跳到正文
#语音
7月9日周四
  1. Greg Brockman79

    如果你想成为我们的设计合作伙伴，一起测试 GPT-Live API（无论是开发创意新应用还是集成到现有产品中），请与我们联系 — gdb@openai.com。非常期待看到这项技术能为开发者解锁哪些新想法。

    引用OpenAI@OpenAI

    Introducing GPT-Live, a new generation of voice models for natural human-AI interaction. Rolling out in ChatGPT starting today. You’ll want to turn the sound on for this one.

  3. IT之家·人工智能50

    腾讯搜狗输入法鸿蒙版全面适配，支持多端剪贴板互通

    腾讯搜狗输入法官宣其鸿蒙版已完成全面适配，用户可在华为应用市场更新至最新版本体验完整功能，成为行业首个全面适配鸿蒙生态的输入法。核心升级包括跨设备复制粘贴（登录同一账号后在鸿蒙、Android、iOS、Windows、Mac间一键复制文字与图片，可自主关闭任一设备互联）、语音识别（基于腾讯混元大模型，准确率提升至98%，支持方言与外语混合输入及文本润色）以及个性化体验（皮肤资源与各平台同步，个人词库云端自动记录输入习惯）。

  5. Simon Willison 博客69

    GPT‑Live 发布

    OpenAI 将 ChatGPT 语音模式升级为 GPT‑Live 模型。新模型在 iPhone 应用预览中表现令人印象深刻，能够将需要搜索、深度推理的复杂任务委托给后台的 GPT-5.5，同时保持对话流畅。此前语音模式基于 GPT-4o 时代模型，知识截止于 2024 年。预览期间作者遇到模型打断并嘲笑非幽默语句的 bug，已向 OpenAI 反馈并得到调整。作者最长一次对话持续 1 小时。

  6. IT之家·人工智能79

    OpenAI 最智能语音模型：GPT-Live-1/mini 登场，边听边说让 AI 对话更接近真人聊天

    OpenAI于7月9日发布GPT-Live-1与GPT-Live-1 mini全双工语音模型，可同时聆听与说话，每秒多次判断是否继续倾听、打断或调用工具。复杂任务可委托后台GPT-5.5系列模型执行。即日起向全球ChatGPT用户开放，Go、Plus和Pro订阅用户可用GPT-Live-1，免费用户可用GPT-Live-1 mini。新模型在5-10分钟配对对话中偏好得分高于Advanced Voice Mode。支持可视化卡片、搜索、记忆、图片和文件上传。安全评测在自伤、情感依赖等维度上表现相当或更优。

  10. The Decoder：AI News83

    OpenAI 推出 GPT-Live：全双工语音模型，可同时听与说

    OpenAI 发布 GPT-Live 语音模型，采用全双工架构，支持同时听和说、用户打断以及“mhmm”等填充词，对话更自然。两个版本：GPT-Live-1 面向 Go、Plus、Pro 付费用户，GPT-Live-1 mini 面向免费用户，覆盖 iOS、Android 和网页。复杂任务（网页搜索、推理）委托给后台 GPT-5.5，用户可选 Instant、Medium、High 三个推理级别。用户偏好度测试中，GPT-Live-1 达 75.7%，GPT-Live-1 mini 达 69.2%。在 GPQA 科学推理测试中，高推理级别达 84.2%（Advanced Voice Mode 为 45.3%）；在 BrowseComp 智能体搜索基准上得 75.2%（Advanced Voice Mode 为 0.7%）。新增视觉卡片与九种语音，内置危机热线、年龄适配及家长控制等安全措施。

  11. MarkTechPost67

    OpenAI 发布 GPT-Live 全双工语音模型家族，首批 GPT-Live-1 与 mini 版

    OpenAI 今日推出 GPT-Live 全双工语音模型家族，首批包括 GPT-Live-1 与 GPT-Live-1 mini。该模型可同时收听与说话，能在对话中发出“嗯”等简短反馈，并在用户思考时保持安静。遇到搜索、深度推理或复杂任务时，GPT-Live 将其委托给后台的 GPT-5.5 处理，自身维持对话流畅。人工评估中，GPT-Live-1 及 mini 在自然度、轮流交谈等维度被测试者强烈偏好于 Advanced Voice Mode。自动化基准测试显示，GPT-Live-1 在 GPQA、BrowseComp 和 τ³-Voice Telecom 上均有显著提升。即日起向全球 ChatGPT 用户推送，API 预计随后开放。首发不支持视频、屏幕共享及完整多语言。

  13. TechCrunch：AI77

    OpenAI发布全双工语音模型GPT-Live-1系列，对话更自然

    OpenAI今日推出全双工语音模型GPT-Live-1及GPT-Live-1 mini，能同时听与说，支持自然打断和实时翻译。ChatGPT原有Advanced Voice Mode默认替换为GPT-Live-1 mini，付费用户可用更大模型。新模型解决了此前打断用户说话和智能不足的问题，并可调用GPT-5.5等文本模型完成搜索、推理或智能体任务。模型能长时间静默吸收对话上下文，必要时呈现视觉信息。OpenAI表示该语音模式可支持30-40分钟对话，但不作为AI伴侣，已内置针对青少年的年龄适宜回复和自伤话题资源。演示中印地语实时翻译带有浓重美式口音，语调书卷气较重。

  18. jason76

    Jason Liu分享使用ChatGPT Voice功能写作的体验。他每天回家路上通过语音与模型对话，要求模型在他口述文章时除非有值得追问的点否则不打断。他连续讲20分钟，模型仅插话五六次（如“嗯”“好主意”），且当用户继续说话时会礼貌停止回应。结束后可追问模型刚才想提的点。他还测试了用此功能与不同语言的人交谈、头脑风暴和学习新概念。他认为这种流畅的语音交互是实现AGI造福人类的重要一步。

  19. The Verge：AI76

    ChatGPT语音模式升级：GPT-Live-1全双工模型减少打断，支持实时翻译

    OpenAI为ChatGPT推出语音模式新模型GPT-Live-1，采用全双工架构，可同时说话和聆听，减少打断并在停顿后等待用户继续。该模型能自动调用GPT-5.5等文本模型进行推理或联网搜索，并针对天气、股票、体育等话题生成AI可视化内容。新增实时翻译功能，可在用户说话时同步翻译。用户还可要求ChatGPT停止说话直至被点名。内置安全防护，在“高风险”情境下避免有害回复或结束对话，并为自伤话题提供专家审核的危机热线支持，为青少年提供适龄回复。GPT-Live-1已登陆iOS、Android及网页端，面向Go、Plus、Pro订阅用户推送，免费用户默认使用更小、更高效的GPT-Live-1 mini。

  20. OpenAI：官网动态77

    OpenAI 发布 GPT‑Live 新一代全双工语音模型

    OpenAI 今日推出 GPT‑Live，基于全双工架构实现同时听与说，支持自然打断与实时回馈。该模型每秒多次判断是否说话、倾听、打断或调用工具，并将搜索、推理等复杂任务委托给后台 GPT‑5.5，保持对话流畅。即日起向全球 ChatGPT 用户提供 GPT‑Live‑1 和 GPT‑Live‑1 mini 两个版本。人类评估显示，在 5‑10 分钟对话中，GPT‑Live‑1 系列在自然度、轮流、打断等方面显著优于 Advanced Voice Mode；在 GPQA、BrowseComp 和 τ³‑Voice Telecom 基准测试中也表现更强。未来将开放 API。

    推荐理由：GPT‑Live 不是简单的语音版本升级，全双工架构让 AI 终于能同时听和说，加上后台调用 GPT‑5.5，对话体验跨了一大步，做语音应用的产品人该重新思考交互流程了。

  22. Artificial Analysis65

    Artificial Analysis 推出 Controlled Voice Arena，通过声音克隆标准化评估文本转语音模型。所有模型基于相同 8 个克隆声音（2 美式男/女、2 英式男/女）测试，以分离音色偏好与模型质量。总体排名：Cartesia Sonic 3.5（1,122 Elo）居首，ElevenLabs Eleven v3（1,088）和 Inworld Realtime TTS-2 - Research Preview（1,070）紧随其后。美式口音前三相同；英式口音中 Inworld（1,075）升至第二。开源模型方面，FishAudio S2 Pro（1,034）领先。

7月8日周三
  1. IT之家·人工智能50

    消息称亚马逊推进Alexa智能体计划，成本高昂引发内部担忧

    亚马逊正研发代号Moonraker的Alexa项目，旨在实现“多请求”交互，如同时叫车并发短信，将语音助手推向AI智能体赛道。Moonraker已成为Alexa+升级中成本最高的项目之一，内部文件预测其2026年GPU算力开销超1亿美元。亚马逊将部署数百块英伟达GPU，并采用Anthropic Sonnet模型提供高级推理与视觉响应功能。高昂的研发与运行成本已引发高管担忧，部分人士建议推迟或缩减项目规模。

  3. IT之家·人工智能53

    OpenAI 更新 2.1 系列 GPT Realtime AI 模型，p95 延迟至少降低 25%

    OpenAI 7 月 7 日发布 gpt-realtime-2.1 和 gpt-realtime-2.1-mini 两款 Realtime 模型，通过优化缓存使 p95 延迟至少下降 25%。gpt-realtime-2.1-mini 支持实时音频与文本输入、工具调用与函数调用，可在执行前内部推理。gpt-realtime-2.1 增强字母数字识别、静音噪声处理、中断处理、指令遵循及可配置推理强度（minimal/low/medium/high/xhigh 五档，默认 low）。价格方面，2.1 文本输入每百万 tokens 4 美元，音频输入 32 美元，输出 64 美元；mini 对应价格更低。

  5. IT之家·人工智能57

    英伟达发布 Audex 统一音频-文本模型，避免多模态扩展后文本能力下滑

    英伟达今年6月推出 Audex（Nemotron-Labs-Audex-30B-A3B）统一音频-文本大语言模型，总参数30B、激活参数3B。骨干为52层混合 Mamba-Transformer 结构的 Nemotron-Cascade-2-30B-A3B，含128个可路由专家、每次激活6个。音频输入经 AF-Whisper 编码后映射到文本嵌入空间，输出词表从131072个 token 扩展至205312个。语音输出采用 X-Codec2（每秒50 token，单层有限标量量化），非语音音频采用 X-Codec（每秒200 token，4层展平残差向量量化）。文本评测方面，Audex 在 MMLU-Redux 得分86.4（骨干86.3），IMO AnswerBench 得分81.1（骨干79.3），MMLU-Pro 与 GPQA-Diamond 小幅下降。

  6. MarkTechPost76

    NVIDIA 发布 Audex（Nemotron-Labs-Audex-30B-A3B）统一音频-文本大语言模型

    NVIDIA 发布 Audex（Nemotron-Labs-Audex-30B-A3B），一个统一音频-文本大语言模型，能理解并生成音频与语音，同时保持骨干模型的文本智能。该模型为 30B-A3B 的 MoE Transformer 解码器，总参数量 30B，每 token 激活 3B。音频输入被编码投影到文本嵌入空间，文本与音频 token 统一处理。支持指令模式与思考模式，上下文长度达 1M token。训练采用多阶段 SFT 加文本专用 Cascade RL，避免多模态文本智能退化。文本基准上，Audex 与骨干模型接近：MMLU-Redux 86.4，IMO AnswerBench 81.1。语音识别中，OpenASR 词错误率 6.82，优于 Step-Audio-R1.1-33B 和 Qwen3-Omni-30B-A3B-Thinking。Audex 还支持非语音音频生成。模型权重（含 Audex-2B）以非商业许可发布。

  7. The Decoder：AI News61

    Cohere Transcribe Arabic：专为阿拉伯语最棘手转录问题打造的开源模型

    Cohere 发布开源语音识别模型 Cohere Transcribe Arabic，参数量为 20 亿，专为解决阿拉伯语方言多样性、双语对话、代码切换和术语识别等难题设计。该模型在基准测试中超越 Whisper Large V3、标准 Cohere Transcribe 模型及其他系统，据称是目前最准确的阿拉伯语开源语音转文本系统。模型采用 Apache 2.0 许可，已在 Hugging Face 和 Cohere API 上提供。

7月7日周二
  3. TechCrunch：AI64

    Savi Security 发布反 AI 诈骗 App，抵御语音/短信/电话骗局（如绑架勒索）

    前思科高管 Patrick Coughlin 与兄弟 Ryan Coughlin 创立的 Savi Security 获得 700 万美元种子轮融资，并于周二发布 iOS 与 Android 版 App，保护消费者免受 AI 生成的短信、邮件和电话诈骗。该 App 可实时筛查短信、语音邮件和来电，核心功能是通话中实时监听，通过行为特征判断骗局。定价 8 美元/月或 63 美元/年，不限家庭成员。此前通过匿名网站 Scam Wise 收集超 5 万条可疑内容训练 AI 模型，目前主要采用 Google Gemini 及专用语音检测模型。

  4. MarkTechPost61

    OpenAI 发布 gpt-realtime-2.1 和 gpt-realtime-2.1-mini 低延迟语音模型

    OpenAI 推出两款新型 Realtime 模型：gpt-realtime-2.1 和 gpt-realtime-2.1-mini。mini 版是专注于实时语音交互的迷你推理模型，支持工具调用和可配置推理力度（minimal 到 xhigh），定价与上代 gpt-realtime-mini 相同。2.1 版改进了字母数字识别、静音噪声处理和中断行为，支持语音到语音及指令遵循。两类模型均通过 Realtime API 提供，p95 延迟因缓存改进至少降低 25%。缓存输入 token 价格大幅优惠：mini 版缓存音频输入 $0.30/1M，非缓存 $10.00/1M；音频输出 mini 版 $20.00/1M，2.1 版 $64.00/1M。推理能力使模型可在工具调用前说出前置话语，保持多步对话连贯性。

  5. IT之家·人工智能69

    小米 MiMo-V2.5-ASR 全链路语音模型听觉基座上线，定价 0.5 元/小时

    7月7日，小米旗下 MiMo-V2.5-ASR 全链路语音模型听觉基座正式上线。该模型在中文方言（粤语、吴语、闽南语、四川话等）、中英混转、歌曲识别、强噪音与远场拾音、多人交叉对话、古诗词/专业术语/人名地名知识关联以及原生标点输出等场景均宣称达到业界领先水平。API 按音频转写时长计费，国内 ¥0.5/小时，海外 $0.074/小时。

  6. Artificial Analysis51

    SpeechifyAI 最新 TTS 模型 Simba 3.2 在 Artificial Analysis Speech Arena 排行榜中以 Elo 1,233 分（基于 1,258 场对战）位列第一，超越 Gemini 3.1 Flash TTS（1,214 分）、Sonic 3.5（1,210 分）和 Inworld Realtime TTS 1.5 Max（未披露分数）。定价为 $10/1M 字符，是领先模型中最低的；速度 29.2 字符/秒，介于 Inworld（89 字符/秒）和 Gemini（24.5 字符/秒）之间。

  7. xAI：News68

    xAI 为 Grok Voice 新增 21 个旗舰语音

    xAI 发布 21 个新旗舰语音，加入原有的 5 个语音。所有新语音均支持多语言，已在实时 Voice Agent API、Text to Speech API 及新推出的 Grok Voice Agent Builder 中可用。每个语音针对客服、角色、解说、广告、教育等场景定制，支持通过 `[pause]` 等语音标签控制表达。原始 5 个语音（Ara、Eve、Leo、Rex、Sal）经重训练后，节奏、措辞和重音的自然度提升。所有语音原生支持 Grok Voice 的 25 种以上语言。

    推荐理由：Grok 一口气放出21种多语言语音，对做语音 agent 的团队是个弹药库更新，但影响的半径基本止于 xAI 生态内部。

  9. TechCrunch：AI43

    iOS 27 beta 现支持自定义 Siri 的语速和表现力

    苹果在今日推送的 iOS 27 beta 3 中开放了此前标记为“即将推出”的语速（Pace）和表现力（Expressivity）滑块。测试者可以在不同口音的多款语音之间切换，并通过滑块调节 Siri 说话的快慢及情感表达程度，调整时 Siri 会实时示范朗读。该更新是苹果围绕生成式 AI 重构 Siri、使其更自然人性化的一部分。

  10. Artificial Analysis57

    AssemblyAI 推出流式 STT 模型 Universal-3.5 Pro Realtime，为 Universal-3 Pro Realtime 升级版。Max Accuracy 模式下 AA-WER Streaming 词错误率 4.1%，首次最终转录延迟 0.44 秒；Min Latency 模式 WER 4.3%，延迟 0.40 秒。准确率优于 Deepgram Flux（7.4%，0.02s）和 Nova-3 Realtime（6.6%，0.07s），略低于 Cartesia Ink-2（3.7%，0.09s）和 ElevenLabs Scribe v2 Realtime（3.6%，0.14s）。新增对话上下文动态更新功能（每轮 Agent 回复后可刷新，无需重连）。价格维持 $0.45/小时，语言支持从 6 种扩展至 18 种，支持句中代码切换。