跳到正文
#语音
7月24日周五
  1. OpenAI79

    ChatGPT 语音功能现已登陆桌面应用。 只需使用语音，即可控制你的电脑，并指挥在 ChatGPT Work 或 Codex 中运行的多个智能体。 该功能由 GPT-Live 驱动，因此它能够同时在该应用中说话、聆听并协调工作。 今日起，面向 macOS 和 Windows 平台的 Plus、Pro、Business、Edu 及 Enterprise 计划用户全球推送。

    推荐理由：ChatGPT 的语音助手正式上岸桌面，关键是能同时指挥多个代理干活，一边写代码一边查资料，全程动嘴就行。对重度用户来说，这可能比任何新模型都更直接影响工作流。

7月23日周四
  4. Qwen79

    阿里通义千问推出最新文本转语音模型Qwen-Audio-3.0-TTS，提供Flash（实时交互）和Plus（高质量生成）两个版本。新功能包括细粒度内联标签控制（如[whisper]、[angry]）、自然语言风格控制、支持16种语言，以及一次生成长达3分钟的长文本。该模型目前在Artificial Analysis TTS排行榜上排名第一。

    推荐理由：TTS 模型终于学会控制情感和语调了，Qwen 这次把自然语言提示和细粒度标签一起放进去，做语音助手的可以直接从‘能说话’跳进‘有性格’。

  7. Rohan Paul41

    第三方机构 Agora Media Lab 实测了 OpenAI 未公布的 GPT-Live 端到端延迟。结果显示，其最大提升来自响应一致性：延迟标准差从 489ms 降至 104ms，而中位数响应仅改善 205ms。更低的延迟标准差意味着每次回复的启动时间更可预测，而非偶尔让用户长时间等待。

    引用Agora@AgoraIO

    @OpenAI didn’t publish GPT-Live's end-to-end latency. So Agora Media Lab measured it on an iPhone – with repeatable speech, dual-track waveform recordings, and controlled network impairment. https://www.agora.io/en/blog/openai-didnt-publish-gpt-lives-latency-so-we-measured-it/ #RealTimeAI #VoiceAI

  8. Rohan Paul40

    Genspark 发布首款硬件 SecondBrain Note，一款 2.95mm 厚、26g 重的铝制卡片式录音机，可独立录制 35 小时音频并拾取 5 米内人声。录音自动上传至 SecondBrain 进行转录和摘要，将对话转化为可搜索的会议记忆。产品售价 $179（首发 10% 折扣），已通过 SOC 2 Type II 和 ISO 27001 认证。

    引用Genspark@genspark_ai

    🚀 Your second brain. In a card. Meet SecondBrain Note, our first hardware. A card-thin AI voice recorder. Press once, and every meeting turns itself into notes, saved straight into your SecondBrain. You just listen. Always with you — just 2.95 mm thin and 26 g light, it slips into your card holder and onto your phone. Never miss a word — it picks up voices from over 5 meters away and records up to 35 hours. Your conversations stay yours — enterprise-grade security, certified SOC 2 Type II and ISO 27001. Get yours at launch, $179 (10% off) → https://shop.genspark.ai/

7月22日周三
  2. IT之家·人工智能51

    特斯拉 2026 年夏季软件更新：Grok 拓展车控能力、导航记忆偏好路线等

    特斯拉公布 2026 年夏季软件更新（版本号 2026.26），Grok 新增拨打电话、搜索播放音乐、调节空调及打开手套箱等车辆控制功能，并将在整个欧洲上线。导航系统新增记忆用户常用路线功能，优先参考历史驾驶路线进行规划。此外，更新还包括通过特斯拉 App 上传自定义车身贴膜、设置到达目的地剩余电量、后排屏幕锁定、FSD 可视化自定义缩放及浏览器调用摄像头和麦克风等多项升级。

  3. OpenRouter：Announcements72

    OpenRouter 新增音频转写 API，支持 Whisper 与 token 计价 STT 模型

    OpenRouter 推出 POST /api/v1/audio/transcriptions 端点，用户可使用同一 API key 将 base64 编码音频发送至该端点，返回 JSON 格式文本与用量对象。

    推荐理由：OpenRouter 把语音转录集成进 API，一份 key 搞定聊天和转写，对已经在用的团队省心不少，这篇教程直接可跑。

  4. IT之家·人工智能40

    微软 Copilot 应用下月移除深度研究和播客 AI 智能体，生命周期约 16 个月

    微软计划于 8 月 18 日在消费级 Copilot 应用中移除深度研究（Deep Research）和播客（Podcasts）两个智能体，生命周期约 16 个月。深度研究的部分功能已整合到 Researcher 智能体，用户可在聊天历史中访问此前报告；播客智能体移除后，用户无法访问或导出已生成的 AI 播客内容，此前分享的链接也将失效。

  5. Andrej Karpathy78

    Andrej Karpathy分享了一种与LLM协作的有效模式：开启语音输入，进行10分钟左右的自由漫谈，即使内容混乱、意识流式也无妨。他发现LLM擅长从长篇不连贯的语音中重构意图，回应的内容往往比用户最初的思路更清晰，从而减少后续修正次数、提升人机对齐效率。

    推荐理由：Karpathy 这条语音输入 ramble 技巧，比精心写 prompt 更符合人性，读完后你也会想试试。

7月21日周二
7月20日周一
  1. IT之家·人工智能68

    阿里千问发布语音合成大模型 Qwen-Audio-3.0-TTS

    阿里千问发布语音合成大模型 Qwen-Audio-3.0-TTS，包含首包延时300ms级别的Flash版本和面向高质量生成的Plus版本，后者在Artificial Analysis榜单夺冠。新模型支持文本嵌入[gasp]等标签调控语气，音频输出提升至48KHz，覆盖16种语言及20种方言，现已全面开放。

  2. 公众号：通义实验室70

    通义实验室发布 Qwen-Audio-3.0-TTS 实时语音合成模型

    通义实验室发布 Qwen-Audio-3.0-TTS，含 Flash（首包延迟约300ms）和 Plus 两个版本。Plus 版本在 Artificial Analysis 榜单夺冠，支持16种语言和20种中文方言，平均 WER/CER 低至3.87（Flash），说话人相似度最高达82.75（Plus）。

    同一件事，精选收录的是《通义千问发布Qwen-Audio-3.0-TTS，登顶TTS排行榜》

  3. 公众号：通义实验室75

    Qwen-Audio-3.0-TTS 发布：从“能说话”到“会表达”

    通义实验室发布 Qwen-Audio-3.0-TTS 实时语音合成模型，含 Flash 与 Plus 两个版本，首包延迟约 300ms。模型支持 16 种语言和 20 种方言，Plus 版在 Artificial Analysis 榜单夺冠，平均说话人相似度达 82.75。新增 Free-style 自然语言指令、细粒度标签控制及嘈杂环境鲁棒性，音频输出提升至 48K，单次合成最长 3 分钟。

    同一件事，精选收录的是《通义千问发布Qwen-Audio-3.0-TTS，登顶TTS排行榜》

  4. IT之家·人工智能58

    字节跳动发布 Seed Audio 1.0 音频创作模型：支持精细时间控制与多语种生成

    字节跳动 Seed 官方今日发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，支持按时间线精准控制声音进场。该模型支持 20+ 语种音频生成，在文本生成音色能力的 AB 主观评测中表现出显著优势，多数场景音频可用率达 90% 以上。目前 Seed Audio 1.0 已在火山方舟体验中心上线。

  5. 字节 Seed：Research Feed79

    字节跳动发布 Seed Audio 1.0 音频创作模型，统一建模人声与音效实现端到端影视级音频生成

    字节跳动 Seed 团队发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，支持 100ms 间隔精度的时间控制、单次约 2 分钟音频的延展生成及 20+ 语种自然生成。该模型已在火山方舟体验中心上线，多数场景音频可用率达 90% 以上，多语言音频自然度 MOS 超 4 分。

    推荐理由：字节这次发布的 Seed Audio 1.0 不是又一个 TTS 模型，它把台词、音效、氛围统一编排，并支持百毫秒级时间线控制，对做视频和出海内容的团队是个立刻能用的创作升级。

7月18日周六
  1. IT之家·人工智能51

    京东发布 JoyAI-Talker 实时语音交互模型与 JoyAI-Video-Edit 视频编辑模型

    京东在 WAIC 2026 上推出 JoyAI-Talker 实时语音交互模型与 JoyAI-Video-Edit 实时视频编辑模型。JoyAI-Talker 具备低延迟对话、情绪理解、工具调用和记忆能力，支持声纹识别用户身份；JoyAI-Video-Edit 支持自定义画面和边预览边修改，用户可用自然语言增删物体、替换人物、重构场景。京东还开源了行业最大人类视角数据集 EgoLive。

  2. IT之家·人工智能43

    社交平台 Soul 推出 AI 智能硬件 B Soul，搭载多模态大模型 SoulX

    社交平台 Soul 在 2026 世界人工智能大会上推出 AI 硬件“B Soul”，将多模态交互大模型 SoulX 的语音交互与情感表达能力融入可随身携带的终端，实现随时唤醒、自然交流和持续陪伴。配套 App 与小程序负责关系养成与记忆沉淀，硬件设备则让 AI 陪伴可携带、可触发、可回应。B Soul 预计今年 8 月逐步量产销售。

  3. IT之家·人工智能52

    网易有道 OpenPods 亮相 WAIC：国内首款苹果 MFi 认证开放式 AI 耳机，耳机盒可独立录音翻译

    网易有道在 WAIC 展出国内首款苹果 MFi 认证开放式 AI 耳机 OpenPods，支持十余种语种实时互译与同传，录音转写准确率达 98%，可自动生成结构化纪要与思维导图。耳机盒内置麦克风与扬声器，可独立完成面对面双语对话，无需连接手机。产品单耳重 7.0 克，配合耳机舱续航 24 小时，已量产，预计今年 8 月发布。

  4. TechCrunch：AI53

    风投用Zoom改名抗议AI笔记应用泛滥

    风险投资人Jeremy Levine将Zoom昵称改为“我不同意转录或录音”，以抗议AI笔记应用日益泛滥。另一位投资人Eric Bahn表示，现在与创始人开会时默认对方会录音。Levine称这一趋势是“社会不可接受的行为”，会扼杀自发性对话。

7月17日周五
  1. IT之家·人工智能50

    阿里千问 AI 眼镜将升级为智能体眼镜，联合 Bose 打造首款 AI 智能体耳机

    千问在 2026 世界人工智能大会首日宣布，其 AI 眼镜将升级为智能体眼镜，并联合 Bose 推出首款 AI 智能体耳机。升级后的眼镜支持全双工语音、眼动追踪、体征监测（心率、血氧、HRV）等新技术，可调用第三方 Skill 和 Agent。上述硬件技术年内将应用于千问 AI 智能体眼镜，已发售的 S1、G1 也将通过 OTA 引入 Agent 能力。

  2. IT之家·人工智能63

    阿里千问输入法移动版上线：无广告无弹窗无需注册，支持 AI 自动润色

    阿里旗下千问输入法 iOS 版 7 月 16 日上线 App Store，安卓版同日陆续上架各大商店。该输入法基于自研 CosyVoice 语音大模型，语音输入最快每分钟 300 字，支持 9 种方言及中英混合识别，单次录音最长 3 分钟。其核心差异在于大模型驱动的语义理解与润色能力，可自动过滤语气词、纠正口误并格式化输出，且承诺无广告、无弹窗、无需注册即可使用全部功能。

  3. 公众号：千问APP45

    这届WAIC，千问AI智能体眼镜、耳机申请出战！

    2026世界人工智能大会首日，千问推出AI智能体眼镜与首款AI智能体耳机两大硬件。智能体眼镜升级全双工语音、眼动追踪、体征监测等技术，并实现行业首个用户体征实时监测，可测量心率、血氧、HRV等数据。上述技术年内应用于千问AI智能体眼镜，已发售的千问AI眼镜S1、G1将通过OTA引入Agent能力；耳机由千问与Bose联合打造，支持同声传译、会议纪要等功能。

7月16日周四
  1. IT之家·人工智能44

    小鹏海外车型接入谷歌地图导航服务，MONA L03 首发落地

    小鹏宣布海外车型正式接入谷歌地图导航服务，成为亚太地区首个谷歌地图车载SDK合作伙伴，该功能将在MONA L03上首发落地。同时，小鹏升级了海外版座舱操作系统XOS 6，重构语音交互架构，首批支持英语、德语、法语等多语言交叉识别。小鹏第二代VLA物理世界大模型已打通中国与欧洲市场，正加快推进欧洲量产适配，图灵AI智驾针对欧洲路权规则升级了行人优先、交通标志识别及隐性规则理解等能力。

  2. IT之家·人工智能42

    华为鸿蒙座舱 OTA 计划公布：新一代智能体上车，本月推送首个版本

    华为公布鸿蒙座舱 OTA 计划，2026.7版本将推送HarmonySpace V5.2，包含新一代智能体升级、KFC Agent语音创建智慧场景、AI调音魔方及车载激光投影露天影院模式等功能。2026.9-2026.10版本将升级至HarmonySpace V6.0，新增舱内融合感知与全新IP主题。2027.1-2027.2版本的V6.1将带来主动建议2.0。