speech-ai

一个团队分享了他们如何基于自托管 Pipecat、Mai Transcribe 2、Sarvam 对话式 LLM，以及针对马拉雅拉姆语微调的 VoxCPM2 TTS 构建生产级语音 Agent 技术栈，在单块 L4 GPU 上实现 20 路并发低延迟语音流，并支持 WhatsApp 通话后自动跟进交接。

一位从业者称，两个 AI 语音智能体在演示中表现合格，却在真实的金融服务通话中出了问题——一个编造了一项费用，另一个在被打断时跳过了必须告知的事项。经受住考验的智能体采用了锁定且必须执行的工作流程步骤；这篇帖子询问其他人如何在上线前测试此类合规问题。

本文宣布了2026年ISCA杰出讲座系列，包含由Kai Yu、Joseph Keshet和Kong Aik Lee等专家主讲的关于LLM代理、真实世界Speech AI以及说话人识别与防欺骗的演讲。Kong Aik Lee演讲的详细摘要涵盖了说话人验证和语音深度伪造检测的最新进展，包括评估指标和伦理考量。

本文分析了像Moshi和PersonaPlex这样的全双工语音LLMs中的虚假起始问题，并介绍了一种基于因果分析的推理时缓解方法，无需重新训练即可抑制这些问题。

Nari Labs 推出 Qwen3-TTS 和 Qwen3-ASR 模型，在免费公开测试中提供高准确率、低延迟和成本效益，同时提供优化的 API 和服务用于生产部署。

GitHub 上的 Awesome-SpeechLM-Survey 仓库系统整理了语音语言模型的研究脉络，包括分类框架、代表模型、训练数据集和评测基准，是了解该领域的知识地图。