UCSF 团队在 Nature Neuroscience 发表研究，用单块皮层植入体同时解码语音与手势
加州大学旧金山分校（UCSF）团队在 Nature Neuroscience 发表研究，用一块植入感觉运动皮层上方的高密度电极阵列，把神经信号解码为文字和虚拟化身的手势动作。
推荐理由：原文给出 3 名受试者、语音与手势同时解码的准确率，读者可据此判断单块皮层植入体同时承载两类沟通信号的研究阶段。
技术与应用
语音解码 最新动态
从脑信号里还原想说的话：语音神经假体、实时文字与合成语音输出、中文解码。
8 条精选近 30 天 4 条共收录 17 条
更新
语音解码的精选
News of Bahrain精选AI 评分7676
公众号：神经新境精选AI 评分6767 Neuralink VOICE 试验参与者 Kenneth Shock 直播用意念语音答网友问
10 月 18 日，Neuralink VOICE 临床试验参与者 Kenneth Shock 通过植入的 N1 脑机接口系统，用意念实时回答网友提问，并以患病前原声合成语音输出。
推荐理由：文章记录了 VOICE 试验参与者用 N1 实时答问的过程，并交代了延迟、准确率等使用限制，可据此了解意念语音目前的实际状态。
公众号：脑机接口社区精选AI 评分7575 Precision Neuroscience 基于 70 名患者数据发布神经系统电生理图谱
Precision Neuroscience 基于前 70 名患者、87,342 个电极位点和超过 180 小时记录，构建了覆盖运动感觉皮层、语言区、听觉区及脑干脊髓的电生理图谱，相关论文已于 9 月 24 日发布在 bioRxiv 且尚未经同行评审。
推荐理由：原文把 Precision 的广度路线与 Neuralink 的深度路线并置，读者可据此理解两家公司数据资产结构的差异与各自约束。
DongA Science精选AI 评分6060 Neuralink 发布 VOICE 试验视频，展示 ALS 患者用脑信号合成语音
Neuralink 于 9 月 19 日发布语音恢复临床试验 VOICE 的视频，主角是第三位受试者、ALS 患者 Terry。研究团队设计的系统检测患者尝试说话时产生的神经信号并输出为语音，视频中 Terry 说出的句子被实时显示在屏幕上，并以合成语音播放。Terry 的妻子 Lori 称他重新找回了声音，Terry 也通过电脑向妻子说出“I love you”。
推荐理由：Neuralink 公布 VOICE 试验第三位受试者的视频，读者可从中看到语音解码在 ALS 患者日常沟通中的实际表现。
ClinicalTrials.gov精选AI 评分6565 BrainGate2 登记失语症皮层内脑机接口可行性研究
BrainGate2 登记一项可行性研究，面向失语症患者，评估皮层内神经接口系统的初步器械安全性，并验证患者通过尝试说话在电脑屏幕上生成文字和可听计算机语音的能力。
推荐理由：BrainGate2 把皮层内脑机接口的可行性研究扩展到失语症人群，关注的是用尝试说话生成文字与语音。
IEEE Spectrum精选AI 评分6161 Ability Neurotech 在德国启动光学脑机接口术中研究
总部位于日内瓦的 Ability Neurotech 已在德国启动术中研究，在脑肿瘤手术中以每次 20 至 30 分钟的短时程记录患者神经信号，后续阶段计划在最多 5 名清醒患者身上记录其执行言语和运动任务时的脑活动。
推荐理由：Ability Neurotech 的光学脑机接口已进入术中研究阶段，其 128 通道、50 Mb/s 的传输方案为长期 ECoG 记录提供了新路径。
Blackrock Neurotech精选AI 评分7373 Blackrock 讲述 ALS 患者 Casey Harrell 使用语音脑机接口近两年的经历
Blackrock Neurotech 发文介绍 ALS 患者 Casey Harrell 使用其电极阵列的经历：2023 年他参加 UC Davis 主导的临床试验，四枚微电极阵列植入控制语言的脑区，数周后恢复说话。近两年居家使用中，他通过系统说出近两百万词并保持全职工作，2026 年发表在 Nature Medicine 的随访研究报告准确率保持在 99% 以上。
推荐理由：Blackrock 以患者近两年居家使用记录，呈现语音脑机接口从试验走向日常生活的实际状态。
Blackrock Neurotech精选AI 评分6767 Blackrock 介绍端到端脑到文本接口 BIT：词错误率降至 10.22%
Blackrock Neurotech 介绍了一项预印本研究提出的端到端脑到文本框架 BIT，用单一可微神经网络把神经活动直接翻译成句子，词错误率从先前端到端方法的 24.69% 降至 10.22%。
推荐理由：BIT 把此前端到端方法的词错误率从 24.69% 降到 10.22%，并让尝试言语与想象言语的表征相互对齐。