语音 AI Agent（智能语音助手）正日益成为人机交互的重要形式。它可以模拟人类通过语音进行对话，为用户提供实时的服务和信息。在本篇文章中，我们将面向开发者详细介绍构建第一个 Voice AI Ag…

Granary 是 NVIDIA 于 2025 年8月推出的超大规模开源语音数据集，汇集了约 100 万小时的语音音频，覆盖25种欧洲语言。它是迄今最大规模的多语言语音数据资源之一，包括约65万小时的…

全球约有 7000 种语言，而现有 AI 语言模型覆盖的仅是极小一部分。过去，主流语音识别和语音助手大多专注于英语、中文等少数几种主要语言，许多中小语言的使用者在与智能设备交互时不得不借助第二语言。如…

Voice AI Agent（语音智能体）是一种能够进行语言交流和任务执行的自主系统，能够处理人类语音指令并给出语音回应。与传统只能执行单一任务的AI工具不同，Voice AI Agent结合了语音识…

多模型接入的架构设计要点 如前文所述，Voice AI Agent 通常由多个不同功能的模型/服务组成：ASR、LLM、TTS 各司其职。这种多模型级联架构的优点是每个组件都可以选用领域内最优或最合适…

在语音AI系统中，“听懂人话”之后，最后一步就是让机器“开口说话”。文本转语音（Text-to-Speech, TTS）技术实现了将文本变为自然的语音播放出来。此外，近年兴起的音色转换（Voice C…

在上一部分中，我们概览了语音AI系统的整体架构。其中自动语音识别（ASR）和自然语言理解（NLU）是将语音“听懂”的关键环节。本篇将深入解析这两个模块的技术原理、常用模型和评价指标，并介绍一些开源和商…

语音人工智能（Voice AI）正迅速崛起，根据联合市场研究公司 (Allied Market Research) 的最新报告，2018 年全球语音识别行业价值为 63.9 亿美元，预计到 2026 …

AI老师讲课，听起来很远，其实已经落地 “将进酒，杯莫停——”孩子突然举起手：“老师，什么叫‘君不见黄河之水天上来’？” 讲诗的AI老师微微一顿，接着以平和又略带感叹的语调回答：“它在说，黄河水奔流不…

一、引言 什么是 VAD（语音活动检测）？ VAD（Voice Activity Detection） 是一种用于判别音频片段中是否存在人声的技术。它将连续音频切分为“有语音段”与“静音/噪声段”，广…