แท็ก

#voice-agents

4 บทความ

Pipecat ปล่อย PhoneLLM Alpha 1 ใต้ BSD — ฟายน์จูน Nemotron 3 Nano 30B-A3B ดันคะแนน PhoneBench จาก 28.6% เป็น 72.3% เท่า GPT-5.6 Terra ที่ค่ารันถูกกว่า 14 เท่า
โมเดลใหม่

Pipecat ปล่อย PhoneLLM Alpha 1 ใต้ BSD — ฟายน์จูน Nemotron 3 Nano 30B-A3B ดันคะแนน PhoneBench จาก 28.6% เป็น 72.3% เท่า GPT-5.6 Terra ที่ค่ารันถูกกว่า 14 เท่า

27 ส.ค. 2026 ทีม Pipecat ของ Daily ปล่อย PhoneLLM Alpha 1 น้ำหนักเปิดใต้ BSD 2-Clause — ฟายน์จูนเต็มพารามิเตอร์จาก NVIDIA Nemotron 3 Nano 30B-A3B เฉพาะงานเอเจนต์รับสาย พร้อมเบนช์มาร์กของตัวเองชื่อ PhoneBench v1 ตัวเลขที่สำคัญที่สุดไม่ใช่ 72.3% แต่คือโมเดลฐานตัวเดียวกันได้แค่ 28.6%

· อ่าน 8 นาที
Google ADK เพิ่มการประเมินเอเจนต์เสียงแบบ live — ให้ LLM อีกตัวพูดใส่เอเจนต์ด้วยเสียงจริง แล้วให้คะแนนทั้งเส้นทางสนทนาด้วยเกณฑ์ที่เขียนเป็นภาษาคน
เครื่องมือนักพัฒนา

Google ADK เพิ่มการประเมินเอเจนต์เสียงแบบ live — ให้ LLM อีกตัวพูดใส่เอเจนต์ด้วยเสียงจริง แล้วให้คะแนนทั้งเส้นทางสนทนาด้วยเกณฑ์ที่เขียนเป็นภาษาคน

24 ส.ค. 2026 Google Developers Blog เปิดตัวการประเมินแบบ live ในตัวของ Agent Development Kit — ทดสอบเอเจนต์เสียงด้วยบทสนทนาเสียงที่สังเคราะห์ขึ้นจริง ไม่ใช่แค่ข้อความ พร้อมให้คะแนนคุณภาพเส้นทางสนทนาหลายเทิร์นด้วยเกณฑ์ที่เขียนเป็นภาษาธรรมชาติและตั้งเกณฑ์ผ่านได้เอง

· อ่าน 5 นาที
Cartesia ปล่อย Sonic-3.6 + Ink-2 — ขึ้นอันดับ 1 ทั้งสองกระดาน TTS ของ Artificial Analysis ด้วยสถาปัตยกรรม State Space Model
โมเดลใหม่

Cartesia ปล่อย Sonic-3.6 + Ink-2 — ขึ้นอันดับ 1 ทั้งสองกระดาน TTS ของ Artificial Analysis ด้วยสถาปัตยกรรม State Space Model

Cartesia เปิดตัว Sonic-3.6 (text-to-speech) คู่กับ Ink-2 (speech-to-text) เป็นชุด voice stack เดียว โดย Sonic-3.6 ขึ้นอันดับ 1 ทั้งกระดาน Provider Voice (Elo 1285) และ Controlled Voice (Elo 1122) ของ Artificial Analysis แซง ElevenLabs Eleven v3 — แต่ยังเป็น API แบบโฮสต์ ไม่มี open weights

· อ่าน 6 นาที
OpenAI ปล่อย GPT-Realtime-2 — voice model ใหม่ที่ใส่ "GPT-5-class reasoning" เข้าไป, แยกเป็น 3 modalities (reasoning / translate / whisper), context 128K, รองรับ 70 ภาษา แปล realtime, Zillow + Deutsche Telekom + Priceline + Vimeo เริ่ม deploy แล้ว
ผลิตภัณฑ์

OpenAI ปล่อย GPT-Realtime-2 — voice model ใหม่ที่ใส่ "GPT-5-class reasoning" เข้าไป, แยกเป็น 3 modalities (reasoning / translate / whisper), context 128K, รองรับ 70 ภาษา แปล realtime, Zillow + Deutsche Telekom + Priceline + Vimeo เริ่ม deploy แล้ว

7 พ.ค. — OpenAI เปิดตัว **voice model 3 ตัวพร้อมกัน** ใน Realtime API: **GPT-Realtime-2** (reasoning, GPT-5 class), **GPT-Realtime-Translate** (แปล 70 ภาษา), **GPT-Realtime-Whisper** (low-latency STT) — context window จาก 32K → **128K tokens**, รองรับ interruption + parallel tool calls — Big Bench Audio score สูงกว่ารุ่นก่อน 15.2%, Audio MultiChallenge สูงกว่า 13.8% — ราคา GPT-Realtime-2 $32/$64 ต่อ M tokens input/output, Translate $0.034/นาที, Whisper $0.017/นาที — Zillow + Deutsche Telekom + Priceline + Vimeo ขึ้นใช้แล้ว — เป็น direct response ต่อ Microsoft Copilot Studio voice agents (GA เม.ย.) และ xAI Grok Voice Think Fast 1

· อ่าน 5 นาที