如何为 Amazon SageMaker AI 上的 TTS 确定自动扩缩容目标，而非依赖猜测
AWS 展示如何在 Amazon SageMaker AI 上部署 Kokoro-82M，并通过实测确定 TTS 自动扩缩容目标。方案测量单实例满足 SLO 的并发上限与扩容总耗时，据此计算扩缩容阈值及冷却时间。扩缩容采用原生指标 ConcurrentRequestsPerModel，避免依赖自定义指标上报。
#语音
AWS Machine Learning BlogAI 评分4141 AWS Machine Learning BlogAI 评分4444 如何在 Amazon SageMaker AI 上使用 Kokoro TTS 为 AI 智能体实现低延迟语音流
AWS 演示在 Amazon SageMaker AI 上部署 Kokoro-82M，将 AI 智能体逐句生成的文本即时转为语音流，无需等待完整回答。方案使用 ml.g5.xlarge GPU 实例承载模型，并讲解双向流式传输中二进制 WebSocket 帧的处理及消息间连接保持方法。
AWS Machine Learning BlogAI 评分5454 Amazon Polly 升级 Generative 引擎，新增 14 种音色且无需修改代码
Amazon Polly 的 Generative 引擎升级现已正式可用，提升语音自然度、表现力和准确性，并在 9 个区域变体中新增 14 种音色。音色目录扩展至覆盖 11 种语言、25 个区域变体的 57 种生成式音色，其中印地语和芬兰语生成式音色首次正式可用，服务覆盖 11 个 AWS 区域。
TechCrunch · AIAI 评分5555 Nirva 累计融资 $33M，打造仅监听佩戴者语音的 AI 吊坠
Nirva 宣布完成 $25 million 的 pre-Series A 融资，加上今年早些时候筹得的 $8 million，累计融资达 $33 million。其 AI 吊坠通过用户注册时录制的语音建立模型，过滤周围其他人的声音，默认在处理后删除音频和转写，并通过配套应用提供情绪、沟通方式等个人洞察。设备售价 $249，将于 11 月开始接受订购，目标是在年底前向早期用户发货。
雷峰网AI 评分2626 混合办公催生新赛道：MAXHUB 专业视讯终端为何被企业重新审视
混合办公推动企业重新审视 MAXHUB 等专业视讯终端，采购考量从声画参数延伸至跨平台接入、安全部署与长期运维成本。MAXHUB 新一代终端配备16阵列天籁阵列麦克风、2亿像素四摄三焦段方案，支持双向AI降噪和发言人追踪。其市场表现仍需通过部署周期、连接稳定性及改造与运维成本等指标验证。
The Verge · AIAI 评分5353 Google 将 Gemini 对话式导航带到 Apple CarPlay
Google 将 Gemini 对话式导航带到 Apple CarPlay，今天向美国驾驶者开放，并表示全球推送也在进行中。用户可点击 Google Maps 中的 Gemini 图标，通过语音提出多步骤请求，例如推荐目的地后要求避开收费道路导航，也可报告交通状况、查询沿途地点信息。
Hugging Face Blog精选AI 评分6363 IBM 发布 Granite Speech 5.0 新模型，并更新高速转写与说话人归属模型
IBM 为 Granite Speech 系列新增 granite-speech-5.0-2b，并更新 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
推荐理由：三款模型分别面向高精度转写翻译、高吞吐端侧转写和多人录音，并列出对应改进指标，为不同语音任务的模型选型提供了比较依据。
TLDR AIAI 评分4747 DeepSeek 的 DeepInfer、TPU 原生 PyTorch 支持与 Ramp 智能体框架
DeepSeek 用 DeepInfer 提升推理效率，Google 与 Meta 为 TPU 带来原生 PyTorch 支持，Ramp 介绍自研智能体框架 Laminar。TorchTPU 是支持训练与推理的开源后端。Laminar 提供会话压缩、工具调用和子智能体等能力，初版代码全部由智能体生成。
Mistral AI精选AI 评分7373 Mistral 发布 Voxtral 3 语音模型家族及实时语音智能体 SDK
Mistral 发布 Voxtral 3 语音转写与合成模型家族，并推出整合聆听、推理、工具调用和语音输出的实时语音智能体 SDK。转写支持 50+ 种语言，语音合成支持 35+ 种语言和 50+ 种方言；基于 LiveKit 的 SDK 支持通话中执行多步任务，官方称每轮响应可在 1 秒内完成。
推荐理由：将转写、推理、工具调用与语音合成串成实时流水线，并支持替换各阶段模型，为企业语音智能体提供了可迁移的集成思路。
TLDR AIAI 评分5454 Muse Spark Open 与 d1-ultra 发布，Microsoft 披露 MAI-Base-2 训练细节
TLDR AI 本期汇总 Muse Spark Open、Microsoft MAI-Base-2 和 Liquid AI d1-ultra 等模型动态。
TLDR AIAI 评分4545 Jev 1.14、Grok Voice 3 与 Google Harness² 递归自我改进
Jev 1.14.0 新增图像支持、返回单个边界框的 box 类型及更长上下文。xAI 宣布 Grok Voice 3.0，支持语音到语音交互，延迟低于一秒，客服表现有所提升。Google Research 的 Harness² 让 AI 智能体无需改变模型权重，即可迭代改进提示词、工具、记忆与编排。
Apple Machine LearningAI 评分3535 利用语音基础模型中的语言选择性维度检测语码转换
研究者提出利用预训练语音编码器中语言选择性维度直接检测语码转换的轻量方法，无需先转写语音。该方法用单语录音识别相关维度，汇总帧级激活，并以少量语码转换样本调优判定规则。Whisper-small 编码器在 CS-FLEURS 的 14 个语言对上平均 F1 达 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。
Apple Machine LearningAI 评分4444 三模态掩码扩散模型的设计空间
研究团队提出从零预训练的三模态掩码扩散模型（MDM），并系统分析其多模态扩展规律与训练设计。基于 SDE 的重参数化将物理批大小与逻辑批大小解耦，无需调优最佳批大小。初步模型规模为 3B，预训练使用 6.4T tokens，在文本生成、T2I 和 T2S 任务中取得较强结果。
Google AI BlogAI 评分5858 Google 回顾 2026 年 9 月 AI 更新，涵盖 Gemini 4 Argon、应用连接与 WeatherNext 3
Google 回顾 2026 年 9 月的 AI 更新，涵盖 Gemini 4 Argon、Gemini 新增 Connected Apps、语音模型及 WeatherNext 3。