跳到正文
#语音
8月13日周四
  2. 公众号：小红书技术75

    小红书开源连续自回归语音合成模型 dots.tts：打造可持续扩展的 TTS 基座

    小红书 dots 团队开源 20 亿参数全连续端到端自回归语音合成模型 dots.tts，在 Seed-TTS-Eval 三个子集上取得最佳平均内容准确度和平均说话人相似度。

    推荐理由：连续自回归跳过离散 Token 的信息损失，又用语义编码器回灌历史抑制累积误差，为音色克隆和低步数流式共用同一基座提供了路径。

  4. IT之家·人工智能46

    苹果拟向出版商支付最高数亿美元获取新闻内容，改进 AI 版 Siri

    苹果正与多家出版商洽谈多年期合作协议，获取新闻内容以支持 AI 驱动的 Siri 功能，该功能预计今年晚些时候推出。苹果提出按内容实际使用量付费的灵活方案，并讨论过一笔规模可能达数亿美元的预算。此前苹果曾试验 AI 生成新闻摘要，因生成错误标题引发担忧后已关闭该功能。

  6. TechCrunch：AI43

    Mesh 个人 CRM 应用登陆 Android

    Automattic 旗下个人 CRM 应用 Mesh 正式登陆 Android，支持分屏、弹出视图、键盘快捷键、主屏小组件及跨设备实时同步。其 AI 功能 Nexus AI 目前处于早期访问阶段，可帮助用户按公司、城市或专业领域检索人脉。Mesh 免费版支持最多 1,000 个联系人，个人数据不会用于广告定向。

8月12日周三
  1. Sundar Pichai58

    谷歌发布新一代 Pixel 11 系列，深度集成 Gemini Intelligence，并推出 Rambler 语音输入、Magic Capture 拍照及 HiLight 重要来电提醒等新功能。Pixel 11 与 Pixel Watch 5 均以 Gemini Intelligence 为核心，从辅助操作手机的 OS 升级为主动代劳的智能系统。

    引用Rick Osterloh@rosterloh

    The best of Gemini is right at the heart of the new Pixel 11 phones and the new Pixel Watch 5. We call it Gemini Intelligence. It’s no longer just an operating system that helps you use your phone, it’s an intelligence system that gets things done for you.

  3. IT之家·人工智能43

    苹果发布 watchOS 27、tvOS 27 第三个公测版

    苹果今天发布 watchOS 27 和 tvOS 27 第三个公测版，Apple TV 与 Apple Watch 用户可在秋季正式版前提前体验。watchOS 27 加入 Siri AI 功能，支持在手腕上使用 Siri，并新增独立 Siri 应用、Smart Stack 手势与智能建议；Workout Buddy 无需 iPhone 即可运行。

  4. Rohan Paul43

    Soniox 发布 TTS v2 文本转语音模型，以每小时 0.70 美元的价格提供高端音质，支持 60 多种语言、自然语言混合、低延迟流式传输和高保真语音克隆。该模型专为实时 AI 智能体设计，支持字符级时间戳和音频标签控制，便于打断与恢复。

    引用Soniox@soniox_ai

    Introducing Soniox TTS v2, our most powerful text-to-speech model yet. Soniox TTS v2 brings extraordinary voice quality, expressive control through audio tags, exceptional precision, high-fidelity voice cloning, more than 60 languages, natural language mixing, and low-latency streaming together in one model. Built from the ground up with a new model architecture, audio codec, and highly optimized inference engine, Soniox TTS v2 delivers frontier TTS at just $0.70 per generated hour. Available globally today as tts-rt-v2. Try it out: https://soniox.com/text-to-speech Turn the sound on and hear what’s possible. 🔊

8月11日周二
8月10日周一
  1. The Verge：AI53

    Bose CEO Lila Snyder 谈高品质音频之争：从产品公司转向多品牌与技术授权

    Bose CEO Lila Snyder 在 Decoder 访谈中详解公司转型：从单一品牌转向多品牌，收购 McIntosh Labs 和 Sonus faber 进入奢华音频领域，并新增 Audio Tech 技术授权业务，向 Motorola、Xreal、Sena 等公司输出 Bose 音频技术。她同时回应了 AI 可穿戴设备崛起对耳机市场的潜在冲击。

  2. IT之家·人工智能43

    福特海外推出新 AI 助手：可查油量与拖曳能力，明年上车

    福特与林肯车型正陆续获得一款 AI 助手，车主可通过手机应用询问燃油余量、保养需求及拖曳能力等车辆状态信息。该助手采用聊天机器人形式，能读取绑定车辆的实时遥测数据，并支持上传照片判断装载可行性。车载语音版本计划明年推出，功能分批开放，最终将覆盖 800 万名车主。

  3. MarkTechPost56

    字节跳动 Seed 团队发布 SeedRealtime：原生音视频全双工大模型，一个模型同时看、听、说

    字节跳动 Seed 团队推出 SeedRealtime，一款原生音视频全双工大模型，将音频、视频和文本统一在一个端到端架构中，并行处理感知、理解、决策与表达，并将轮次切换内化到模型内部，取代外部语音活动检测器。该模型已在豆包 App 中上线，但未发布技术报告、参数规模、开源权重或 API。字节内部人工评估显示，其节奏问题相比级联架构减半，但未提供基准分数或延迟数据。

  4. MarkTechPost75

    NVIDIA 发布 NemotronLabs VoiceChat 11B：开源全双工语音模型，支持约 450 毫秒轮换与实时工具调用

    NVIDIA 发布开源端到端全双工语音对话模型 NemotronLabs VoiceChat 11B，在统一网络中完成流式语音理解与生成，实测轮换延迟 448 毫秒。该模型为首个支持对话中工具调用的开源全双工模型，通过独立输出通道及预置“保持”话术避免 API 执行期间冷场。权重与容器已公开，但仅限研究用途，需单张 80 GB 显存 GPU，目前无托管 API。

    推荐理由：端到端语音模型消除级联延迟，而工具调用侧通道和保留消息设计在不中断对话的前提下补齐了API等待期，让实时语音智能体更容易工程化。

8月9日周日
  1. IT之家·人工智能72

    OpenAI 桌面端 ChatGPT 上线语音交互功能，可语音操控电脑执行多步骤任务

    OpenAI 更新 ChatGPT 桌面应用，新增对 ChatGPT Voice 的支持，用户可直接通过语音对话控制 AI 智能体并让其在电脑上执行任务。该功能基于全新语音模型系列 ChatGPT-Live，支持 ChatGPT Work 和 Codex，在 macOS 上还可借助 Appshots 访问屏幕内容。

    推荐理由：桌面端语音不再只是对话，演示中一条指令完成创建线程、提PR和定位Bug，语音开始成为开发者工作流中的可执行指令层。

8月8日周六
  1. Greg Brockman71

    ChatGPT 团队本周发布多项更新：付费用户将获得 GPT 5.6 Sol 模型，支持通过滑块调节推理深度；免费用户将获得 GPT 5.6 Luna 并享受无限文本消息。此外还改进了网页编辑器格式保留、Android 相机速度，并支持在语音体验中上传文件提问。

    引用Adam Fry@adamhfry

    本周的 ChatGPT 功能更新 - 8月7日： 1/ 网页编辑器中的富文本格式——当你粘贴邮件或文档时，我们的编辑器会保留格式；复制粘贴太常见了，我们早就该做这个了！ 2/ 为付费用户更新模型——GPT 5.6 Sol 在快速聊天和深度推理中更加一致。你现在会得到一个滑块，让你选择 ChatGPT 在回答中投入多少思考。移动端滑块上的触觉反馈（振动）很有趣！ 3/ 无限文本消息——免费用户将获得 GPT 5.6 Luna，并享有无限文本消息。让所有人都更智能。即将推出。 4/ 快速 Android 相机——我们在 Android 上让点击 ChatGPT 中的“相机”来拍摄新照片并提问变得快多了。 5/ 语音 x 文件——你现在可以在我们由 GPT-Live 驱动的新 ChatGPT 语音体验中上传文件并提问。 本周的团队演示非常棒。队列里有很多内容，接下来几个月会很精彩。在评论中告诉我们你期待什么！

    推荐理由：推理深度滑块把算力分配交给用户，对需要精细控制推理时长与成本的流程更有用，免费无限消息则解除了日常对话量限制。

  3. The Verge：AI46

    Fenix Flexin 不再否认用 AI 制作《Rubberz》

    洛杉矶说唱歌手 Fenix Flexin 回应 AI 制作争议，称“从未说过没用 AI”，并强调 AI 与录音过程无关。此前制作人 Medasin 指认 AI 工具 Treblo（原 Sonauto）参与制作，该公司发布的 AI 检测器也将其标记为 Treblo AI 生成。Fenix 上月接受 Hot 97 采访时曾明确表示歌曲“没有 AI”。

8月7日周五
  1. Suno65

    Voices 功能已在 Suno 移动应用 iOS 和 Android 版正式上线！📱✨ 现在你可以直接在手机上录制人声，并将其用于你的歌曲中。只需在创作界面点击“+ Voice”按钮，录制至少一分钟，然后让音乐流淌起来。（Pro 和 Premier 套餐可无限使用，免费套餐可体验有限版本！） 打开应用，录制你的声音，并在评论区告诉我们你的使用体验！

    推荐理由：移动端录制与生成流程打通，创作者用手机采集声音即可快速应用到曲目中，省去了跨工具处理音色的步骤。

  3. IT之家·人工智能46

    Suno 将为 AI 生成音乐添加隐水印，防止滥用现象发生

    Suno 将为平台内生成的 AI 音乐添加隐藏式水印和指纹识别技术，当歌曲被上传到其他平台时，用户可识别其是否由 Suno 生成。同时，Suno 将设置下载限制，以解决 AI 音乐在流媒体平台被反复上传的问题。此举正值索尼音乐、环球音乐和华纳音乐等巨头组成联盟，要求禁止 AI 垃圾歌曲进入全球音乐排行榜。

  4. 通义 QwenAudio：原创语音项目62

    QwenAudio Toolkits 发布公开预览，打造 Agent 驱动的本地音视频创作工作台

    QwenAudio Toolkits 是一款本地优先的桌面工作台，定位为对话式 Agent 驱动的音视频创作 IDE，首个公开预览支持 Apple Silicon、macOS 14.2 及以上版本。

    推荐理由：官方文档给出了能力清单、支持范围和隐私边界，读者可以据此评估这款本地音频 AI 工作台是否适合自己的创作流程。

  6. 公众号：面壁智能41

    独立开发者用VoxCPM克隆网红声音实现实时对话，获百万播放

    独立开发者叶小叔用面壁智能开源的VoxCPM声音克隆模型，成功让AI克隆网红声音并实现实时对话，视频在抖音获100万播放、X上5.9万人围观。此前他尝试本地开源模型（TTS合成需14-40秒）和云端Cartesia Pro（中文效果不佳）均失败，最终租用RunPod L4 GPU（$0.4/小时）部署VoxCPM，TTS首包延迟不到1秒，端到端体感2-3秒。

  7. 公众号：面壁智能65

    独立开发者用 VoxCPM 克隆网红声音，让 AI 终于“会聊天”了

    独立开发者叶小叔用面壁智能开源的 VoxCPM 克隆千万粉丝网红声音，搭建 STT → LLM → VoxCPM（TTS）三段式实时对话管道，TTS 首包延迟不到 1 秒，端到端体感 2 到 3 秒。

    推荐理由：案例的实践价值在于澄清了实时对话 TTS 环节的选择逻辑：中文原生支持与默认参数平衡往往优于盲目追求极致克隆，这一取舍对同类项目具直接参考。

  8. IT之家·人工智能46

    影石 GO Ultra 上线 AI 语音助手，分区域接入阿里千问和 Gemini

    影石 Insta360 今日为 GO Ultra 拇指相机上线 AI 语音助手，中国大陆接入阿里千问大模型，中国港澳台及海外使用 Google Gemini，翻译结果可通过机身扬声器播报。该助手以影石自研为核心，端侧完成声纹识别与意图判断，云端承担问答、模式切换等任务，集成面对面互译、拍图问答、语音问答三项能力，支持“Hey Kira”或长按拍摄键唤醒。

  9. IT之家·人工智能66

    阿里千问 App 推出定时任务、办公助理、语音通话等多项新功能，并支持 Qwen3.8-MAX

    千问 App 今日宣布功能上新，推出思考研究、定时任务、办公助理、语音通话、智能体广场等多项新功能，同时支持最新旗舰模型 Qwen3.8-MAX。其中办公助理可连接备忘录、日历、邮件等应用，并操作电脑和浏览器，调用各种 Skill 自主完成多步骤任务。千问还支持手机与 PC 跨端协同，语音通话 7x24 小时在线，智能体广场首批上线服务覆盖物流、房产、理财等十多个领域。

  10. Rohan Paul44

    彭博社报道，OpenAI 首款消费设备是一款冰球大小的无屏 AI 音箱，定价 300-400 美元，计划 2027 年发布。设备采用环形设计，内置电池、麦克风、摄像头及灯光运动部件，以灯光和动作作为交互界面，并通过摄像头感知周围视觉环境、随时间学习用户偏好。该音箱是 OpenAI 设备家族首款产品，最终目标是取代智能手机的硬件。

  12. TechCrunch：AI55

    OpenAI 新款 AI 智能音箱据报售价 300-400 美元

    OpenAI 与 Jony Ive 设计工作室 LoveFrom 合作开发的 AI 智能音箱据报将采用“甜甜圈”造型，由高品质金属制成并带有可动部件，预计售价 300-400 美元，高于亚马逊主流智能音箱的 40-240 美元区间。该设备被描述为 ChatGPT 的“物理化身”，计划于 2027 年发布。OpenAI 正因涉嫌窃取商业机密遭苹果起诉，公司已否认相关指控。

8月6日周四
  1. OpenBMB65

    面壁智能 OpenBMB 在 #BuildSmall 黑客松推出 AMNESIAC，一款反向图灵测试交互游戏：玩家需说服 AI 审讯官 A.M.N. 自己是人类。该游戏由 MiniCPM-o 4.5 驱动实时对话与推理，VoxCPM 生成审讯官语音，并结合摄像头面部表情、脉搏信号与响应计时进行多模态审讯。项目已开源至 HuggingFace。

    推荐理由：将摄像头面部信号、语音对话和LoRA角色塑形组合进一个可玩演示，为交互式AI角色提供了比常见聊天机器人更丰富的多模态模板。

  4. IT之家·人工智能52

    微软 VS Code 1.132 发布：内置浏览器引入元素级反馈、支持多语言语音输入

    微软发布 VS Code 1.132 版本，内置浏览器新增元素级反馈，用户可对特定网页元素发表评论并向 Agent 智能体提供精确反馈。终端语音输入改进，听写默认由设备端多语言 Nemotron 3.5 处理，并支持保留 shell 语法。更新还加入侧边聊天（/btw 触发）及混合 Markdown 编辑器的差异比较功能。

  5. The Decoder：AI News75

    Google 将于 2026 年 9 月起关闭 Google Assistant，Gemini 接管 Android 与 Wear OS

    Google 将从 2026 年 9 月 4 日起在 Android 和 Wear OS 上关闭 Google Assistant，由 Gemini 接管助手功能，涉及手机、平板、手表、耳机及 Android Auto 车辆。推送可能需数周完成，之后无法回退。Gemini 还将登陆 Google TV、Google Home 音箱和智能屏，但这一转变将考验其能否匹敌旧助手在简单指令上的可靠性。

  6. Rohan Paul61

    Wispr Flow 推出 Notetaker，通过 Mac 原生音频监听会议，无需以访客身份拨入，因此 Zoom、Google Meet、Teams、Discord 及线下对话均适用。工具结合日历、自定义词典和 Slack 等上下文提升转写准确率，会后可二次处理修正错误，并支持通过 MCP 将笔记推送至 Claude、ChatGPT 或自定义智能体，Granola 用户可一键导入历史记录。

    引用Tanay Kothari@tankots

    It's no secret how we feel about typing at Wispr Flow. The truth is, we hate messy meeting notes too. Introducing Notetaker 👇 https://wisprflow.ai/notetaker

8月5日周三