标签
NPCTalk 是一个开源项目，可将普通游戏 NPC 变成能用麦克风实时语音对话、自带音色并做出身体反应的角色，首批应用于 GTA V，并打包为 AI 编码代理可执行的指令，支持任意游戏接入。
一位独立开发者推出了 Historai，这款应用能将任何历史主题转化成一档经过深入研究的双主持人播客，配上相应时代风格的美术素材，并支持在节目进行中通过语音提问。开发者通过对比测试（bake-off）的方式在 GPT、Claude 和 Gemini 之间进行横向比较，为每一项任务（研究、撰稿、美术、语音）分配最合适的模型。
Flam App 宣布获得由 QED Investors 领投的 4000 万美元 B 轮融资，用于开发互动 AI 角色。这些角色使用屏幕和语音上下文，由 Fable 23B 模型驱动，实现快速的令牌流式传输。
一个可玩的演示使用了GPT-Live-1 API，通过语音命令实现游戏中的实时世界生成，展示了新型交互媒体。
本文提出 SurgicalRoomAgent，一个面向智慧手术室的语音交互多智能体系统。该系统利用大语言模型实现自然语言设备控制，重点阐述其架构设计以及为降低无菌环境延迟而采用的 KV Cache 优化、渐进式提示披露等关键技术。
GPT-Live-1现已在API中可用，使开发者能够创建具有类似ChatGPT的实时对话能力的基于语音的应用。
本文介绍了S³-Bench，一个系统化的评估框架，用于评估语音交互模型作为科学语音助手，涵盖10个主要学科，并分析科学交互中的性能权衡。
该推文强调，Gemini 音频模型使用户能够在 Gmail 和 Google Docs 中使用语音命令与 Agent 交互，从而提升生产力。
本文讨论了AI语音代理应如何处理客户与后端系统数据不一致的情况，探索了如额外验证或人工转接等设计选项。
一款韩国AI应用走红，它允许与AI角色进行逼真的视频对话，这些角色使用语音、唇形同步、面部表情和摄像头场景，标志着从文本界面到实时视频原生交互的转变。
本文展示了ChatGPT桌面应用中的'工作'模式，该模式通过语音控制启动任务，并实现头脑风暴、生成视觉提案等活动的后台自动化。
在桌面上使用ChatGPT Voice通过自然语音管理任务（如撰写博客文章、调试代码和协调发布准备）的演示。
OpenAI发布了GPT-Live模型，具备持续在场和时间感知能力，支持打断式语音交互和实时计时功能，提升了语音助手的自然度和实用性。
Google DeepMind 正在实验一种由 Gemini 驱动的 AI 指针，它能理解用户的指向意图、上下文和语音，并跨应用执行操作，从而重塑人机交互方式。