#语音

苹果 tvOS 27 测试版现 Siri AI 代码，Apple TV 与 HomePod 酝酿扩展 AI 功能

tvOS 27 首个开发者测试版代码显示，苹果正为 Apple TV 和 HomePod 引入 AI 功能。系统底层新增多个 Apple Intelligence 相关框架，HomePod 首次设置流程中直接提及 Siri AI。代码中还出现 N1 芯片（蓝牙与 Wi-Fi 处理器），该芯片未搭载于当前在售机型，被视作苹果推进智能家居新品的线索。

如何使用NVIDIA Canary-1B-v2进行ASR、翻译和自动SRT字幕导出

该教程通过Python使用NVIDIA Canary-1B-v2构建语音识别与翻译管线：先安装NeMo ASR工具包和音频依赖，在GPU上加载模型；将音频处理为16 kHz单声道格式后，执行英语ASR，将语音翻译为25种语言，生成词级和时间段时间戳，导出SRT字幕文件，并支持长文本转录、批处理与推理速度基准测试。

Meta 三款自有品牌智能眼镜首发亮相，299-399 美元

Meta 首次以自有品牌推出三款智能眼镜：Adventurer、Fury 及与凯莉·詹娜合作的 Starfire。Adventurer 和 Fury 售价 299 美元，Starfire 售价 399 美元，均比去年雷朋 Meta Wayfarer 便宜 80 美元。眼镜由 Meta 设计、依视路陆逊梯卡生产，内置摄像头、扬声器，支持与 Meta AI 对话、翻译及拍摄，预装最新 AI 模型 Muse Spark。鼻托三档可调，提供多种配色与镜片选项。Meta 透露未来可能推出无摄像头版本，并计划最终进入 AR 眼镜市场。

网易有道发布 Confucius4-TTS：14 语种跨语种无口音语音克隆开源模型

网易有道推出“子曰 4.0”TTS 引擎 Confucius4-TTS，声称是业内首个支持 14 种语言跨语种无口音、且无需参考文本即可完成语音克隆的开源模型。用户仅需 3 秒音频即可实现零样本音色克隆，克隆音色与原声相似度超 85%，任务准确度达 97%。模型支持中文、英语等 14 种语言，首创音频 Prompt 情感克隆迁移。底层采用 GPT 式语义大模型、SSL 预训练特征与 ECAPA-TDNN 说话人编码器、Flow Matching 框架。已全量开源（Apache 协议），提供 54GB 资源包供本地部署。

豆包音频生成模型1.0发布，重新定义AI音频创作

火山引擎正式发布豆包音频生成模型1.0（Doubao-Seed-Audio 1.0），支持文本与音频参考生成，端到端输出目标音频。单条Prompt可编排多角色对白、情绪语气、背景音乐及环境氛围，长时生成中保持多角色音色一致性，无需后期多轨混音。模型支持0样本多模态输入，无需额外训练即可生成；实现音色与风格解耦控制及“一声多角”能力。一次支持2分钟音频创作，多次延长保持音色统一。已开启火山方舟API邀测，个人用户享30分钟创作额度，即将上线剪映、即梦、番茄等产品。

vLLM-Omni 详解 Qwen3-TTS、VoxCPM2 等 TTS 推理优化工程实践

vLLM-Omni 团队详解 TTS 推理优化工程实践，覆盖 Qwen3-TTS、VoxCPM2、Fish Speech S2 Pro 和 Higgs Audio V3 四款模型。

Rohan Paul@rohanpaul_ai· 02:10AI 评分5454

语音AI平台Bland (@usebland) 每周处理超过350万次电话，累计已处理超5.13亿次。公司获得1亿美元C轮融资，将用于训练模型以处理紧急、高风险、长达45分钟的电话呼叫。Bland专注于受监管行业，主打高压力、后果严重的电话场景。

华为智慧屏推送系统更新：新增儿童时长管控、畅连小窗调节等

华为智慧屏今日推送系统更新，主要新增或优化：标准模式新增儿童时长管控（设置>通用>使用时间管理）；畅连小窗支持自由调节窗口大小；观看影视剧时可呼叫小艺进行人物、剧情等问答；超级桌面分辨率由1080P提升至2K；遥控器支持控制外接设备（需开启CEC）；开关机菜单支持自定义预设焦点；智慧屏可与全屋吸顶音箱联动；AI语音唤醒准确率和响应时延优化；门锁画中画联动显示接听设备名称及位置，并支持挂断。官方暂未公布新版本具体型号及适用机型。

jason@jxnlco· 15:04AI 评分6060

Guinness Chen 表示，2026年6月了，别再手动编辑提示词，应该按住听写按钮即兴说上10分钟，把脑海里的每个碎片、警告、例子和感觉都交给模型——大语言模型最擅长的就是从语言中重建潜在意图。Jason Liu 称赞他只发好内容，观点总是很棒，并建议大家关注他 @guinnesschen。

豆包 App 灰测打车功能，由曹操出行提供服务

豆包在 App 内灰度上线一键打车服务，由曹操出行提供运力。获灰测用户可直接在对话框口述出行需求，系统自动识别起止地点、人数与用车偏好，匹配曹操出行后一键确认派单。目前北京、杭州部分用户已获灰测资格。曹操出行司机接单后弹窗提示“本单是豆包服务订单”，完成可获 2 元平台惊喜服务费。曹操出行上周在2026国际汽车及供应链博览会（香港）发布 RoboX 战略，提出“双十万计划”——到2030年累计部署10万辆Robotaxi与10万辆Robovan，同时成立AI事业部推进全面AI转型。

Rohan Paul@rohanpaul_ai· 07:06AI 评分5252

Techcrunch: 安巴尼正将Jio拥有5亿用户的电信网络转变为印度最大的日常AI智能体试验场。 Jio Call Agent将嵌入电话通话中，征得同意后监听、转录语音、总结对话，并触发行动，如打车或订餐。 这个计划看起来像是AI正从独立应用向网络层移动。

马斯克：Grok 语音控制特斯拉 FSD 功能将在 3 个月左右推出

马斯克在 X 平台回复称，Grok 语音控制特斯拉 FSD（监督版）功能预计约三个月后上线，今年秋季推送全系车辆。此前 Grok 已作为车载助手上线，通过 2025 假日版本更新增加导航语音指令，2026 春季更新新增“嘿 Grok”唤醒与位置提醒。新功能将允许用户用自然语言设定 FSD 行驶逻辑，无需手动打转向灯；停车场景提升显著，可实时口述精准泊车指令，弥补 14.1 版本“抵达目的地自动泊车”模式有限。

X.PIN@thexpin· 22:23AI 评分6565

微信于6月20日扩大了对小微（Xiaowei）的灰度测试——一个内置在主应用中的对话助手，可通过文本或语音运行。它能操作微信原生功能并调用小程序完成任务：打车、外卖、订酒店、查快递。它还能根据单条提示词生成一个可运行的小程序。生成的应用程序目前为

visionOS 27 今秋推送：M5 Vision Pro 头显独占 Siri 语音定制和苹果最强本地 AI 模型

visionOS 27 将于今秋推送。M5 Vision Pro 独占 Siri 语音定制（Voice Customization），用户可自由调整语气表现力和语速；同时独占搭载 AFM 3 Core Advanced 本地 AI 模型，该模型支持原生多模态能力并采用稀疏架构，需 M5 芯片算力支撑。M2 款 Vision Pro 可共享 visionOS 27 大部分升级，包括 Siri AI、全景照片转空间场景、重新设计的控制中心、更智能的自然语言理解及语音操作交互等。苹果承诺未来通过云端计算为 M2 设备提供部分 AI 功能的折中方案，具体细节尚未公布。

印度首富安巴尼：印度必须成为 AI 的创造者和全球领导者

信实工业在年度股东大会上发布 AI 通话助手 Jio Call Agent，直接嵌入 Jio 电信网络，可转录对话、生成摘要，并帮助用户叫车、点餐和预订，用户通过“Hey Jio”唤醒，预计今年晚些上线，覆盖超 5 亿用户。同时推出 AI 版 MyJio，支持自然语言指令完成开通 eSIM、选漫游套餐等操作；TeleFrame 可利用 AI 智能体主动显示天气预警、日程和家庭提醒。信实还通过 Reliance Intelligence 为消费者、企业和政府开发支持印度 22 种语言的 AI 基础设施。安巴尼强调印度不能只做 AI 消费者，而应成为创造者和全球领导者。

信实工业推出多款AI服务，涵盖通话、应用与家居

印度信实工业在年度股东大会上发布AI服务：Jio Call Agent可加入电话会议转录、总结并执行叫车、订餐等任务，通过“Hey Jio”激活，今年晚些时候面向超5亿用户上线；MyJio应用新增AI版，支持自然语言激活eSIM、选择漫游套餐；家庭显示设备TeleFrame利用AI智能体推送天气、日程提醒；还推出医疗、教育、农业和中小企业AI套件，支持22种印度语言。公司计划投资1100亿美元建设AI基础设施，并与Google、Meta、Nvidia合作。此外，Jio Platforms董事会批准IPO草案，拟发行最多2.7亿股新股。

OpenBMB@OpenBMB· 21:19AI 评分5454

社区开发者基于 VoxCPM2 与 ComfyUI 构建了 VoiceGate，实现自动语音提取（ASR）、大语言模型翻译、多语言语音合成（支持 30 多种语言和 9 种方言，含语音克隆与音色设计）、时间戳对齐音频以及背景音分离混音。核心创新 VoiceBridge 插件首次在 ComfyUI 中引入 SRT 时间戳驱动的 TTS 对齐，实现字幕级精细控制，解决 AI 配音音视频不同步问题。应用包括中文视频转英/日/韩等多语言，以及全球视频转中文及方言。

xAI@xai· 01:21精选AI 评分6666

xAI 的 Grok TTS 模型在 @Vapi_AI 的 Humanness Index 盲测中以 96 分（真人 100 分）位居榜首。该指数选取同一声音和引文，经各模型克隆后由听众盲评。

《粉雄救兵》Karamo Brown 推出健康应用 Kē，含 AI 数字克隆“AI Karamo”

《粉雄救兵》生活教练 Karamo Brown 推出健康应用 Kē，其核心特色为基于 AI 初创公司 Delphi 技术打造的“AI Karamo”数字克隆。该克隆通过学习 Brown 的采访、播客等内容，可与用户实时对话并提供建议。应用还提供个性化健身计划、基于家中食材的营养指导、冥想视频及社区支持功能。Kē 已上线 iOS 和 Android，订阅费 $14.99/月，提供 3 天免费试用。

波兰政府入股 ElevenLabs 并共同发起 AI Lab Poland

波兰政府通过 BGK 集团旗下的 Vinci 入股 ElevenLabs，与 Andreessen Horowitz、Sequoia、ICONIQ 一同成为投资方。

火山引擎上线豆包实时语音模型3.0 API 服务，开启邀测

火山引擎上线豆包实时语音模型3.0（Seeduplex）API 服务并开启邀测。该模型为原生全双工端到端语音大模型，具备精准遵循、抗干扰、动态判停三大优势。可在多人对话中安静待命，指定话题出现时主动加入；支持通过自定义工具在实时交互中完成预定日历、发送邮件等任务。抗干扰力提升，误回复率与误打断率大幅降低；判停延迟缩短约250ms，复杂场景抢话比例下降40%，用户主动打断延迟缩短约300ms。适用于汽车智能座舱、智能硬件、智能客服等场景。

科大讯飞 AI 眼镜首销：40克重量、122种语言翻译，4299元

讯飞AI眼镜6月18日在京东首销，定价4299元（部分国补后3369元），重40克，获SGS舒适认证。核心搭载语音同传大模型，支持122种语言翻译，覆盖通话翻译、线上同传、同声传译（8米全向拾音）、面对面翻译（18语种离线）、视觉翻译及附赠App权益等六大场景。还支持实时提词、蓝牙遥控翻页，内置GlassClaw AI助理，可开会自动总结图文纪要。

MOSS-TTS-Local-Transformer-v1.5 在 SGLang-Omni 上：原生流式 48 kHz 语音服务

MOSS-TTS-Local-Transformer-v1.5 是一款开源 TTS 模型，支持 48 kHz 立体声、零样本声音克隆、最长 10 分钟长文本合成、时长控制及 31 种语言。其核心采用 Qwen3-4B 骨干与约 2B 参数的 MOSS-Audio-Tokenizer-v2 音频编解码器，通过 12 个 RVQ 码本运行。SGLang-Omni 以三阶段流水线部署该模型。在 Seed-TTS-Eval 上词错误率 5.10%、语音相似度 69.23%，CV3-Eval 上 WER 7.48%、SIM 61.59%，MiniMax Multilingual 上 WER 6.37%、SIM 75.31%，X Voice 上 WER 20.48%、SIM 63.00%。

Google发布99美元Gemini智能音箱

Google推出首款专为Gemini打造的智能音箱Google Home Speaker，售价99.99美元。支持自然语言请求和多步指令，可在说话中途纠正，并具备连续对话功能。内置10种新声音。高级AI功能需订阅Google Home Premium（月费10美元或年费100美元），包括Gemini Live自由对话、Nest摄像头活动摘要等。即日起预售，本月发货。

谷歌 Home Speaker 开启预售，6 月 25 日开售

谷歌去年八月发布的新款智能音箱 Google Home Speaker 现已开启预售，售价 $99.99，6 月 25 日正式开售。扁球体织物外观有淡褐、瓷白、翠绿和浆果红四色。支持 360 度声场，底部环形灯带在语音交互时亮起，配备三个远场麦克风和静音开关。内部搭载四核 A55 处理器及专用 NPU，运行本地 AI 模型提升降噪。仅有一个 58mm 全频驱动单元，音质介于 Nest Audio 与 Nest Mini 之间。可与 Google TV Streamer 配对实现沉浸式音频，兼容其他 Nest 设备。购买附赠六个月 Google Home Premium，启用 Gemini Live 支持连续对话。

Artificial Analysis@ArtificialAnlys· 23:15AI 评分6565

Soniox 发布 v5 Real-Time 流式 STT 模型，在 AA-WER Streaming 基准上处于准确率与延迟的帕累托前沿。First Final 转录 WER 4.5%（延迟 0.05s），比 Deepgram Flux (7.4%, 0.02s) 和 Nova-3 Realtime (6.7%, 0.06s) 更准确，比 Cartesia Ink-2 (3.7%, 0.09s) 和 ElevenLabs Scribe v2 Realtime (3.6%, 0.14s) 更快。First Partial 转录 WER 4.7%（延迟 0.05s），准确率仅次于上述两款模型但速度更快。价格 $2/1000 分钟，为所有测试专有流式模型最低。支持 60+ 语言及实时翻译。

谷歌推出新一代 Google Home 智能音箱：搭载 Gemini AI 助手，售 100 美元

谷歌发布新一代 Google Home 智能音箱，搭载 Gemini for Home AI 语音助手，支持自然语言交流与多步骤语音指令，用户中途改口也能正确理解。球形设计，360° 环绕音效，麦克风系统可自动调节拾音。硬件：1GB LPDDR4 内存、四核 Cortex-A55 2.0GHz 处理器、4GB 存储，顶部电容触控，3D 织物材质三种配色。可与 Google TV Streamer 组成立体声环绕系统。6 月 25 日上市，定价 100 美元（约 677 元）。

Google 六年来首款智能音箱下周发布

Google Home Speaker 于 6 月 17 日开启预购，6 月 29 日发货，售价 $99。该音箱专为 Gemini for Home 设计，内置本地模型用于降噪和回声抑制，支持 360 度音频，可配对立体声或配合 Google TV Streamer 实现空间环绕声。它还是 Matter 控制器和 Thread 1.3 边界路由器。Gemini for Home 延迟降低 40%，修复超 25,000 个问题，新增 50 余项功能。部分高级功能（如 Gemini Live）需订阅 Google Home Premium（$10/月），购买前可获赠 6 个月。

DeepL 收购 Mixhalo 以拓展现场活动音频翻译场景

DeepL 收购了实时音频初创公司 Mixhalo，将其翻译套件扩展至现场活动。Mixhalo 成立于 2016 年，由 Incubus 吉他手 Mike Einziger 等联合创立，最初为演唱会改善听音体验，后转向体育及现场活动的实时音频服务，累计融资超 3900 万美元。Mixhalo 此前已是 DeepL 的主要翻译客户。DeepL 于 2024 年推出覆盖 33 种以上语言的语音转文本翻译，今年 4 月又推出支持多语言会议的语音转语音翻译套件。收购后，DeepL 将在旧金山湾区开设办公室以扩大美国业务。

ChatGPT 语音最大规模升级：OpenAI 正筹备推出 GPT-Bidi-1 模型

OpenAI 正筹备推出 GPT-Bidi-1 模型，采用双向（BiDi）架构，能同时听和说，吸收用户打断并在对话中实时调整。相比已进化至 GPT-5.5 的文本模型，ChatGPT 的语音能力仍基于较旧音频技术栈，GPT-Bidi-1 旨在弥合这一差距。上线后用户可切换双向模式与现有高级语音模式，并支持 High、Medium 及 Instant 智能等级，按任务调整速度和深度。

Greg Brockman@gdb· 12:23精选AI 评分7474

Greg Brockman 称 GPT-Realtime-2 是全新事物。@per_simmons_ 体验数周后表示，GPT-Realtime-2 是操作系统的未来，仅用语音即可打开应用、搜索网页、编辑 Premiere Pro，设置只需几个提示词且无需编码。视频演示了通过 MCP 连接 Obsidian 以及利用无障碍树控制 Premiere Pro 等功能。

谷歌推送 Android 17 正式版，深度集成 AI 功能

6 月 17 日，谷歌正式推送 Android 17 正式版及 Wear OS 7，首发搭载 Pixel 设备。新系统集成音乐生成模型 Lyria 3、多模态大模型 Gemini Omni 及基于 AudioLM 的语音翻译工具（适配 Pixel 10a）。Pixel 专属更新：Gemini Omni 支持对话中剪辑视频，Lyria 3 可输入文字或图片生成曲目；老款 Pixel 8a、9a 快速分享兼容苹果 AirDrop。系统新增“气泡任务栏”多任务控件、同屏录摄、家长管控及折叠屏 50/50 游戏模式。手表新增车祸、摔倒、无脉搏自动呼救，续航提升 10%，夏季将上线 Gemini 桌面小组件。

Rohan Paul@rohanpaul_ai· 04:35AI 评分6565

Catnip推出MaineCoon，一个22B参数的实时音频-视觉基础模型，能将文本提示词转化为带同步语音、动作和表情的实时角色流，支持无限时长交互。作为首个流式原生模型，MaineCoon实现亚秒级首帧，单张H100上达47.5FPS，单张RTX Pro 6000上达30FPS，内部测试吞吐量比同类音频-视觉系统快约7倍。与被动视频生成不同，它能因果性地实时响应，记住自身不完美的过去，并保持角色身份、声音和节奏的连贯一致，让AI从轮次式应答变为“与你同在”的实时存在。

Android 17 正式版发布，新增多任务工具并扩展 Gemini 功能

Google 近日发布 Android 17 正式版及 Wear OS 7，率先登陆 Pixel 设备。Pixel Drop 新增 AI 模型支持：音乐生成模型 Lyria 3、多模态 Gemini Omni 及基于 AudioLM 的语音翻译工具（Pixel 10a）。Quick Share 文件分享兼容 Apple AirDrop。Android 17 引入“气泡栏”多任务界面、自拍屏幕录制、折叠游戏模式（50/50 布局与动态手柄）以及“标记为丢失”等安全与家长控制功能。Pixel Watch 新增车祸/跌落/无脉搏自动紧急呼叫。Wear OS 电池续航提升最高 10%，并将在夏季推出更多 Gemini 智能功能。

Rohan Paul@rohanpaul_ai· 01:32AI 评分5454

今天，我们宣布完成 C 轮融资，筹集 1 亿美元，继续自动化世界上最复杂的电话呼叫。我们找了一个叫 Paul 的家伙来谈论这件事，因为办公室里没人愿意干。 主推文称赞这是一个出色的发布视频，并指出这家公司专注于受监管行业的高风险电话呼叫。

DogeDesigner@cb_doge· 00:23AI 评分6969

🚨 Grok 更新 🚨 现在你可以与 Grok 共享屏幕，并在语音模式下获得实时帮助。 只需点击窗口图标，选择共享屏幕，然后开始广播。

Josh Woodward@joshwoodward· 08:07AI 评分7474

我们的麦克风图标在 Android 和 iOS 上变得更好用了！这对非英语使用者来说意义重大。 + 现已支持 70+ 种语言 + 可自由混用语言 + 无需更改语言设置 + 仍然不会打断你 :)

项目负责人揭秘为何苹果 AI 版 Siri 姗姗来迟：推倒重来，彻底重构

苹果AI版Siri迟迟未上线，项目负责人迈克·罗克韦尔在WWDC技术分享会上透露，去年团队曾做出在原有Siri基础上小幅改良、新增工具调用的可运行版本，但因无法达到产品愿景，最终选择推倒重来，完整从零重构系统，依托全新大模型搭建。重构后的Siri拥有独立应用程序，原生支持多模态交互，隐私保护贯穿底层架构，并覆盖iPhone、iPad、Mac、Apple Watch、Vision Pro、CarPlay、AirPods等全平台，提供统一连贯体验。

科大讯飞AI眼镜开启预售：支持122种语言翻译，4299元

科大讯飞AI眼镜6月15日在京东开启预售，定价4299元（部分地区国补后低至3369元），重40克。搭载讯飞端到端语音同传大模型，支持122种语言（含方言、口音）翻译，覆盖通话翻译、线上同传、同声传译（8米全向拾音）、面对面翻译（18语种离线）、视觉翻译等六大场景。内置GlassClaw AI助理，支持一句话跨端任务、会议自动生成图文纪要、实时提词、蓝牙遥控翻页，并提供多种近视镜片选配。

古尔曼：苹果仍在筹备三个尚未发布的 iOS 27 新功能

苹果在 WWDC 公布 AI 版 Siri 等新功能，古尔曼称还有三项功能在开发，预计 9 月推出。包括：Apple Watch Ultra 简约版模块化极致表盘（保留大时钟但取消第二行组件）；Siri 扩展功能将接入 ChatGPT 等第三方 AI，但苹果计划开发 API 让应用直接接入 Siri（而非单独签协议），隐私标准可能不同，推迟原因涉欧盟立场、关注度等；以及可自定义相机应用（调整按钮位置），将随 iPhone 18 Pro 于 9 月发布。