EN
◀ 返回收集
TechCrunch

Otter AI 一次新增 27 种语言,还将支持会议中途切换语言的自动转写

发布 2026-11-09 收集于 2026-11-10 16:00 AI 资讯 #ai#enterprise
全文

AI 会议记录工具 Otter.ai 周二宣布扩展多语言能力,其中包括一项新的多语言转写功能:在同一场会议里,发言人切换语言时它也能跟上。

公司还新增了 27 种语言支持,这是它迄今规模最大的一次语言扩展。全部上线后,Otter 将总共支持 31 种语言,让国际团队更容易使用这个平台。

这项即将推出的功能会自动检测语言变化并持续转写,用户无需调整设置。例如,一通电话可以从英语切到韩语再切到葡萄牙语,Otter 会全程跟上。

这次更新旨在解决全球化团队的一个常见难题:语言差异会让会议和协作变得更困难。

Otter 的一位发言人对 TechCrunch 表示:「Otter 正在打破语言壁垒,让任何公司无论身在何处,都能为语音 AI 沟通中的决策建立一套记录系统。」

新语言中有 13 种现已可用:普通话、韩语、德语、意大利语、粤语、葡萄牙语、俄语、印尼语、马来语、荷兰语、土耳其语、越南语和波兰语。

其余 14 种即将推出,包括瑞典语、丹麦语、芬兰语、阿拉伯语、印地语、泰语、希伯来语、挪威语、希腊语、马其顿语、波斯语、捷克语、匈牙利语和罗马尼亚语。

新增语言运行在 Otter 自研的语音模型上。公司告诉我们,这些模型用公开数据集训练,并请母语志愿者审阅转写结果、检查准确性。

此次发布正值 Otter 在获得 General Catalyst 3.2 亿美元融资后,继续从转写扩展到其他职场 AI 工具。

它最近推出了 Work Mode,利用会议历史和已连接的应用帮助用户为即将到来的通话做准备。例如,这个功能会调取以往客户对话中的信息、未完成的待办事项、同事类似通话的笔记以及最近的 Google Drive 文件。

另一项新功能是 Live Assist,它在会议中提供实时辅导:分析对话内容,并根据已经讨论过的内容和当下正在发生的情况给出相关建议。

原文信息
标题
Otter AI 一次新增 27 种语言,还将支持会议中途切换语言的自动转写
作者
Lauren Forristal
来源
TechCrunch
发布
2026-11-09
收集于
2026-11-10 16:00 · 2026-11-10-16-ai.json
链接
https://techcrunch.com/2026/11/09/otter-ai-can-now-follow-conversations-across-30-languages/
打开原文 ↗

转载,侵删。版权归原作者,如有侵权请来信,收到后删除。

同一批次的其他文章

16:00批次 · 2026-11-1012 篇
>

AI 的「信用卡」越来越贵:CoreWeave 2032 年债券收益率突破 16%,英伟达 CDS 一个月涨 76%

民主党在关键州赢得选举后,市场担心数据中心建设被暂停(高盛估计可能影响美国 45% 的规划容量),AI 债务压力上升;不过高盛仍预计明年超大规模云厂商发债 4,400 亿美元。对依赖新云算力的企业,这关系到供给和价格是否稳定(有中英全文)。

CNBC
>

谷歌 Logan Kilpatrick 在 Fable 5.2 发布几小时后只发了一个词「Gemini」,被普遍解读为新模型本周要来

这条只有一个词的帖子已有 26 万多次浏览、3400 多个赞,宝玉等人都在转发调侃;Gemini 4 Carbon 刚被 Fable 5.2 挤下榜首,谷歌大概率很快回应。

X · @OfficialLoganK
>

Zora:用「检索」代替草稿模型做 VLA 推测解码,机器人动作生成纯软件提速 3.4 倍、配专用硬件 7.6 倍

改进了什么:自回归 VLA 模型在机器人端侧算力上延迟太高。靠什么:利用机器人动作的规律,从历史动作里检索出草稿,不用额外训练草稿模型;再用运动学约束决定接受哪些动作,并让批量验证共享 KV 缓存。效果:在 LIBERO 上 4 个 VLA 模型精度基本不变。

arXiv 2611.11098
>

SoMem:让智能体用普通文档自己整理长期记忆,三个记忆基准都超过最强基线 2 到 3 个百分点

改进了什么:智能体记忆以往靠预设字段和固定规则组织,跟不上任务变化。靠什么:记忆存成互相链接的文档,由智能体自己决定总结什么、怎么归类、何时修订,每条总结都链回原始对话当证据;查询时智能体自己选读哪些文档。整理好的记忆还能跨模型复用,代码已开源,做企业知识助手可以参考。

arXiv 2611.11929
>

SpecMem:把用户用过的工具调用存成「活」的草稿库,智能体工具调用最多提速 1.74 倍

改进了什么:工具调用要逐 token 解码,延迟随调用增多而上升。靠什么:用推测解码,从每个用户过去验证过的调用里检索草稿,并在部署中持续写回、按 LRU 淘汰;对有副作用的不可逆调用先暂缓,等验证通过再执行。按用户隔离的存储还堵住了跨用户泄露的通道。

arXiv 2610.31840
>

Flide:给「决策型」小模型做的精确推理引擎,比 vLLM 和 SGLang 最快 9.5 倍

改进了什么:智能体里越来越多用小模型做分类式快速决策,现有生成型推理引擎要么重复算前缀、要么概率失真。靠什么:把一次请求的分支树压进单个扁平 token 流,用 ForkAttention 在注意力层和 Gated DeltaNet 层上精确分叉,保证每个分支和单独前向计算结果完…

arXiv 2610.42148
>

OneTrans-GSR:用一个自回归 Transformer 端到端生成推荐曝光列表,线上 GMV/u 提升 2.63%、延迟降 13%

改进了什么:电商推荐的重排和混排一直靠人工规则和小模型拼接。靠什么:把两个阶段合成一个解码器策略,训练时用奖励模型给整张列表打分做强化学习,解码时显式执行业务约束;离线实验显示算力越多列表质量越好,HF 当日 33 票。

arXiv 2611.04720
>

Sage-Taiyi:带「元认知」的科研智能体,在 AI 科学家选题基准上 54.0 分,超过 AI Scientist-v2 的 47.9

改进了什么:AI 科学家要决定下一步研究什么、怎么研究。靠什么:显式监控自己对证据、假设和未解问题的理解,再据此调整研究目标、挑选可复用的推理方法。效果:和专家合作做实验,把一个钴催化羰基化反应的产率从痕量提到 84%。

arXiv 2611.12762
>

SIRIS 基准:大模型能看出模拟器的误差会不会改变设计结论吗?13 个前沿模型都会出错

用 LLM 推理服务的设计题测试:模型能指出模拟器的局限,不代表能做对选择,最强的模型有时也会放弃本来正确的推荐;加一轮自我审查能纠正一些错误,但也会引入新错误。用智能体做系统研究和容量规划时值得警惕。

arXiv 2611.10329
>

金融单据识别不能只看字符错误率:一套按风险约束的评估和「选择性自动化」框架

主张把识别结果当成「能追溯到原图区域的金融事实」来评估,对金额、编号、正负号、期间这类关键字段设不可补偿的验收门槛,再把不确定的单据按风险和人工审核产能路由给人。纯方法论文章,没有新模型,但做票据和报表自动化的团队可以直接借鉴验收标准。

arXiv 2611.02775
>

ooosplat:一键把视频和图片变成 3D 高斯泼溅(Gaussian Splat)的本地桌面应用

2,425 星,今日新增 121 星,Rust 编写,许可证未确认。全部在本地运行,不用上传云端,适合做数字孪生、展厅和商品 3D 化的快速原型。

GitHub
>

英伟达Jim Fan: 大模型 会指挥,机器人为什么还需要自己的模型?

从英伟达机器人自主取样、上显微镜的实验讲起,解释为什么大模型只能做「指挥」,真正动手还需要专门的机器人动作模型。

公众号 · NE时代智能车