微软发布流式语音模型:AI视频热潮遇上怀疑的观众
微软AI于10月2日发布MAI-Transcribe-2-Streaming和两款文本转语音模型。微软称其在Artificial Analysis的转写准确率排名第一,MAI-Voice-2.1-Flash版本的延迟为150毫秒。

据The Decoder报道,微软AI于10月2日发布MAI-Transcribe-2-Streaming和两款文本转语音模型。转写模型覆盖60种语言,100毫秒出头就能返回部分结果。
它不是视频生成器。它决定一个合成主播听起来像对话还是像录音。它发布的这一周,视频这一侧的从业者刚好领教了最后一公里有多难。
最容易验证的那个真实感数字
Tavus于10月1日推出Griffin,称之为首个“Human Interaction Model”。The Decoder报道了该公司自己的研究:在一分钟视频通话后,48%的参与者相信Griffin是真人,此前最好成绩是2%。Tavus称,英伟达的一项测试给Griffin在音视频对话中“像人”的程度打了3.83分。真人得分3.92,此前最好的AI模型得分2.80。
目前只有预览版Griffin-Lite向部分测试者开放。Tavus承诺在安全问题解决后推出更完整的版本。Tavus成立于2020年,已融资约6400万美元。
拿这些数字和微软的语音数字比一比。MAI-Transcribe-2-Streaming在年底前的推广价为每小时音频0.54美元。微软称,MAI-Voice-2.1用同一种声音说23种语言,每种都带母语口音。Flash版本每百万字符15美元,而非22美元。两者都能用几秒钟的参考音频克隆声音。在微软的一项测试中,4000名参与者里约有一半认为那些声音属于真人。
视频模型继续发布,疑问也继续
更广的发布日历排得很满。头条名单包括FLUX 3 Image,据称支持最高4K生成、主体定位和局部编辑,开源版本预计几周内推出。名单上还有字节跳动的Seedance 2.5和快手AI子公司可灵的Kling 4.0。报道没有详述这两款发布,细节很少。周边工具倒是有据可查。
Ideogram于10月1日表示,Ideogram 4.5只会改动用户选中的那部分图像。它提供四档质量,每张图从0.8美分到22美分,原生2K分辨率,并承诺开放权重发布。这是对一个已知故障模式的修正,不是新能力。据The Decoder报道,在GPT-Image 2.5和Nano Banana这类模型上反复编辑,仍会留下痕迹。
然后是钱。Dealroom于9月30日报道,Luma在六小时内扩展了9000块GPU,用于Dream Machine的发布。据Robotics & Automation News 10月1日报道,Runway以开放权重模型Praxis-1进入机器人领域。这两条都因只有标题出现而落在下面的十源核心之外。
“储能系统能平滑价格,但它们不发电,”弗劳恩霍夫ISE研究所Energy Charts项目负责人Leonhard Gandhi在该所发布德国日前电价模拟器时说道。
他说的是电池,不是GPU。这个类比并不完美,但约束的形状是一样的。推理算力是实打实的投入,记录也显示它一旦稀缺会发生什么。丹麦议会于10月2日通过一项紧急电网方案,把先到先得的接入方式改为四个优先级类别。数据中心属于优先级最低的一档,除非与关键社会功能挂钩。这套方案把2000兆瓦这类新增负荷当作需要排队的对象,而不是默认接入。
与此同时,模型层继续碎片化。据TechCrunch 10月1日报道,亚马逊云科技在同一周发布了开源决策模型Strands Decider 2B,OpenAI也宣布了类似产品。Cloudflare以Clef和Clef-flash两款开放权重决策模型回应。Cloudflare称,在TypeSafe自己的四项基准中有三项胜过TypeSafe的Jev,价格为每百万token 0.24美元,Jev为0.042美元。据The Register指出,这些分数由Cloudflare自行报告,尚未在官方榜单上复现。
这一切都没有回答观众在合成片段头两秒里会问的问题:这是真人吗。Tavus对这个问题有一个数字。48%,一分钟通话,出自公司自己做的研究。这笔生意背后是20亿美元的估值期待,而验证它的仍然是那48%。
资料来源
15- 01Microsoft AI releases new transcription and text-to-speech models for voice agentsEN
- 02Nearly half of test subjects mistook Tavus' AI video avatar for a real person on a one-minute callEN
- 03Ideogram says its new model can edit part of an image without messing up the restEN
- 04Amazon releases its own Jev clone as decision models flood the webEN
- 05Cloudflare tries to outplay Jev with open-weight Clef modelsEN
- 06TypeSafe AI Releases Jev: A Decision-Only Model That Returns Typed Probabilities Instead of TextEN
- 07Fraunhofer ISE releases electricity price simulatorEN
- 08Denmark approves new grid connection prioritization modelEN
- 09Google releases Gemini 4 Argon, called its most powerful model yetEN
- 10Google rolls out new Gemini AI model but restricts access over safety concernsEN
- 11OpenAI scraps release of new model over safety concerns in internal testingEN
- 12OpenAI says planned GPT-6.1 is too insecure to releaseEN
- 13OpenAI abandons plan to release upcoming model as safety concerns escalateEN
- 14The NHL Is Releasing Its Own 'Hot' Fanfic. Romance Lovers Hate ItEN
- 15The Tesla Model 3 Gets A Range Bump And A New Screen In The U.S.EN
本文所有数字与引语均来自下列来源,未添加来源之外的内容。
本内容由编辑部在人工智能辅助下制作完成。
评论
0- 还没有评论——来说两句吧。