ORUK LABS
听“怎么说”的语音模型

Oruk 的官网把自己定位成训练语音基础模型的研究实验室，同时卖一套语音理解 API。官网结构化数据里的法人是 oruk, Inc.，品牌名是 oruk labs。公司页列出 12 个人：联合创始人兼 CEO Nathan Roll、联合创始人兼 CTO Vianney Grenez，两位研究科学家（Irene Yi、Büşra Marşan），四位语音数据专员和四位顾问，其中顾问 Calbert Graham 也是 Orukeet 论文的作者之一。注册州和注册号，本刊没有核到。

Roll 是 Stanford 的博士生，个人主页写 Roll 隶属语言学系和 Stanford NLP，并说自己创办了 oruk；a16z speedrun 的公司页写 Roll 暂停了语言学博士学业，创办 Oruk 之前办过 Strype Analytics，在 Nalu.ai 做过数据科学家。Grenez 的履历只见于同一页的自述：在 Arts et Métiers 和 UC Berkeley 学习，做过四年数据中心创新工程师，服务过 Meta、NVIDIA 和 Google，自称持有 14 项美国专利。

融资方面，官网、X 账号简介、Roll 的置顶帖和 a16z 页都写得到 a16z speedrun 的支持。a16z 页把 Oruk 列为 SR007（第七期）项目，写成立于 2026 年、7 名员工，并说它是第一家同时入选 a16z Alpha 与 speedrun 的公司；Frontrun 的名单记 SR007 的 demo day 是 2026-10-06。投资金额和其他投资人，本刊没有核到。

成立日官方没写。oruk.ai 域名注册于 2026-03-19（RDAP），X 账号 2026 年 4 月开通，GitHub 组织Oruk-AI建于 2026-07-02。Roll 的个人主页把 Gabormer 等项目列为 2025 年起的“进行中”，其中的 Gabor 滤波器思路后来出现在 Orukeet 里（见 §05），哪些工作算在公司成立之前，页面没有划分。公司另有一个非营利分支oruk organization，为濒危语言社区做语音识别、转写和学习工具。

模型目录列出的 API 有：Spectra-2（25 种语言转写，同一请求返回情绪和说话风格分数）、Resonance 1（英语文件，稳定版）、Resonance 2（预览，只给 31 个连续分数，新机构需另行批准）、Fourier、实时转写（32 个 locale，预览）和发音评分（预览），另有开放权重的 Orukeet。订阅价是 9 美元/月（250 分钟）、49 美元/月（2,500 分钟）和 199 美元/月（20,000 分钟），都有 7 天试用，企业版联系销售。

客户页只有三个例子：Reflect（引导式自我反思 App，9 月的客户案例，说 Oruk 给用户提供可选的感受词）、CandaceAI（试点合作，处于“探索”阶段）和 Edixir（土耳其语 AI 辅导，页面写的是拟议中的集成）。公司没有给出客户数量或收入。a16z 页称产品已部署给数十万用户，并说公司汇集了世界最大的语音感知数据集，这两句是公司自述，本刊没有找到独立来源。

首页和多篇对比页把 Hume AI 当作竞品；10 月 3 日的迁移页转述 Hume 的公告：EVI 与 TTS 的 API 将在 2026-11-13 停止服务，并提供迁移评估工具。

这是9 月 6 日的研究文，作者 Nathan Roll。材料是 MaleCNS v1.0，果蝇男性中枢神经系统连接组（FlyEM/Janelia、剑桥、MRC LMB 与 Google Research，CC BY）；Janelia 的项目页写 v1.0 在 2026-06-08 放出，对应的论文 2026-09-03 在 Cell 发表，也就是这篇研究文发在论文之后三天、用的是早已公开的数据。文章从中取出 499 个神经元（最大强连通分量，15,865 条连接，867,344 个突触接触），按接触数和神经递质决定连接的强度和正负号（文章写明这是建模假设），把声音每 10 毫秒切成 32 个频带送进去，冻结整个回路，只训练一层线性读出，去预测 31 个标签：15 种情绪和 16 种说话风格。这是储备池计算的做法，文章也引了前人用连接组做储备池的工作。

训练用 16,995 条录音，验证 2,239 条，测试 2,022 条，语料包括 CREMA-D 和 VCTK；多数录音只有一位听者给的标签，测试时标签被至少一半评分选中才算正例。完整的语音标注数据集和听者记录是私有的，公开的只有聚合后的交互数据和六条演示片段。

结果是：真实接线的 mAP 为 16.84%，打乱接线（保持每个神经元的出度、符号和权重值）为 16.88%，配对差 −0.04 个百分点，95% 区间 −0.16 到 +0.07；常数分数的基线是 9.71%。文章自己把话说到位：“no evidence that the fly's particular wiring is an advantage”，并称这只是一个水平一般的语音分类器。把读出权重最大的 50 个神经元静音，测试 mAP 从 16.91% 降到 10.83%，文章同时写明这不等于它们是情绪神经元，且与打乱对照不矛盾，因为换一个回路，读出层可以学会用别的特征。

文章列出的其他局限：只用了一个回路；读出层还直接拿到池化的音频特征，一部分预测不经过果蝇回路；实验不能说明活的果蝇是否理解人类情感。Roll 说想用许多不同的果蝇回路、同一句话的多种情绪说法重做。第三方只找到一篇：explainx.ai（9 月 9 日）把“打乱接线后一样好”当作真正的发现，同时指出这是公司博客而不是同行评议，只有一个回路、一个任务、一个数据集，创始人在 X 上带着调侃说比有些人类听得更准，公司却没有发布同一测试集上的人类听者基线。这个实验在 X 上传播得很广：Roll 的置顶帖（9 月 11 日）浏览量约 75.5 万。EP.102 的专题 05也讲过它。

同一支团队更早的主线是 Gabor 滤波器。7 月 9 日的研究文报告六个语音系统里的卷积滤波器反复收敛到 Gabor 形，这是信号理论预言的形状；9 月 9 日，Orukeet 把这个想法做成了模型（研究页、arXiv 预印本）。它以 NVIDIA 的 Parakeet TDT 0.6B v3 为底座，把 24,576 个时间滤波器中最像 Gabor 的一半（12,288 个）换成拟合后冻结的 Gabor 核，其余参数在多语言、多口音数据上继续训练，参数量仍是 6.27 亿，推理算子不变。

公司自述的结果：20,146 条 FLEURS 录音、25 种语言合计的错词率从 11.01% 降到 9.85%，25 种语言里 23 种更好；74 个测试切分里 61 个更好。LibriSpeech test-clean 从 1.53% 到 1.46%，test-other 从 3.14% 到 2.86%。表里也列出了变差的切分：FLEURS 希腊语从 21.07% 升到 30.81%，法语从 4.69% 升到 5.01%。论文摘要写明最终适配和检查点选择用的是 LibriSpeech test-other，比较对象只有它自己的底座 Parakeet。

权重放在 Hugging Face（本刊 10 月 30 日核对时下载 35,984 次）。GitHub 仓库Oruk-AI/orukeet标的许可是 MIT，Hugging Face 的模型元数据标的是 cc-by-sa-4.0，两处官方写法不同，本刊并列，没有核对 NVIDIA 底座的许可条款。OpenWhispr 的集成模型卡给出的差距小得多：640 条英语录音、十个语料，错词率 11.40% 对 11.93%，暖启动中位延迟 390 毫秒对 428 毫秒（M5 Max，160 条子集）。创始人在 X 上用很重的口气宣传这个模型，另一条帖子则写明 Parakeet 赢下了 74 个切分里的 13 个。本刊没有找到独立评测或复现。

10 月 26 日又发布了开放权重的 oruk-loop-153M：从 Qwen3-ASR-1.7B 蒸馏出的 1.53 亿参数英语识别器，编码器共用一个循环 24 次的块，解码器共用一个循环 28 次的块；在 Open ASR Leaderboard 的七个英语测试集上平均错词率 7.12%（beam 4）。模型卡写明数字来自公司自己的评测脚本，不是官方榜单提交，检查点也在这些测试集上挑选；许可是 Polyform Small Business/非商用，其他商用要向 Oruk 取得授权。

基准页是 Oruk 自家的语音情绪基准：64 个系统，开放模型用 64,384 条留出录音、约 20 种语言，闭源 API 和音频大模型用固定的 5,000 条抽样。Resonance 1 的七类准确率是 77.8%，最好的非 Oruk 开放模型 emotion2vec+ seed 是 68.7%。页面在同一屏写明，Oruk 的条目是在这批数据的分布内训练的，别人是零样本；另有一组 3,088 条留出所有模型的未见录音，Resonance 1 的准确率是 58.39%，比公开集低约 19 个百分点。

第三方的榜单只有一个：BeSimple 在 9 月 23 日发布的 VocalAffectBench（280 条英语录音）上，Resonance 2 以 49.3%（138/280）排第一，Gemini 3.8 Flash 是 45.7%；Oruk 的页面自己注明，这个版本用全部 280 条基准录音做过训练和挑选，成绩不是留出成绩。9 月 17 日的 CREMA-D 诊断是 546 条录音、91 位演员、同一句话、六种意图情绪，Resonance-2 主规则答对 337 条（61.7%），另有 170 条是弃权；同一批录音上上一代 Fourier 是 55.7%（Resonance-2 研究页）。页面同样注明训练重叠没有审计，并附了可离线回放的预测包。

首页还写着“由 Speko 独立评测”，并列出两项榜单（人声情绪 91%，合成语音 48%）；Speko 的页面本刊没有核到。

命名上有一处官方说法并列：GitHub 上 oruk-bench 的 README 称 77.6%（macro-F1 0.810）是已于 9 月 4 日从托管 API 下线的 Spectra 早期快照，并强调那不是 Resonance 的评测；网站基准页把 77.8%（0.816）写在 Resonance 1 名下。本刊以网站基准页为准，同时标出 README 的口径。

果蝇实验没有同行评议，完整训练数据私有；Orukeet、loop-153M 的错词率、Resonance 的各项准确率，都是公司自测或自己复算，只有 BeSimple 榜单是外部发布，而公司已说明那个成绩不是留出成绩。同一个模型在公开集 77.76%、在未见音频 58.39%，说明基准分数不能直接当作线上表现。Orukeet 在希腊语、法语、意大利语等切分上比底座差，宣传口径与表格并不总是同一个口气。

本刊没有核到的有：法人注册州和注册号、成立日、融资金额、客户数量和收入、“最大语音感知数据集”和“数十万用户”的来源、Speko 榜单、Orukeet 与 Resonance 的第三方留出评测、果蝇实验的完整数据是否会公开，以及 Orukeet 的 MIT 与 cc-by-sa-4.0 哪个有效。