语音

OpenAI在本周三宣布，正式向移动端引入ChatGPT语音代理功能，使用户能够通过直接的语音指令触发起草文档、摘要邮件等复杂工作流。

在核心技术架构上，GPT-Live-1实现了语音理解与语音输出在同一模型中的深度整合。

二是链路割裂——语音转写、声纹识别、语音翻译等能力被拆成独立模块串联运行，模块之间存在断点，容易累积错误，体验上也会出现延迟、卡顿。

在同一个模型中可输入文本和语音两个模态，支持语音转写、多语言翻译、多方言识别、环境音识别、说话人识别、情感分析以及复杂的音频问答等任务，让机器从“听清”进一步走向“听懂”。

Talker再结合译文和源音频，把译文合成为保留原说话人音色的译文语音。

2026年09月11日14:51IT之家IT之家9月11日消息，小米技术今日发文宣布，小米正式发布并开源工业级目标说话人语音识别大模型Xiaomi-CocktailASR-1。

小米开源工业级目标说话人语音识别大模型Xiaomi-CocktailASR-1

小米开源工业级目标说话人语音识别大模型Xiaomi小米开源工业级目标说话人语音识别大模型Xiaomi-CocktailASR-1

与讯飞星火大模型的“1+N”体系类似，在语音基座大模型上也可进行微调，开发语音识别、语音同传、语音交互等专用模型或系统。

在Fleurs、Kespeech、LibriSpeech等中英文、多语言、多方言语音识别评测中，其得分高于Gemini-3.1Pro，并在Fleurs中文测试集中取得SOTA。

在多项任务中，与同尺寸的Qwen3.5-omni-flash（35B-A3B）相比，在多语言、多方言语音识别的平均效果上表现出优势；

OpenAI近期正式宣布，在其ChatGPT移动应用中全面引入基于语音的智能代理（Agent）功能。

该模型全面支持全双工对话，不仅能让系统在输出语音的同时依然聆听用户的声音，还能在对话过程中精准处理打断、停顿以及背景噪声等复杂场景。

该模型的推出，标志着AI语音交互正在从传统的“分段式处理”向真正的自然对话演进。

幕府将军2》完全版游戏公布：支持中文字幕/语音，10月13日发售

官方表示，Xiaomi-CocktailASR-1旨在解决“鸡尾酒会”难题（IT之家注：当前语音识别技术已经可以以较高精度识别一个人所讲的话，但是当说话的人数为两人或者多人时，语音识别率就会极大地降低，这一难题被称为鸡尾酒会问题）。

它打破了传统模式中“语音转文字、大语言模型推理、文字转语音”的多次衔接壁垒，从而大幅降低了系统延迟。