Show HN：我构建了可收听任意页面的 Yedoo AI 电子书阅读器
Yedoo AI 电子书阅读器在 Show HN 亮相，支持收听任意页面，并可打开 PDF、EPUB、PPT、TXT、MOBI 等格式。它覆盖 Web、iPhone、iPad 和 Mac，用户能标记段落、向内容提问，并从上次阅读位置继续。
#语音
#语音
今日 0 条Hacker News · Show HNAI 评分3838 Hacker News · Show HNAI 评分4848 Daft Slop：识别 AI 生成音乐的 Shazam 类 iPhone 应用
Daft Slop 是一款类似 Shazam 的 iPhone 应用，可听歌识别曲目并判断其是否由机器生成，给出 Human、Unsure 或 AI 三种结论及 AI 概率。无需 Apple Music 订阅或账号，但仅能检测 Apple Music 曲库中的歌曲，且官方称 AI 检测只是估计而非保证。
TechCrunch · AIAI 评分5555 Yelp 推出 Check for Me，AI 语音代用户致电餐厅查询等位时间
Yelp 在应用内上线 Check for Me，用户在餐厅页面填写用餐人数和手机号后，AI 语音智能体会代其致电餐厅询问等位时间，再把结果短信发回。Yelp AI 助手同时接入 OpenTable，可在应用内直接订位，并支持记住此前对话中的偏好、查看近 30 天聊天记录和设置自定义提醒。
TechCrunch · AIAI 评分6060 Otter.ai 从 General Catalyst 旗下 Customer Value Fund 融资 3.2 亿美元
会议记录工具 Otter.ai 宣布从 General Catalyst 的 Customer Value Fund 获得 3.2 亿美元，该基金以不稀释股权的方式提供资金并获得营销支出回报分成。
Hacker News · Show HNAI 评分5454 FlexChords 上线：用自训练模型为任意 YouTube 歌曲生成吉他和弦
FlexChords 上线，可为任意 YouTube 视频或音频生成吉他和弦、调性和速度，并支持实时跟弹。作者称模型由其自己训练，在模型未见过的歌曲上按 MIREX 标准测得 92% 和弦准确率。页面列出多首流行与影视歌曲作为示例，并提供浏览全部歌曲的入口。对想跟着 YouTube 曲目弹奏的用户，它把手动扒和弦这一步省掉了。
arXiv cs.AI / cs.LG 最新AI 评分5252 AfriBED 发布面向低资源非洲语言的 ASR 偏差评测数据集
AfriBED 是面向 Bemba 和 Nyanja 两种低资源非洲语言的语音识别偏差评测数据集，用于检测 ASR 系统在性别和说话人类型上的偏差。Bemba 部分包含 80 位说话人的 3928 条语音共 9 小时，Nyanja 部分包含 127 位说话人的 6260 条语音约 18 小时。
Hacker News · Show HNAI 评分6262 NotchSub 开源上线，从 Mac 刘海下拉显示本地实时字幕与翻译
NotchSub 是一款免费开源的 macOS 应用，点开刘海面板即可对系统正在播放的音频实时显示字幕与翻译，识别和翻译都在本机跑。语音识别用 WhisperKit，翻译用 Apple Translation，支持 99 种口语语言、离线译成约 20 种语言，只抓系统音频而不用麦克风。
The DecoderAI 评分7373 可灵（Kling）发布 4.0 版本，新增立体声与十多种语言口型同步并推出 Flash 轻量版
Kling AI 发布视频生成模型 4.0，单次可生成长达 30 秒的视频，提示词理解扩展到 8,000 tokens。升级后的 Omni Reference 一次最多接受 15 个参考素材，包含 10 张图片、合计最长 30 秒的 5 段视频和 7 个元素，并新增双声道立体声与覆盖德语、英语、日语、韩语、西班牙语等十多种语言的口型同步。
Hacker News · Show HNAI 评分6161 Chitra Studio 发布 Mac 版 AI 媒体工作站，接入 60 多个模型
Chitra Studio 是一款 Mac 桌面应用，用 60 多个模型生成和管理图像、视频、配音、音乐与音效。它支持把同一提示词放到多个模型里并排对比、只在框选区域内改图、让静图生成动效，并把每次生成的提示词、模型和积分成本记在本地文件夹里。
Hacker News · Show HNAI 评分7070 Auricle 开源 350 KB 浏览器端 VAD，用 Rust 编译成 WebAssembly
Auricle 是一个 350 KB 的浏览器端语音活动检测库，用 Rust 写成并编译为 WebAssembly，把 VAD、轮次判断、打断和闪避打包在一起，并适配任意 OpenAI 兼容的语音识别、对话与 TTS 接口。
Hacker News · Show HNAI 评分5757 book2speech 上线有声书转换工具，可从 265 位旁白中选声朗读
作者在 Show HN 发布有声书转换工具 book2speech，导入无 DRM 的 EPUB、PDF 或文档后可选旁白生成音频，几秒内就能开始听。工具提供 42 种语言、265 位旁白，会保留章节结构、跳过前言部分，播放进度可从浏览器同步到 iPhone 应用继续。适合想把自有电子书转成有声书自己听的人。
Hacker News · Show HNAI 评分6161 CallSitter 开源 AI 接线机器人，拖住诈骗电话并转达真实来电留言
CallSitter 是一个开源来电接听 AI 智能体，号码转接到 Telnyx 后由 OpenAI gpt-live-1 接听，TypeSafe Jev 对通话分类并按 config/call-flow.yaml 的确定性流程处理，诈骗电话被拖着聊，推销电话礼貌拒绝，真实来电记录留言并通过 Telegram 摘要送达。
Hugging Face Blog精选AI 评分6262 TII 发布 1.6B 参数 Falcon-ASR 语音识别模型，主打阿联酋阿拉伯语方言
阿布扎比技术创新研究院（TII）发布 1.6B 参数的语音识别模型 Falcon-ASR，重点覆盖阿拉伯语及阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。
推荐理由：做阿拉伯语语音转写的团队可以用 Falcon-ASR 的词级时间戳处理会议和电话录音，并先在阿联酋方言素材上验证转写准确率。
Hugging Face Blog精选AI 评分6464 Hugging Face 上线 Open TTS Leaderboard，用客观指标评测多语言 TTS 与声音克隆
Hugging Face 上线 Open TTS Leaderboard，用 WER/CER、RTFx、TTFA 和说话人相似度等客观指标评测开源多语言 TTS 与声音克隆模型。
推荐理由：评估开源 TTS 选型的团队可以按目标语言和声音克隆需求在榜单筛出候选模型，再去 Listen 页试听对比。
Google DeepMind精选AI 评分8383 Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 语音模型
Google 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型。Flash 版支持用自然语言提示词从零设计角色音色，基于 30 秒样本复刻声音，提供 2000+ 音色库和 100 多种语言，并可逐句指定语气、节奏与双人对白。
推荐理由：播客与有声书团队可以先用 30 秒样本复刻音色，再按脚本逐句指定语气，试做多语言旁白。
Google DeepMind精选AI 评分7878 Google 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 实时语音模型
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型。
推荐理由：做语音客服的开发者可用 Gemini Live API 接入 3.8 Live，先小流量验证延迟和后台工具调用。
Hugging Face Blog精选AI 评分6464 Open ASR Leaderboard 新增印地语与印度英语评测集 Monsoon
Voice Arena 与 Hugging Face 在 Open ASR Leaderboard 上线 Monsoon 印地语与印度英语评测集，四个划分合计覆盖 4888 名说话人，每条音频记录 12 项说话人属性。
推荐理由：做印地语或印度英语语音识别的团队，可以先在 Monsoon 公开集上自测，再按地区、年龄和机型拆分 WER 以定位模型短板。
Google DeepMind精选AI 评分7575 Google 发布 Gemini 3.5 Transcribe 语音转写模型，流式 WER 4.0%
Google 发布语音转文字模型 Gemini 3.5 Transcribe，可直接把原始音频转成准确、带格式的书面文本，还能去掉口头语、处理自我更正并识别用户自定义词表。
推荐理由：开发者可以在 Gemini API 里用实时流式接口接语音客服或会议转写，先验证延迟和自定义词表效果。
Hugging Face Blog精选AI 评分6969 Hugging Face 用三项测试量化 11 个开源 ASR 模型的基准优化现象
Hugging Face 提出共识分歧探针、遮蔽实体检索和拼写切换三项测试，用于量化语音识别模型的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：做语音模型选型时，可先用 Open ASR Leaderboard 的 Benchmark fitting 标签查看候选模型是否复现参考文本错误。
Google Research精选AI 评分7575 Google Research 发布 AMIE (Video)，支持实时视频问诊并引导体格检查
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频问诊，可观察非语言线索、引导虚拟体格检查并同步推理诊断。
推荐理由：做医疗 AI 或远程问诊的团队可以借鉴它的三智能体异步分工，把实时对话与后台推理拆开再搭视频问诊原型。
Hugging Face Blog精选AI 评分6868 NVIDIA 开源 Magpie TTS 多语言模型扩展至 12 种语言
NVIDIA 在 Hugging Face 发布 Magpie TTS Multilingual 开源权重模型，364M 参数，覆盖 12 种语言，本次新增现代标准阿拉伯语、韩语和巴西葡萄牙语。
推荐理由：做多语言语音客服的团队可以拉取这套 364M 开源权重，在自有 GPU 上实测首字延迟，再用 NeMo 微调自家发音。
Google DeepMindAI 评分5353 Google DeepMind 在 Flow Music 上线音乐生成模型 Lyria 3.5
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并已在 Google Flow Music 上线。官方称新版在旋律结构上更丰富自然，歌词质量提升、对提示词的遵循度和结构意识更好，人声更有表现力和情感、发音也更准确。同时用户可以更方便地控制输出音频的速度与时长。适合在 Flow Music 里创作歌曲、并希望对生成结果有更细致控制的人。
Google DeepMind精选AI 评分7979 Google 发布 Gemini 3.5 Live Translate，支持 70 多种语言近实时语音互译
Google 发布音频模型 Gemini 3.5 Live Translate，可在 70 多种语言之间进行近实时语音到语音翻译，并保留说话人的语调、节奏和音高。
推荐理由：开发者可用 Gemini Live API 公开预览版接入实时会议或客服通话，先验证 70 多种语言的语音互译原型。