基于 NVIDIA Nemotron 开源模型构建万圣节互动鬼屋智能体
NVIDIA 员工利用 Nemotron Voice Agent 框架及系列开源模型制作了万圣节交互投影装置 MonsterHouse。
推荐理由：文章拆解了端到端语音与面部驱动智能体的硬件与模型组合方案，展示了低延迟本地交互的多模态工程落地细节。
技术方向
语音与音频 最新动态
AI 语音与音频：语音合成、实时语音对话、音乐生成与音频理解的模型与产品。
5 条精选近 30 天 5 条共收录 17 条
更新
语音与音频的精选
Hugging Face Blog精选AI 评分6262
Hugging Face Blog精选AI 评分6161 Hugging Face 发布 AnySpeechRecognizer 与 AnyDecisionModel 两款苹果平台开源 Swift 库
Hugging Face 推出 AnySpeechRecognizer 与 AnyDecisionModel 两款开源 Swift 软件包，支持在苹果平台上本地下载并运行开源语音与决策模型。
推荐理由：为苹果平台开发者补齐了开源语音识别与类型化概率决策接口，可直接在端侧替换原生框架并结合量化模型。
Hugging Face Blog精选AI 评分7878 NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 开源语音模型 Nemotron 3.5 Transcribe 及配套数据管线 Granary v2。该模型将多语言转写、说话人日志、翻译与音频问答整合入单一检查点，总参数量 30B 且每 token 仅激活约 4B，支持 40 种语言转写和最多 8 位说话人区分。
推荐理由：模型将转写、说话人识别和问答整合进单一检查点，并配套开源了大规模数据清洗流程与微调方案。
NVIDIA Blog精选AI 评分6565 NVIDIA RTX Spark 笔记本正式发售并获多款本地模型与智能体更新
NVIDIA 宣布搭载 Blackwell GPU 与 Grace CPU 超级芯片的 RTX Spark 笔记本正式发售，并同步推出多项端侧 AI 与智能体功能更新。
推荐理由：硬件整合高容量统一内存与算力调度控制，让端侧同时运行前台应用与后台智能体成为可行方案。
Mistral AI精选AI 评分7878 Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK
Mistral 发布 Voxtral 3 系列语音模型和基于 LiveKit 的语音智能体 SDK，把听、推理、工具调用和说合成一条实时流式管线，单轮响应在 1 秒内。
推荐理由：Mistral 一次性发布语音转写、语音合成和语音智能体 SDK 这整套语音栈，并给出价格与基准对比，读者可据此评估自建语音 Agent 的成本与替代方案。