Apple 机器学习研究团队采用紧凑的 seq2seq 模型进行 ASR 纠错，训练数据来自真实和合成音频的 ASR 错误。通过级联 TTS 和 ASR 构建合成语料，关键在于匹配真实错误分布的多样性。模型采用 correction-first 解码，生成候选后利用 ASR 声学分数重新排序。与 LLM 相比，该模型参数少 15 倍，在 LibriSpeech test-clean/other 上分别达到 1.5% 和 3.3% 的词错误率（WER），优于 LLM，并能泛化至 CTC、Seq2seq、Transducer 等多种 ASR 架构，在低错误率场景中提供精确纠错。
Apple与Google团队研究连续扩散（CD）口语语言模型（SLM）的缩放性质。CD SLM直接处理连续语音，避免离散化瓶颈。引入音素Jensen-Shannon散度（pJSD）评估语言质量，发现验证损失和pJSD均遵循缩放定律，最优token-to-parameter比率随计算量增加而下降。扩展至16B参数并采用数千万小时对话数据训练后，可生成富有情感、韵律、多说话人、多语言的语音，但长文连贯性仍为显著挑战。
高德 7 月 6 日宣布 AI 专车功能升级。用户用自然语言说出出行状态和目的地（如“一家三口去首都机场，有老人，会晕车”），“AI 专车管家”自动识别多层需求并匹配专车，同时向司机提示平稳驾驶、开窗通风、放行李等个性化服务。用户无需翻菜单、填备注或打电话，长按麦克风说一句话即可叫车。该能力已在高德地图上线，首批覆盖北京、上海、杭州、成都等城市，更新至最新版 App 即可体验。
高德地图升级“AI专车管家”服务，北京、上海、杭州、成都用户更新App至最新版本后，长按麦克风说出状态和目的地即可匹配个性化网约车。例如“一家三口去首都机场，有老人，会晕车”，系统自动安排燃油车并通知司机平稳驾驶、提前开窗通风。行程中持续监控路线与车速，异常时自动触发处置机制。高德还联合合作伙伴提供精选车型并对驾驶员进行系统化培训。
阿里千问今日升级实时语音识别大模型Fun-ASR-Realtime，单模型支持16种方言和30种语言，API已上线阿里云百炼平台。在覆盖八大方言区的16种方言识别测试中，字符准确率平均88.62%，在12类方言上领先火山与腾讯相关产品。首字延迟控制在百毫秒级别，流式识别准确率接近离线水平，支持多语言无缝切换。针对泰语等东亚、东南亚语言专项优化后识别准确率提升20%。离线模式模型Fun-ASR-Flash字错率1.7%，位列AI评测平台Artificial Analysis全球第一。
通义实验室发布Fun-ASR-Realtime实时语音识别模型。单模型覆盖30种语言及16种方言，针对东亚、东南亚地区重点优化。在工业级方言测评inhouse上取得87.8%的语义准确率，大幅领先，多地方言接近人工水平。引入上下文理解与动态热词注入，实现同音词、品牌名等语义消歧。流式识别首字延迟控制在百毫秒级，准确率接近离线水平，支持多语言无缝切换。API已上线阿里云百炼平台。
推荐理由：Fun-ASR Realtime把多语言方言和流式一体化做得很扎实，特别是对东亚东南亚的优化，准确率提升明显，做语音应用的产品人可以直接关注。
通义实验室发布 Fun-ASR-Realtime，单模型支持 30 种语言和 16 种方言，在工业级方言测评 inhouse 上取得 87.8% 的语义准确率。该模型支持动态注入热词与对话上下文实现语义消歧，首字延迟控制在百毫秒级别，流式识别准确率接近离线水平，并支持多语言无缝切换。API 现已上线阿里云百炼平台。
推荐理由：多语言方言的流式识别将语音交互的可用边界从英语推向了东亚与方言市场，使原先因识别不准而难以落地的本地化客服、语音助手等应用获得了新的技术基础。
出门问问与企业微信联合推出 TicNote 企业微信合作款，这是一款便携式 AI 录音产品，全面接入企业微信 AI 能力。录音上传后，AI 自动完成语音转写、多发言人识别、摘要生成及待办事项提取，支持在企业微信内分配和追溯。新增“记录面聊”功能：员工录入声纹后，录音转写可直接识别同事姓名，待办自动提取并 @ 同事加入企微待办。硬件方面，连续录音超 32 小时，单次最长 8 小时自动切片；1 小时录音约 20 秒完成 WiFi 快传；蓝牙 BLE 5.3；采用 AES128 加密，设备直连企业微信，支持远程解绑清空数据。
JoyAI App 近日上线 UGC 数字人功能，用户只需上传一张照片即可生成专属虚拟数字分身，支持一键复刻写实形象或通过模板重塑为卡通风格，搭配用户自己的语音即可解锁专属陪伴。该功能复用“万能博士”技术底座，集成 JoyAI 语言、语音、数字人大模型，实现行业领先的全双工对话，支持随时打断、自然接话。数字人兼具情绪陪伴与全能助手属性，可提供点外卖、金融咨询、学英语、规划行程等生活服务。
推荐理由：京东把数字人技术做成了「传一张照片就能捏」的大众玩具，虽然看不出硬核突破，但对普通用户来说，这是第一次零门槛体验有形象有语音的 AI 玩伴，上手即用。
Interfaze 开源了 diffusion-gemma-asr-small，据称是首个开源多语言扩散 ASR 模型。该模型使用 DiffusionGemma 的离散扩散解码器（26B MoE 骨干，4B 激活参数，128 专家 top-8 路由）进行非自回归语音转文本。仅训练约 42M 参数适配器，冻结 backbone；采用 frozen whisper-small 编码器提取 1500 帧 768 维特征，经可训练投影器（约 19M 参数）压缩为 188 个 2816 维音频 token 注入提示槽，解码器双向并行去噪约 16 步。单适配器支持六种语言。在 LibriSpeech test-clean 上 WER 6.6%，优于同类扩散模型 Whisfusion（8.3%），但落后自回归 Whisper。去噪步数从 8 增至 48 仅提升约 0.1 个 WER 点，8 步时达 14.9 倍实时速度。适配器以 Apache-2.0 开源，DiffusionGemma 和 whisper-small 需单独加载。
腾讯游戏7月3日公布2026年暑期未成年人保护专项行动，在防沉迷新规基础上升级“AI双引擎防沉迷”模式。游戏外推出AI版成长守护，家长可与AI对话管理账号；游戏内上线AI巡航，通过声纹特征检测、年龄识别、代过特征检测等手段打击账号冒用和代过人脸。同时开放全家管控入口及“家庭账号守护”人工服务，家长可拨打成长守护热线（0755-86013799，按2，服务时间9:00-22:00）完成身份授权后统一管控家庭成员账号。
微信派7月2日宣布，微信输入法上线语音转文字整理及隔空传送功能。用户使用语音转文字后，可点击“文字整理”选项优化内容，该功能已在iOS 3.5.1、Android 3.5.0、Mac 2.2.0、Windows 2.1.0等最新版全量上线。隔空传送支持两台均安装微信输入法的设备间快速传输照片和文件。此外，输入法还新增聊天自动匹配表情包功能，输入文字后可通过笑脸标识快速查询表情包。
7月2日，大疆推出 DJI Mic Mini 2S 迷你无线麦克风。发射器重约12克，支持32-bit浮点内录和14.5GB存储（28小时循环内录），内置自研降噪模型，提供强、弱两级AI降噪。单次续航11小时，搭配充电盒总续航约40小时。接收器最多同时连接四个发射器，支持单声道、立体声和四声道模式，无线传输距离最远400米。发射器支持蓝牙直连手机，并可直连Osmo Pocket 4等DJI设备。一拖二套装（含充电盒）1199元，一拖一套装629元，手机版一拖一套装629元，单发射器399元。
特斯拉车辆可自主驶入异响检测工位，车内麦克风捕捉杂音反馈工程团队。公司正研发“全向听觉系统”AI用于交付前识别装配缺陷。工厂各部门部署自研AI智能体系统，覆盖研发、供应链、售后、质检。Cybercab生产线约90%工序全自动化，未来产量或超越所有历史车型（Model Y累计近400万台）。星链有望搭载于Cybercab保障偏远地区信号。Optimus人形机器人首条量产线在弗里蒙特工厂落地，全模块化设计，约40条子生产线在德国制造。
Artificial Analysis@ArtificialAnlysAI 评分6868xAI 推出 Voice Agent Builder 测试版，这是一个基于 Grok Voice 的无代码平台，可在两分钟内创建生产级语音智能体。它集成电话、知识检索、工具、MCP、Guardrails 及可观测性，支持连接现有 SIP 号码、API 和 WebSocket，采用语音到语音路径。在 τ-voice Bench 上，Grok Voice Think Fast 1.0 得分 67.3%，领先 Gemini 3.1 Flash Live（43.8%）和 GPT Realtime 1.5（35.3%）。定价为每分钟音频 0.05 美元、电话费 0.01 美元，提供 80+ 种语音及声音克隆，每个账户附赠一个免费电话号码。
推荐理由：xAI 用 Grok Voice 原生的语音到语音路径，把生产级语音代理的搭建门槛降到了无代码、两分钟，计费也简单，做语音业务的人值得试试。
OpenAI 每周为 9 亿用户运行语音 AI，采用 WebRTC 协议实现低延迟连续音频流。其架构将堆栈拆分为两部分：无状态中继在地理边缘处理协议感知的数据包路由，有状态收发器管理 WebRTC 状态，通过 ICE ufrag 作为路由键连接两者。该方案解决了 Kubernetes 环境下端口耗尽与状态粘性问题，确保对话式语音 AI 的实时体验。
Google 推出首款“为 Gemini 打造”的智能音箱 Home Speaker，售价 99.99 美元。硬件设计精巧，音质在体积相当的产品中表现良好，支持 360 度音效、立体声配对、Matter 控制及 Thread 边界路由器功能，可配合 Google TV Streamer 作为音频输出。然而，内置的 Gemini for Home 智能助手响应缓慢、不可靠，且部分功能需要付费才能使用。相比前代 Nest Audio，新款音箱尺寸更小但低频偏弱，在同价位竞品（Echo Dot Max、HomePod Mini）中音质排名第三。
OpenBMB@OpenBMBAI 评分5555本地跑了一遍 VoxCPM2，最让我意外的不是它会说粤语、河南话，而是“声音”正在变成一种可以编辑的东西。 写一句提示词，就能指定年龄、音色、情绪和语速；再上传一段参考音频，它还能保留音色，重新控制表达方式。 以前语音模型追求的是“像不像本人”，现在已经开始解决“能不能按导演要求表演”。 当声音可以像图片滤镜一样被描述、复制和改写，它还算不算一个人的身份特征？ 视频里放了方言、情绪控制和真人声音克隆的实测效果。👇
Artificial Analysis@ArtificialAnlysAI 评分5858
Apple Creator Studio 推出多项 AI 增强更新。Final Cut Pro 新增 on-device AI 驱动的 Generate Captions（自动转录音频生成字幕）和 Edit Detection（自动检测剪辑点）。Mac 版加入 Auto Mask（自动识别皮肤、天空等主体）、增强的 Match Color 和 Advanced Trimming。支持将帧发送至 Pixelmator Pro 编辑，并在 Keynote、Pages、Numbers 中直接调用 Pixelmator Pro 修改图片。Logic Pro 新增 Grammy 制作人制作的 Producer Project 及 Chord ID 改进。订阅价 $12.99/月或 $129/年，新用户免费试用一个月，教育用户 $2.99/月。
推荐理由：Final Cut Pro 的自动字幕和遮罩是实打实的工作流提升，Pixelmator Pro 的深度整合也让设计更顺畅，虽然没有颠覆性突破，但创意工作者今天就能用上。
Netflix 真人秀《Wonka’s The Golden Ticket》将于 9 月 23 日首播。预告片旁白由 AI 生成，复刻了已故演员 Gene Wilder 的声音。Netflix 与 ElevenLabs 合作，并已获 Wilder 家人同意。节目被描述为“高赌注社会实验”，12 名金票获得者各携伴侣参赛，冠军将在 9 月 30 日的两集大结局中产生。
Thinking Machines 认为当前基于单线程大语言模型的实时对话架构存在天花板，模型只能在用户输入完成后感知，生成时感知冻结。该实验室提出“交互模型”概念，主张让模型能感知语音语调、面部表情和实时打断等连续协作信号，旨在将 AI 从“提示-等待”模式转向更接近人类间实时、可中断的协作。
xAI@xaiAI 评分4747来自xAI的最先进语音API，现已加入Vercel AI Gateway
Grok's realtime voice is now on AI Gateway. Build with AI SDK 7: • 𝚡𝚊𝚒/𝚐𝚛𝚘𝚔-𝚟𝚘𝚒𝚌𝚎-𝚝𝚑𝚒𝚗𝚔-𝚏𝚊𝚜𝚝-𝟷.𝟶 (𝚞𝚜𝚎𝚁𝚎𝚊𝚕𝚝𝚒𝚖𝚎) • 𝚡𝚊𝚒/𝚐𝚛𝚘𝚔-𝚝𝚝𝚜 (𝚐𝚎𝚗𝚎𝚛𝚊𝚝𝚎𝚂𝚙𝚎𝚎𝚌𝚑) • 𝚡𝚊𝚒/𝚐𝚛𝚘𝚔-𝚜𝚝𝚝 (𝚝𝚛𝚊𝚗𝚜𝚌𝚛𝚒𝚋𝚎) https://vercel.com/changelog/xai-grok-audio-models-now-available-on-vercel-ai-gateway
字节跳动旗下豆包App上线内置导航功能“豆包导航”（部分界面显示为“轻导航”）。步行与骑行路线支持App内原生导航，驾车与公共交通路线需跳转至高德地图完成服务，底层地图技术由百度地图提供。用户通过语音或文字输入目的地即可启动，系统生成包含四种出行方案的一体化地图卡片。内置导航配备实时语音播报，同步显示剩余路程、预计耗时、预估抵达时间，并支持悬浮小窗模式，可边导航边使用其他功能。
抖音反诈工具“验证助手”今日升级，新增语音输入和图片文本提取功能。验证框由多分类统一为单一输入框，系统通过意图识别模型自动判断信息类型并完成验证。老年人可上传可疑截图圈选文字区域，或语音描述短信、电话等内容，系统自动识别填入。截至目前，验证助手已累计服务超2800万人次，日均帮助约4万名用户鉴别风险。
阿里千问输入法 macOS 版今日上线官网，支持最快 300 字/分的 AI 语音输入，可自动润色、将口语转为工整文字，并支持 9 种方言，纯净无广告。官方预告 iOS、Android、Windows 版将于近日发布。此前千问团队已于今年 5 月推出千问语音输入法（千问 App 内的组件），具备去语气词、纠错、格式化整理及基于上下文的智能回复等能力，而本次上线的输入法则定位为独立 App，填补千问在移动端 AI 输入法赛道的空白。
推荐理由：阿里千问把AI语音能力做成了独立输入法，300字/分+9种方言让语音转文字实用性大增，对不习惯打字的普通用户可能比单纯聊天工具更有粘性。
Google Gemini@GeminiAppAI 评分4747从用语音实时创建图像，到支持小企业的新方式，以下是本月 Gemini Drops 的内容 🧵
中兴通讯在上海世界移动通信大会推出 AI 智屏 2.0，搭载 4TOPS 算力 AI 芯片、云台摄像头及 433MHz 无线技术，采用电子相框一体化造型与 10.1 英寸全贴合屏幕，支持“小兴小兴”语音助手。通过 360° 红外和 433MHz 无线可语音控制电视、空调等传统家电，集成温湿度与光线传感器实现场景化控制。覆盖智能管家、康养伙伴（多模态 AI 识别）、伴学搭子（AI 家庭教师/扫描同传）、生活助手（智能订票/点外卖）、用网卫士五大场景。
Gradium 发布两款实时语音翻译模型：stt-translate（语音转文本）和 s2s-translate（语音转语音）。两者覆盖英语、法语、德语、西班牙语、葡萄牙语共 5 种语言、20 个语言对，将转录和翻译合并为一步，传统 3 模型级联缩减为 2 模型。stt-translate 在 BLEU 和 MetricX 指标上领先 gemini-3.5-live-translate，BLEU 领先 gpt-realtime-translate，MetricX 可比。s2s-translate 平均延迟 3.0s，优于 gpt-realtime-translate（3.6s），略逊于 gemini-3.5-live-translate（2.9s）。支持从目录选择输出语音或克隆自己的声音，通过单条双工 WebSocket 传输。
Treble Technologies 与 Hugging Face 联合推出 FFASR（Far-Field ASR）排行榜，这是首个开源社区驱动的真实远场声学条件 ASR 评测基准。传统近场评测无法反映混响、背景噪声和麦克风距离带来的性能下降。FFASR 使用混合波模拟引擎生成声学数据，涵盖 14 种房间（20–470 m³）和三个信噪比级别（远场高 SNR >14 dB、中 SNR 8–12 dB、低 SNR <6 dB），加上近场干燥条件，共四类条件决定主排名。另有实验室实测/模拟验证轨道和移动声源 beta 版。性能指标同时报告词错误率（WER）和实时因子（RTFx，在 NVIDIA L4 GPU 上评估）。未来将支持多说话人场景、麦克风阵列和回声消除。
推荐理由：远场语音的‘实验室-生产’性能差终于有了量化指标，这个排行榜把 ASR 的真实世界鲁棒性公开化，做语音产品的团队该看看。
Google 新款 Home Speaker 售价 99 美元，体积小巧但音质饱满，低音优于同尺寸的 UE Wonderboom，清晰度和响度均超过 Amazon Echo Dot Max。配备三个麦克风，唤醒词识别灵敏，即便在淋浴中也能响应“Hey, Google”。外观呈彩色毛线球状，无可见按键；音量可通过点击左右侧调节，但触控区域小且方向不直观，顶部播放/暂停触控正常。灯光环隐藏于底部，反馈不够明显。不支持标准蓝牙，可通过 Google Cast 串流或与 Google TV Streamer 配对。内置 Gemini 智能助手，可用于控制家居、规划日程和查询信息。
OpenAI 在 GitHub 开源 Plant Talk 项目，通过 Codex Desktop 连接 ChatGPT，让室内植物具备语音能力。用户可与植物语音交流，如询问“最近怎么样？”“需要浇水吗？”等。系统支持 Arduino、土壤湿度传感器、LM393 光照传感器获取环境数据，还可连接二氧化碳传感器、空气湿度传感器。用户可创建不同植物人格，如高冷仙人掌、话痨绿萝、吐槽多肉。搭建需配备麦克风、摄像头、扬声器的电脑及 OpenAI 账户。
6月23日，部分用户反馈 ChatGPT 网页版和 App 版上线了双向 AI 语音模型 Bidi 1，位于设置模型选择器中，与标准语音和高级语音并列。该模型支持边说话边监听，用户可在对话中途打断并发出新指令，例如要求从1数到10时中途喊停倒数，模型会立即切换执行。OpenAI 尚未官宣，预计本周启动更大范围测试。
推荐理由：Bidi 1 让 ChatGPT 语音从回合制变成双向并行，打断后能立即响应，这是语音交互真正的升维，普通人很快就能感受到对话自然感的质变。
独立音乐平台 Jamendo 在美国加州联邦法院起诉英伟达，指控其未经授权使用 MTG-Jamendo 数据集（约 5.6 万首曲目）训练 Fugatto、Audio Flamingo 两款音频大模型。该数据集仅限非商用科研用途。2024 年 3 月发现后多次协商无果，2025 年 6 月寄出商用账单（1610 万欧元）并在比利时起诉。本次美国诉状主张直接著作权侵权、违约、不当得利、不正当竞争，最低索赔 1780 万欧元（含逾期利息）。
OpenBMB@OpenBMBAI 评分6363VoxCPM now runs FULLY on-device on iPhone — via Apple's Core AI. @OpenBMB's diffusion TTS (MiniCPM4 LM + LocDiT flow-matching + AudioVAE), every layer on the Neural Engine / GPU. No network. 🤗 https://huggingface.co/mlboydaisuke/VoxCPM-0.5B-CoreAI 📦 https://github.com/john-rocky/coreai-model-zoo
火山引擎昨日发布豆包音频生成模型 1.0（Doubao-Seed-Audio 1.0），首次支持文本、音频等多模态参考生成，端到端输出目标音频，长时生成中保持多角色音色一致性。用户可通过单条 Prompt 编排角色对白、情绪语气、背景音乐、环境氛围，直接产出成片级音频。模型一次支持 2 分钟音频创作，可多次延长且保持音色统一；实现零样本多模态生成，支持音色与风格解耦控制。火山方舟已开启 API 邀测，个人用户可免费体验 30 分钟创作额度。该模型即将上线剪映、即梦、番茄等产品。
