跳到正文
#语音
8月5日周三
  3. IT之家·人工智能70

    字节跳动发布音视频全双工大模型 SeedRealtime，已上线豆包 App

    字节跳动 Seed 今日推出原生音视频全双工大模型 SeedRealtime，用统一架构融合音频、视频与文本，支持“边看、边听、边说”的实时交互。端到端评测显示，相比级联模型，其音视频对话节奏问题减少一半。该模型已在豆包 App 全量上线，更新至最新版本后可在对话框选择“打电话”体验。

  4. 字节 Seed：Research Feed78

    字节 Seed 发布 SeedRealtime 音视频全双工大模型，走向全模态自然交互

    字节 Seed 发布 SeedRealtime，用统一架构原生融合音频、视频与文本，实现“边看、边听、边说”的实时交互。相比级联模型，其音视频对话节奏问题减少一半，并已在豆包 App 全量上线，率先实现音视频全双工技术的规模化落地。

    推荐理由：SeedRealtime 将音视频感知与表达统一到同一端到端模型中，级联系统常见的说话节奏问题减少了一半，实时场景中能主动提醒并自然停顿，为全模态智能助手交互提供了新的技术路线。

  6. IT之家·人工智能46

    通用汽车正开发自研车载 AI 智能助手，整合实时遥测数据

    通用汽车正开发一款全新车载 AI 智能助手，能力将超过已引入旗下车型的 Gemini AI。该助手结合对话式 AI、车辆知识及 OnStar 智能服务，能调用汽车传感器实时遥测数据，比 Gemini 更了解车辆状态、驾驶环境与用户需求。目前尚未公布具体发布时间，完成后仍需在完整车型阵容中测试以确保稳定性和安全性。

  7. TechCrunch：AI53

    Wrinkles：一款用AI语音导览揭示身边地点隐藏故事的App

    Wrinkles是一款基于位置的AI语音导览应用，已在iOS和Android上线，可自动为用户讲述身边建筑、街道的隐藏历史与本地故事。该应用在全球177个国家建立了130万个兴趣点，并允许历史学家、博物馆、创作者和品牌添加内容。Wrinkles由David Stemler和Ryan Hansan联合创立，目前对用户免费，收入主要来自博物馆、旅游局等合作方。

  8. LangChain：Blog64

    如何用 LangSmith 评估语音智能体

    LangChain 官方博客介绍如何用 LangSmith 评估语音智能体，覆盖执行、结果与来电者体验三个层面。评估手段包括 LangSmith traces、代码评估器、LLM judges 和人工审查，帮助开发者系统化验证语音智能体的实际表现。

8月4日周二
  1. Tencent Hy54

    AI 终于能真正听懂你了。👂 Hy ASR 3.0 预览版今日上线。 由 Hy3 语言大脑驱动 → 精准语音识别 + 深度语义理解 优势领域：• 通用识别 • 上下文感知 • 多场景鲁棒性 • 方言覆盖 嘈杂的真实世界音频？输出干净、连贯的转录文本，精准捕捉你的意图。 公开 + 内部评测：领先水平。多语言 WER ≈ 3%。 语音体验迎来升级。🔥 #HyASR #TencentAI #Hy3

  2. 公众号：腾讯混元65

    腾讯混元发布 Hy ASR 3.0 preview：真正懂上下文的语音识别

    腾讯混元发布新一代语音识别模型 Hy ASR 3.0 preview，基于大语言模型 Hy3 与 MoE 架构，融合高精度识别与语义理解。其在开源评测集中中文普通话 WER 3.34%、英语 WER 2.62%、粤语 WER 3.12%，并支持上下文纠错、热词注入及高噪耳语等场景。该模型已上线腾讯云 API，元宝 App 首发并免费开放。

    推荐理由：将 LLM 语义理解融入语音识别，上下文纠错和热词注入降低了专业场景的接入成本，元宝已集成可体验。

  3. Rohan Paul46

    OpenAI 详解 GPT-Live 实时语音架构，支持边听边说，无需独立轮次检测。深度推理与工具调用并行运行，对话不中断；音频传输与应用逻辑分离，慢工具调用不冻结对话。媒体前端与推理逻辑改用 Go 重写，p95 帧交付达旧系统 p50 水平；会话启动用 WARP 将 WebRTC 设置从六次网络往返降至一次。

    引用OpenAI@OpenAI

    GPT-Live 可以边说边听。 为了让这在 ChatGPT 规模下显得自然，我们从头重建了从客户端到模型的语音技术栈。 这一新架构让音频持续流动，因此更深入的推理和工具调用不会打断对话。

  4. IT之家·人工智能50

    微软测试首款自研全双工 AI 语音模型 MAI Realtime：支持 16 种语言、2 种语音

    微软正测试其首款原生实时语音模型 MAI Realtime，采用双向全双工交互，可同步聆听和回应，无需严格轮次交替。该模型支持中文等 16 种语言，测试提供 Victoria 和 Grant 两种语音风格，用户可指定语言或启用自动检测。目前已在 MAI Playground 平台邀请部分合作伙伴测试，上线 Microsoft Foundry 及 Copilot 语音功能的时间尚不清楚。

  5. Greg Brockman66

    GPT-Live 是一种用于实时音频的新架构和栈： GPT-Live 可以在说话的同时聆听。 为了让这种体验在 ChatGPT 规模下显得自然，我们从客户端到模型重建了语音栈。 这一新架构让音频持续流动，因此更深入的推理和工具使用不会打断对话。

    引用OpenAI@OpenAI

    GPT-Live 可以边说边听。 为了让这在 ChatGPT 规模下显得自然，我们从头重建了从客户端到模型的语音技术栈。 这一新架构让音频持续流动，因此更深入的推理和工具调用不会打断对话。

    推荐理由：在 GPT-Live 架构下推理与工具调用期间音频流不间断，语音交互的等待感和打断感被显著消除，适用于需要持续对话的陪伴和协作场景。

  8. TechCrunch：AI69

    Siri AI 上线，但为何令人感觉平淡？

    Siri AI 已随 7 月发布的 iOS 27 消费者测试版上线，能理解个人上下文、调用世界知识回答问题，并支持自然对话、打字输入及独立应用。该功能由 Apple 与 Google 合作，利用 Gemini AI 模型训练自有 Apple Foundation Models，可在 Apple Silicon 和 Private Cloud Compute 上运行。

8月3日周一
  1. IT之家·人工智能51

    讯飞 AI 眼镜体验：翻译成熟完善，AI 助理近在眼前

    科大讯飞发布首款AI眼镜，主打翻译场景，支持旁听同传、面对面翻译等四大模式，覆盖122种语言，依托5+1麦克风阵列可清晰捕捉8-10米内声音，翻译延迟约1秒。眼镜重40g，搭载1200万像素摄像头，支持视觉翻译，并可调用桌面助手Loomy完成总结、存档等任务。售价4299元，续航可支撑一个白天高强度使用。

  2. IT之家·人工智能50

    京东外卖推出 AI 智能头盔：搭载 AI 语音助手，内置“单王路线”

    京东外卖今日官宣推出 AI 智能头盔，首批将免费发放给全职骑手，后续逐步向全体骑手开放。头盔搭载 AI 语音助手，支持语音接单、拨打电话，内置“单王路线”提供导航提醒，并具备“商户环境核验”功能，可自动解析订单备注并在送达前主动提醒骑手。

  3. Manus：Blog44

    Manus 上线 ElevenLabs 连接器：一次对话生成语音、转录音频并构建音频应用

    ElevenLabs 连接器已在 Manus 上线，用户通过对话即可生成语音、转录录音、克隆声音并构建音频应用，无需编写代码或管理 API 密钥。该连接器需绑定有效的 ElevenLabs 账户，音频生成与转录均通过 ElevenLabs API 在用户自有账户环境中完成，账单和使用记录仍由 ElevenLabs 管理。可用功能取决于用户的 ElevenLabs 套餐和积分余额。

8月2日周日
  1. IT之家·人工智能48

    OpenAI CEO 奥尔特曼提出用 AI 打造亲子晨间播客，遭网友批评

    OpenAI CEO 萨姆·奥尔特曼分享用 ChatGPT 关联家人日历、生成亲子晨间播客的“酷炫用法”，遭网友广泛批评。《怪诞小镇》创作者亚历克斯·赫希回复“你为什么不直接和自己的孩子聊天呢”，获赞约为原帖的 10 倍。OpenAI 总裁格雷格·布罗克曼也部分认同，称员工不喜欢 ChatGPT 提出请求，但愿意帮助同事。

8月1日周六
  1. IT之家·人工智能50

    环球、索尼、华纳等唱片公司提议将低质 AI 音乐从排行榜中剔除

    环球音乐集团、索尼音乐、华纳音乐集团等多家唱片公司提议将低质量的 AI 生成音乐从国际排行榜中剔除。新提议要求歌曲必须满足“实质上由人类创作”等标准，否则禁止进入排行榜；AI 仅起辅助作用的歌曲仍可打榜，但须符合 AI 服务条款且训练数据拥有合法使用权。国际唱片业协会 IFPI 已表态支持，但尚无排行榜机构立即采纳。

7月31日周五
  3. IT之家·人工智能47

    消息称阿里千问模型已在特斯拉车机内测，能听能答、能控车、能导航

    据《科创板日报》援引知情人士消息，阿里千问模型已进入特斯拉中国车机深度测试阶段，上车在即。千问已在真实车机环境完成大量测试，未来能力可能远超单一“语音助手”定义，至少具备复杂语义与多任务路径规划、打通“点单—履约—支付”办事闭环、端云协同覆盖全场景三层能力。截至发稿，阿里云和特斯拉中国均未回应。

  5. 公众号：昆仑万维48

    Skywork Note 上线一周售罄，昆仑万维将推 Recall 与 TriRing 全套智能硬件家族

    Skywork Note 上线七天，首批海外库存全部售罄。昆仑万维宣布加速推进整套智能硬件家族，包括录音背夹、AI 挂件 Recall（17.4 克，内置 VAD 语音检测）与 AI 戒指 TriRing（4 至 6 克，行业首个双麦克风降噪算法，可监测心率、HRV、血氧和睡眠）。Note 升级版 Skywork Mate 即将发售，支持 8 米拾音与 6nm AI 音频芯片。

  7. IT之家·人工智能63

    苹果库克最后一次以CEO身份主持财报电话会议，公布2026财年Q3营收

    苹果CEO蒂姆·库克最后一次主持财报电话会议，公布2026财年第三财季营收1094亿美元，同比增长16%。iPhone营收543亿美元（增22%），Mac营收104亿美元（增29%），服务业务营收307亿美元（增12%）。库克宣布未来会议由约翰·特努斯主持，并透露与博通达成超300亿美元定制芯片协议。

  9. IT之家·人工智能42

    印度 AI 企业 Sarvam AI 将开发万亿参数级模型

    印度人工智能企业 Sarvam AI 宣布将开发参数达万亿量级（T 级）的 AI 模型，预计未来六个月内完成，可在编程、网络安全、科学研究等领域与领先模型竞争。该公司现有 105B 模型表现出色，语音模型提供显著优于全球竞争者的性价比。Sarvam AI 还公布了 Bulbul V4 文本转语音模型和 Saaras V4 Multi-speaker 语音识别模型。

  11. Google Gemini57

    Gemini macOS 应用推出全局语音功能，用户可在任意活跃窗口中通过语音输入、编辑和总结内容，或让 Gemini 分析本地文件、生成视觉内容。该功能已面向全球英文用户逐步推送，更多语言支持即将到来。

    引用Google Gemini@GeminiApp

    Typing is great, but speaking is faster. Bring Gemini directly into your desktop workflow to seamlessly reformat text between apps using just your voice. Watch it pull raw details from a plain document and transform them into a festive, emoji-filled email invite exactly where you need it.

7月30日周四
  3. Rohan Paul47

    Fish Audio 完成 5200 万美元种子轮融资，并推出 S2.1 Pro 语音模型。该模型可从 5 秒音频克隆声音，速度比 Cartesia 快 2 倍，成本仅为 Eleven Labs 的 1/6，响应延迟约 90ms。它支持 83+ 种语言和 15000+ 自然语言控制指令，允许开发者通过 [whisper]、[laugh] 等提示词实现单词级情感与语调控制。

    引用Fish Audio@FishAudio

    Today we’ve raised $52M Seed and we are announcing the public launch of S2.1 Pro. >It can clone a voice from 5 seconds of audio >2x faster than Cartesia & 1/6th the cost of Eleven Labs >most expressive model with word level control over emotion, intonation, pacing etc We support frontier AI companies including HeyGen, LiveKit, Retell, Sanas, and OpenArt all run our model in production. If you're a business and we can't cut your voice AI costs by 50%, we'll give you 1 year of Fish Audio for free. Book a demo: https://s.fish.audio/tmapke To celebrate our first birthday, we'll give you 1 month of S2.1 Pro for free. Like, retweet, and comment “Fish” to get it.

  5. Elon Musk57

    xAI 发布 Grok Voice Think Fast 2.0，其 High 推理版本在 Artificial Analysis 语音到语音指数中以 82.9% 位列第二，并在 Tau Voice 智能体性能测试中以 56.5% 排名第一。该模型平均首段音频响应时间仅 0.70 秒，是前五名中唯一低于 1 秒的模型，定价为每小时输入音频 $4.80。

    引用Artificial Analysis@ArtificialAnlys

    SpaceXAI has released Grok Voice Think Fast 2.0 today, with the High reasoning variant debuting at #2 on the Artificial Analysis Speech to Speech Index at 82.9%, and #1 on Tau Voice for Agentic Performance at 56.5% - among the fastest models at 0.70s Time to First Audio Grok Voice Think Fast 2.0 is SpaceXAI's successor to Grok Voice Think Fast 1.0 (75.7% on the Speech to Speech Index). It is the only model in the Index's top five with an average Time to First Audio under 1 second, achieving 0.70 seconds vs. 1.14 seconds for the next fastest, GPT-Realtime-2 High. Key takeaways: ➤ Speech to Speech Index: Grok Voice Think Fast 2.0 High debuts at #2 at 82.9%, only behind Qwen Audio 3.0 Realtime Plus (84.1%) and ahead of GPT-Realtime-2.1 High (79.1%) and GPT-Realtime-2 High (77.2%). This is up 7.3 percentage points from Grok Voice Think Fast 1.0 (75.7%) ➤ Speech to Speech Index by Benchmark: On Tau Voice, Grok Voice Think Fast 2.0 High is the new leader at 56.5%, just ahead of Qwen Audio 3.0 Realtime Plus at 54.6% and its predecessor Grok Voice Think Fast 1.0 at 52.1%. On Big Bench Audio, it achieves 97.2%, behind leader Qwen Audio 3.0 Realtime Plus at 99.2%. On our Full Duplex Bench subset, it scores 95.1%, up from 77.8% for Grok Voice Think Fast 1.0, the largest driver of its index gain, behind Qwen Audio 3.0 Realtime Plus at 98.4% ➤ Speed: The model’s average Time to First Audio on Big Bench Audio is 0.70 seconds, faster than GPT-Realtime-2 High (1.14s), GPT-Realtime-2.1 High (1.21s), and Grok Voice Think Fast 1.0 (1.25s), and well ahead of Qwen Audio 3.0 Realtime Plus (4.02s) ➤ Price: Grok Voice Think Fast 2.0 is priced at $4.80 per hour of input audio, up from $3.00 for Grok Voice Think Fast 1.0 and more expensive than Qwen Audio 3.0 Realtime Plus ($4.42) and GPT-Realtime-2 High ($4.14), but ~2.2x cheaper than GPT-Realtime-2.1 High ($10.75) Congratulations @SpaceXAI @elonmusk! See below for more detail ⬇️