Audio & Speech

主要新闻

1. 1

   深度伪造语音对外交通信构成日益增长的风险

   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AI语音克隆的担忧，指出当能够创建逼真的合成语音时，语音识别单独不再能作为可靠的身份验证手段。 为何重要：如果对手能够令人信服地克隆已知联系人的语音，官员可能会被骗分享敏感信息或基于欺诈性电话做出决定，可能破坏安全的外交和政府通信。

   需要关注：讨论承认存在不确定性，即深度伪造电话在实践中发生的频率如何，以及官员是否已开始改变验证协议来应对这一威胁。

2. 2

   Wispr AI 2.8億ドル調達、音声入力プラットフォーム強化

   音声入力AIプラットフォーム開発のWispr AI Inc.がシリーズB資金調達で$280 millionを調達し、企業評価額は$2 billionとなりました。Menlo Venturesがリード投資家として参加し、既存投資家のNotable Capital、NEA、Neo Ventures、8VC、MVP Venturesのほか、Acrew、Forerunner、Goodwater、Peak XV、Together Fund、PLUS Capitalが新規投資家として参加しました。 音声入力は業務効率化やアクセシビリティの向上に直結し、企業や個人ユーザーにとって実用的なニーズが高まっています。Wisprのクロスプラットフォーム対応の音声テキスト変換技術は、複数のデバイスやアプリケーション環境での導入を広げる可能性があります。

   $280 millionの調達資金がどのような形で製品開発やマーケット拡大に使われるかが注視されます。また、今後の企業評価額の変動や追加の大型投資の動向も重要です。

3. 3

   Regal Voice AI代理现已通过Five9联系中心平台提供

   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的联系中心平台中。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的软件还可以对联系人的意向进行评分，并将高意向线索直接路由到Five9出站活动中，无需手动干预。 为什么重要：此次合作将Regal的业务范围扩展到Five9在140多个国家拥有3,500多家企业客户的客户群。对于医疗、保险和教育等受监管行业的联系中心——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声称不经过人工转接的解决率为99.5%，因此这种配对可能会为管理大量通话的企业减少运营摩擦。

   需要关注：Regal迄今已融资$83 million，最近一次是在2024年10月融资$40 million。Five9在4月30日报告了强劲的业绩，订阅收入增长连续第二个季度加速，公司提高了全年前景；股票在这些业绩发布后上涨约18%。两家公司都在示意代理AI联系中心软件领域的势头。

4. 4

   VocalCode为代码编辑器带来语音转文本功能，一次性购买价格$4.99

   发生了什么：VocalCode是一款桌面语音转文本工具，让开发者可以通过设备端语音识别直接在编辑器、终端和聊天窗口中口述代码和文本。该工具售价$4.99，采用一次性购买模式（无需订阅），包括30天免费试用期，可在最多3台设备上使用。 为什么重要：语音识别完全在本地CPU上运行——音频数据永远不会离开您的计算机——这对希望获得保护隐私的免提输入的开发者来说非常有用。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而无需将语音数据上传到云端。

   需要关注的问题：VocalCode在Apple Silicon上需要macOS 11或更高版本，或Windows系统；25种欧洲语言选项是模型支持的预览版，待逐语言测试。初始模型下载后，识别功能可完全离线工作；付费许可证的重新验证至少每30天进行一次在线验证。

5. 5

   AI为无法说话的歌剧演员赋予富有表现力的声音

   事情经过：患有自闭症和失用症、无法可靠地说话的年轻人Jakob Jordan在歌剧《Sensorium Ex》中担任主演，该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的言语障碍进行采样，推断出代表其声音音响结构的401个参数，并通过这些参数合成新文本——使他能够听到用他自己的声音说出的想法，并通过激光雷达传感器实现完全的表现力控制，这些传感器允许他实时加快、减慢和改变音高。 为什么重要：为有沟通障碍的人（AAC设备）设计的传统文字转语音设备将合成语音视为通用的——单调乏味且毫无感情。Jakob的系统改变了这一框架：它不仅仅是输出文本，而是给了他用户所认可的一项民权需求——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（她作为非言语儿童的母亲有亲身经历）合作，以此尊重融入角色的残障特性，并创造了一个残障表演者能够蓬勃发展的框架。

   关注点：该设备完全在本地计算机上运行，使用激光雷达传感器（部署汽车安全气囊所用的同一$6技术），而非云服务，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字转语音设备；AI语音是他在艺术表现和表演中的选择。DuBois指出，输入你想说的内容仍然很慢且很麻烦——这是团队的下一个挑战。

6. 6

   Dictata：Windows本地Whisper语音听写工具，数据不离机器

   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语音转文本模型）和whisper.cpp在本地转录语音，然后将文本粘贴到任何活跃应用程序——所有这一切都不会将音频或文本发送出设备。 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后处理功能（清理、电子邮件格式化、列表生成），并支持GPU加速（AMD/Intel/NVIDIA的Vulkan），使其在个人机器上具有实用性。

   值得关注的是：该工具需要Windows 10/11、用于文件转录的ffmpeg以及可选的Vulkan SDK来支持GPU；它在MIT许可证下开源，附带Commons Clause（免费用于个人使用，不用于商业转售），内置模型库和HuggingFace集成，便于轻松下载模型。