跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

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。

人工智能与模型新闻王雅琴发布: 2026年10月2日4 分钟阅读资料来源 15
微软发布流式语音模型:AI视频热潮遇上怀疑的观众

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%。

评论 0

资料来源

15
  1. 01Microsoft AI releases new transcription and text-to-speech models for voice agentsEN
  2. 02Nearly half of test subjects mistook Tavus' AI video avatar for a real person on a one-minute callEN
  3. 03Ideogram says its new model can edit part of an image without messing up the restEN
  4. 04Amazon releases its own Jev clone as decision models flood the webEN
  5. 05Cloudflare tries to outplay Jev with open-weight Clef modelsEN
  6. 06TypeSafe AI Releases Jev: A Decision-Only Model That Returns Typed Probabilities Instead of TextEN
  7. 07Fraunhofer ISE releases electricity price simulatorEN
  8. 08Denmark approves new grid connection prioritization modelEN
  9. 09Google releases Gemini 4 Argon, called its most powerful model yetEN
  10. 10Google rolls out new Gemini AI model but restricts access over safety concernsEN
  11. 11OpenAI scraps release of new model over safety concerns in internal testingEN
  12. 12OpenAI says planned GPT-6.1 is too insecure to releaseEN
  13. 13OpenAI abandons plan to release upcoming model as safety concerns escalateEN
  14. 14The NHL Is Releasing Its Own 'Hot' Fanfic. Romance Lovers Hate ItEN
  15. 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。

王雅琴

王雅琴

人工智能、模型与技术

王雅琴负责FLASH24的人工智能、模型与技术报道,覆盖科技、人工智能与模型、媒体与互联网领域。她习惯直接查阅技术文档、模型卡与官方博客,而非依赖新闻稿,对未经核实的参数和跑分数据一概不放行。每篇报道前,她会逐项核对基准测试结果,对照论文原文与开源代码,确认版本号、数据集和评测条件是否一致。她常联系开发者与研究人员求证细节,也盯着各大厂商的发布会和论文截稿日期,横向比较同类模型的实际表现。私下她自建服务、折腾家庭网络,这让她对部署成本和真实算力需求有直观判断。她的原则是:没有可复现来源的数字,不写进稿子。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。