标签
LiquidAI 的 LFM3-Omni-2B 成为首个可在浏览器中通过 WebGPU 100% 本地运行的全模态模型，无需独立 ASR/TTS，在 M4 Max 上实现约 280 token/s、90ms 首 token 延迟。
Liquid AI 发布 LFM3-Omni-2B，这是其 LFM3 系列的首款全模态模型，能够理解文本、图像、视频和音频，并以文本和语音形式作答。该模型专为手机、笔记本等边缘设备设计，仅需 2.2B 参数即可替代独立的 ASR、VLM、LLM 和 TTS 模型。
Jack Clark在曼谷举行的IMF会议上发表Per Jacobsson讲座演讲，认为令人信服的证据表明AI奇点已经来临，并敦促经济学家和政策制定者为快速变化做好准备，同时确保全人类共享AI带来的收益。
论文提出“主动性向量”（initiative vector），这是一个无需训练即可从全双工语音语言模型自身的残差流中提取的单一方向，用于读取和调控模型的抢话／让话决策，并通过参考录音实现说话人轮替风格的迁移。
本研究首次探索从韵律模式反向预测文本：通过仅使用最低 12 个 Mel 频带（约 450Hz 截止的低通滤波）微调 Whisper 模型，实现了 36% 的词错误率，表明低频语音特征与词汇内容的关联远强于此前认知。
本文提出了 DuplexAgent-RSI，这是一个全双工语音智能体协作系统。其协调框架采用模块化设计，并通过由模拟交互轨迹驱动的闭环递归修订流程不断优化，在口语知识与工具使用基准测试中取得了优于同类委派式系统的成绩。
本文研究流式说话人分离模型（Streaming Sortformer v2）在小数据适配时出现的'看似提升实则遗忘'现象，揭示聚合指标（DER）掩盖的身份一致性退化，并探讨rehearsal在恢复与跨域迁移之间的权衡。
Veris AI 推出 VAmoS Energy，这是一个难度更高的语音代理基准测试，结合了多请求公用事业账单通话、有状态的 Stripe/Fineract 数字孪生、来电者身份验证关卡以及背景语音环境。测试发现 14 套语音技术栈的完成率介于 17.3% 至 44.7% 之间，其中 Grok Voice 表现最佳；背景电视噪声使整体完成率从 38.7% 骤降至 8.6%。
一条推文推荐了一场面向软件工程师和所有人的演讲，强调保留快乐记忆、面对现实，以及对未来保持兴奋。
Jev创始人，一位前OpenAI研究员，在演讲中将Jev定位为大语言模型的下一阶段，声称与当前方法如RLHF相比，它快200倍、便宜400倍，且无幻觉。
Ex-Omni-2D 是一个全模态对话框架，通过视觉思维计划和蒸馏流式视频生成器，生成协调一致的文本、语音和参考条件视频响应，实现了实用的质量-效率权衡。
LISA是一种紧凑、可解释的MEG解码器，能够从非侵入性脑记录中检索感知到的语音，在1005个候选项中达到39.75%的Top-1准确率，使用的解码器参数减少约20倍，同时揭示皮层来源和语音特征。
ByteDance发布了SeedRealtime，这是一个原生音视频模型，能够处理连续的视频、音频和文本，同时进行实时语音输出。
NVIDIA发布了NemotronLabs VoiceChat 11B，这是一款开放的端到端全双工语音模型，可实现实时对话式AI，轮转延迟约450毫秒，支持打断（barge-in）和实时工具调用，是首款支持工具调用的开放全双工模型。
本文对普通话-英语、印地语-英语和西班牙语-英语的语码转换对话中的协同行为进行了跨语言分析，发现词汇协同具有泛化性，而声学韵律和风格协同则表现出差异。同时评估了分类模型捕捉这些行为的能力，结果显示模型优先考虑的特征与人类不同。
GigaChat Audio 10B是一个原生音频大语言模型，基于GigaChat 3.1 Lightning构建，集成了Conformer语音编码器和模态适配器，用于音频问答、时间定位和工具使用。
NVIDIA 发布了 Nemotron-Labs-Audex-30B-A3B，这是一个统一的音频-文本大语言模型，基于 30B MoE 主干网，激活参数量为 3B。该模型在音频理解、语音识别/翻译和生成方面表现出色，同时保留了文本推理和对齐能力。
本文提出了一种说话人解耦的音节标记器，通过对扰动学生表示向干净教师目标进行回归，实现了最先进的音节边界检测，并在语音语言模型理解上相对于SpiRit-LM取得了7%的相对提升。
本文介绍了CLeaD，一种使用WavLM嵌入进行跨语言语音抑郁检测的监督对比对齐框架。它揭示了先前结果因说话人身份信息泄露而被夸大的事实，并在普通话说话人上取得了适度改进。