Whisper（一个AI语音转文字模型）和whisper.cpp在本地转录语音，然后将文本粘贴到任何活跃的应用程序中——整个过程中音频和文本都不会离开设备。 为什么重要：处理敏感信息的企业和个人现在可以进行听写，而无需将音频暴露给云服务；该工具还提供本地LLM后处理（清理、电子邮件格式化、列表生成）功能，并支持GPU加速（AMD/Intel/NVIDIA的Vulkan），使其在个人机器上具有实际可用性。

   需要关注的是：该工具需要Windows 10/11、用于文件转录的ffmpeg以及可选的Vulkan SDK以支持GPU；它以MIT许可证和Commons Clause开源发布（免费供个人使用，不可用于商业转售），配有内置模型库和HuggingFace集成以方便模型下载。

6. 6

   Suno Studio 2.0 新增聊天界面和付费用户无限制导出功能

   发生了什么：Suno 推出了 Studio 2.0，其中包含一项测试版聊天功能，允许 Premier 订阅用户像与乐队成员一样与平台交互，用以创建乐器、人声或自定义插件。此次更新还包括 MIDI 导入、录制、编辑、干声分离、自动化曲线和 32 位/48 kHz 的无限制多轨道导出功能。插件创建目前不消耗额度，但 Suno 表示之后可能会推出额度系统。 为何重要：聊天驱动的界面将 Suno 从纯音乐生成器转变为完整的数字音频工作站（DAW）——这是专业制作人传统使用的桌面工具——将 AI 作曲带入专业工作流程。然而，无限制导出功能直接与 Suno 最近设计的下载限制相矛盾，而这些限制旨在遏制流媒体平台上的垃圾分发，这表明在支持付费专业人士和控制滥用之间存在权衡。

   值得关注：插件创建的额度系统仍未确定；Suno 可能会在之后引入收费。该公司还面临持续的版权纠纷，包括德国法院最近的裁决，该裁决认定该服务违反了德国版权法，不符合美国合理使用原则。