目前生成式 AI 的主要焦点一直集中在用于生成文本、图像等的基于文本的界面上。下一波浪潮似乎是语音,而且发展迅速。在最新进展中,Google 今天宣布,从下周开始将其高清语音界面 Chirp 3 添加到其 Vertex AI 开发平台中。
上周,Google 悄然宣布 Chirp 3 将为 31 种语言推出 8 种新的语音。该平台的使用场景包括构建语音助手、制作有声读物、开发支持代理和视频配音。这一消息是在 Google DeepMind 伦敦办公室的一场活动中宣布的。
与此同时,其他公司也在语音 AI 领域迅速前进。上周,Sesame(该公司开发了病毒式传播的、听起来非常逼真的 "Maya" 和 "Miles" AI 应用)宣布推出其开发者模型,让开发者可以在其技术基础上构建自定义应用和服务。
值得注意的是,Chirp 3 将设置使用限制以防止滥用。Google Cloud 首席执行官 Thomas Kurian 在今天的新闻发布会上表示:"我们正在与安全团队一起解决这些问题。"
ElevenLabs 是主要初创公司之一,已筹集数亿美元资金用于扩展其 AI 语音服务。
这一消息意味着 Chirp 3 将与目前正在测试的新版本旗舰大语言模型 Gemini、图像生成模型 Imagen 以及昂贵的视频生成工具 Veo 2 进入同一阵营。
Google 推出的 Chirp 3 是否能像其他 AI 努力创造的"人类"声音一样"逼真"(特别是 Sesame 的成果)还有待商榷。但正如 DeepMind 首席执行官 Demis Hassabis 强调的,这仍然是一场马拉松,而不是短跑。
他说:"在近期......认为 [AI] 在未来几年内能解决所有问题的想法,我认为还为时过早。我们距离实现通用人工智能(AGI)还有几年的时间。这将在未来十年改变一些事物,所以是中长期的。这是一个有趣的时刻。"
Google 早在 2021 年就推出了 Vertex AI,作为开发者在云端构建机器学习服务的平台。当然,这是在 OpenAI 的 GPT 服务推出引发 AI、特别是生成式 AI 的兴趣爆发之前。
此后,该公司一直在深耕 Vertex AI,部分原因是要追赶 Microsoft 和 Amazon 等为开发者构建生成式 AI 工具的公司。除了在 Gemini 基础上构建生成式 AI 外,开发者还可以使用 Vertex AI 对数据进行分类、训练模型并为生产设置训练模型。值得关注的是,它是否会将其围墙花园扩展到 Google 自身创建的模型之外。
Google 多年来一直在开发 "Chirp" 语音服务,这个名称最早是用作其与 Amazon 的 Alexa 服务竞争的早期努力的代号。
好文章,需要你的鼓励
腾讯今日开源混元MT系列语言模型,专门针对翻译任务进行优化。该系列包含四个模型,其中两个旗舰模型均拥有70亿参数。腾讯使用四个不同数据集进行初始训练,并采用强化学习进行优化。在WMT25基准测试中,混元MT在31个语言对中的30个表现优于谷歌翻译,某些情况下得分高出65%,同时也超越了GPT-4.1和Claude 4 Sonnet等模型。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
今年是Frontiers Health十周年。在pharmaphorum播客的Frontiers Health限定系列中,网络编辑Nicole Raleigh采访了Startup Health总裁兼联合创始人Unity Stoakes。Stoakes在科技、科学和设计交汇领域深耕30多年,致力于变革全球健康。他认为,Frontiers Health通过精心选择的空间促进有意义的网络建设,利用网络效应推进创新力量,让企业家共同构建并带来改变,从而有益地影响全球人类福祉。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。