跳到正文
#语音
6月13日周六
  1. Simon Willison 博客63

    OpenAI WebRTC Audio Session：现在支持文档上下文

    Simon Willison 于 2024 年 12 月构建了基于 OpenAI WebRTC API 的音频会话工具，用于与实时音频模型交互。上月 OpenAI 为该 API 推出新模型 GPT‑Realtime‑2，号称“首个具有 GPT‑5 级推理能力的语音模型”，知识截止日期为 2024 年 9 月 30 日。该工具现已更新，支持选择此模型，并可粘贴大段文档上下文，使用户能在浏览器中围绕任意信息进行音频对话。

  2. IT之家·人工智能51

    iOS 27 Beta 1 新增“高级听写预览”功能，支持离线运行

    iOS 27 Beta 1 新增“高级听写预览”功能，支持离线运行。该功能提升语音转写准确率，能实时处理大写字母与标点符号。默认禁用，需在“设置→通用→键盘→听写”中手动开启。适配机型包括 iPhone 17 Pro、iPhone Air、第二代 Vision Pro（M5芯片）、搭载M4及以上芯片且内存≥12GB的iPad、搭载M3及以上芯片且内存≥12GB的Mac。

  4. The Verge：AI62

    Siri现在变好了吗？

    苹果发布了新版Siri AI，The Verge编辑David和Nilay在The Vergecast中分享了初期体验。过去十几年Siri在"部分功能勉强可用"和"彻底翻车"之间摇摆，而新版Siri AI在多数任务上表现足够出色，尽管没有带来突破性创新，但相比过往已发生质变。

  5. Google AI40

    Google AI 本周推出多项更新：Gemini 3.5 Live Translate 是用于实时语音到语音翻译的最新音频模型；NotebookLM 获重大升级，加入智能体对话能力、更高级推理及新输出格式；来自 GoogleLabs 的 Project Genie 向 Google AI Ultra 5x 订阅者全球开放；GeminiApp 中的 Notebooks 在 EEA、英国、瑞士上线；同时发布实验性开源模型 DiffusionGemma，探索文本扩散技术，实现极快文本生成。

6月12日周五
  1. The Verge：AI53

    Siri 不会成为你的 AI 女友

    苹果软件负责人 Craig Federighi 在接受 Mostly Human 采访时表示，新版 Siri 不会像 OpenAI、Google 等公司的聊天机器人那样谄媚和过度互动。Federighi 指出，现有许多聊天机器人为了拉拢用户会鼓励对方表露个人信息，而苹果有意采取了不同设计策略，让 Siri 懂得适时保持沉默。

  2. IT之家·人工智能48

    可检测 AI 音乐，Deezer 为 Spotify、Apple Music 等第三方平台推出免费工具

    法国音乐流媒体平台 Deezer 昨日推出一款免费工具，可扫描 Apple Music、Spotify 等第三方平台的播放列表，检测是否包含 AI 生成音乐。Deezer 是首批标注 AI 音乐的平台之一，此前曾向其他平台推销该识别技术但未获回应。CEO Alexis Lanternier 表示，既然没有平台跟进，就让所有用户自行检测。使用方法：访问 Deezer 检测网站，选择流媒体服务并授权账户即可完成分析。

  3. Zyphra Research71

    Zyphra 发布开源实时语音克隆模型 ZONOS2

    Zyphra 发布 Apache 2.0 许可的实时 TTS 模型 ZONOS2，采用 8B 总参数、900M 激活参数的 MoE 架构，主打高保真零样本语音克隆，权重已上线 Hugging Face。

    推荐理由：原文给出架构、训练数据和评测细节，读者可以了解这个开源实时 TTS 模型在音色保真与生成稳定性之间的取舍。

  4. IT之家·人工智能53

    苹果高管克雷格明确表态：全新 Siri 不会成为你的 AI 女友 / 男友

    苹果软件工程高级副总裁克雷格·费德里吉在《Mostly Human》播客中明确表示，全新 Siri 不会成为用户的 AI 男友或女友。他指出，Siri 的设计理念是提供“实用工具”而非“情感陪伴”，不会迎合用户或扮演恋爱角色。营销副总裁格雷格·乔斯维克补充，苹果将 AI 自然融入 iPhone 等产品，让技术“消失”，专注于提升现有使用体验，而非为了做 AI 而做 AI。

6月11日周四
  1. 公众号：京东JoyAI44

    为卫浴装上“AI大脑”，JoyInside×惠达AI卫浴套系6月17日重磅开售

    京东JoyInside与惠达推出行业首款搭载JoyInside统一智能中枢的卫浴套系“惠达小京灵系列AI卫浴套装”，含AI智能马桶、AI智能花洒、AI智能浴室柜。依托JoyAI大模型，设备支持语音控制、模糊语义理解、连续多轮对话及方言识别，可实现自动预排冷水、语音控温、镜面除雾等场景联动。套系已开启预售，6月17日晚8点正式售卖。JoyInside已与近200家机器人、AI玩具、家电家居品牌合作，预计年内接入超千万终端设备。

  2. The Verge：AI73

    Deezer 推出面向其他流媒体服务的 AI 音乐检测器

    Deezer 将扫描用户在其它流媒体平台的播放列表，检测其中的 AI 生成音乐。Deezer 是最早标记 AI 生成音乐的大型流媒体服务之一，曾向其他平台提供该技术但少有采纳。Deezer CEO Alexis Lanternier 表示，由于没有其他公司跟进，他们决定让用户无论使用哪个平台，都能检查自己的播放列表中是否包含合成音乐。

    推荐理由：Deezer这手挺狠，自家技术没人买账就做成免费跨平台工具，现在用Spotify和Apple Music的人也能扫歌单了，对在意音乐‘血统’的人来说是个刚需小功能。

  3. 公众号：小米 MiMo74

    小米发布并开源终端AI编程助手MiMo Code V0.1.0，采用MIT协议

    小米发布并开源终端AI编程助手MiMo Code V0.1.0，采用MIT协议。内置限时免费MiMo-V2.5多模态模型，性能比肩Claude Sonnet 4.6；支持接入DeepSeek、Kimi、GLM等模型。核心能力包括持久记忆系统（项目记忆、会话检查点、任务进度）和无限上下文——通过独立subagent自动保存状态解决长会话遗忘。独创Compose模式实现模型与Agent协同优化，SWE-Bench Pro达62%（Claude Code 57%），Terminal Bench 2达73%（68%）。内置语音输入和/dream命令，每7天自动合并记忆。终端输入`mimo`即可使用，所有设置中文汉化。

    推荐理由：小米悄悄发了MiMo Code，开源且免费，用记忆系统和Compose模式解决了AI编程两大顽疾：健忘和跑偏，实测比同模型Claude Code更强，开发者现在就能装上试。

  4. IT之家·人工智能63

    外媒体验苹果 iOS 27 全新 Siri AI：回复简洁，不套近乎

    外媒 The Verge 体验苹果 iOS 27 全新 Siri AI，发现其回复极为简洁，不套近乎。相比谷歌 Gemini 热情外放、ChatGPT 力求沉稳但仍拉近距离，Siri AI 只回答问题，不作闲聊引导。例如问“最近怎么样”，Siri AI 直接建议开启设置搜索新闻；问天气时提示美国国家气象局已发布极端高温预警；问“你能做我的朋友吗”回答“无论顺逆境，我都会做你的朋友”；问“你喜欢我吗”回答“我觉得你很不错”。苹果将 Siri AI 定位为实用工具，新版需等到今年秋季 iOS 27 正式推送后全面开放。

  5. Xiaomi MiMo76

    小米 MiMo 正式开源 AI 编程助手 MiMo Code V0.1，搭载多模态模型 MiMo V2.5（限时免费），拥有百万 token 上下文窗口。核心功能包括：无限上下文与无损压缩、Agent 框架（测试/审查/验证闭环）、Compose 模式（设计先行）、自进化系统、语音输入（基于 MiMo-V2.5-ASR）。兼容 Claude Code，自动加载现有技能、MCP 服务器和命令，零成本迁移。采用 MIT 许可，支持 Anthropic、OpenAI、DeepSeek、Kimi、GLM 等模型提供商。可通过一行命令安装。

  6. xAI74

    Grok Voice 提供最先进的性能，具有类人的时机、语调和温暖感。而且价格仅为竞争对手的一小部分。 查看详情：http://x.ai/api/voice

    引用ServiceNow AI Research@ServiceNowRSRCH

    🚀 Grok Voice Think Fast 1.0（@xAI）登上 EVA-Bench 的帕累托前沿——在评测中，没有任何系统能在不牺牲体验的情况下在准确率上超越它，反之亦然。 📊 排行榜：https://servicenow.github.io/eva/#results @elonmusk #VoiceAgents #ServiceNowResearch #EVABench #GrokVoice #xAI

    推荐理由：语音AI的SOTA这次不是OpenAI了，Grok Voice在EVA-Bench上无死角领先，价格还打到对手十分之一，做语音产品的可以认真看看这个帕累托前沿选手。

6月10日周三
  1. IT之家·人工智能42

    Audio Vivid 生态迎重磅进展，鸿蒙版 QQ 音乐 & 酷狗音乐双平台官宣接入菁彩声

    UWA 世界超高清视频产业联盟宣布，鸿蒙版 QQ 音乐于 6 月 10 日上线搭载 Audio Vivid 技术的「臻品全景声 3.0」功能；鸿蒙版酷狗音乐将于 6 月 12 日接入并同步上线「AI 音乐现场」功能。Audio Vivid 是 UWA 联盟发布的全球首个基于 AI 技术的三维声音频编解码标准，此前已用于总台春晚、奥运会等大型直播。

  2. IT之家·人工智能42

    小米 miclaw 率先实现 AI 上岛，澎湃 OS 4 被曝有新交互

    博主 @缪特mt 发文称小米 miclaw 已实现 AI 上岛，展示效果并透露澎湃 OS 4 有新交互。@数码闲聊站 称某国产迭代 OS 将实现 AI 语音助手上岛，该功能在苹果 iOS 27 发布前已开发完成。苹果在 WWDC26 演示 Siri AI 于灵动岛弹气泡执行操作。miclaw 基于小米 MiMo 大模型，2026 年 3 月 6 日首启小范围封测，4 月 21 日扩展至 PC、Mac、有屏音箱等多终端。卢伟冰 5 月 16 日表示 miclaw 不会取代小爱同学，未来计划将其能力与“超级小爱”合体增强小爱。

  3. IT之家·人工智能64

    iOS 27 Siri AI 系统提示词泄露：超 1300 行核心指令曝光

    随着 iOS 27 开发者预览版发布，Siri 反馈错误报告诊断文件中包含完整 LLM 指令文件 `siri_prompt.md`，超 1300 行、约 22000 token，已上传 GitHub。提示词定义 Siri 为苹果智能助手，要求先思考再决定是否调用工具，优先使用设备本地数据和搜索结构化信息，信息缺失或歧义时必须询问用户，不得编造。苹果未回应。Siri AI 将在 iOS 27、iPadOS 27、macOS 27、visionOS 27 测试版中开放测试，未来加入 watchOS 27。Apple Intelligence 支持 17 种语言，但 Siri AI 因监管要求不会在中国大陆推出。

  4. IT之家·人工智能41

    香港首个AI应用示范社区启动，推出“港话通”“港会通”“港文通”工具

    香港生成式人工智能研发中心（HKGAI）联同观塘民联会、香港升旗队总会启动全港首个“AI社区示范区”，培育首批50名社区AI大使。HKGAI推出三款AI工具：“港话通”可查询天气食谱、计算卡路里，已与佳宝超市打通积分；“港会通”与“港文通”支持多语言实时翻译、会议纪要自动生成及公文撰写校对。项目采取“手把手”教学，由社区AI大使指导街坊，并为行动不便者提供上门教学。HKGAI V1是香港首个AI大模型，本次观塘项目将作为试点推广至全港18区。

  5. IT之家·人工智能56

    苹果高管回应为何 iOS 27 推出 Siri 独立应用：方便查看历史对话

    iOS 27 新增 Siri 独立应用，苹果高管克雷格·费德里吉在发布会后技术分享会上解释，推出该应用并非转变聊天机器人战略，而是为用户提供一处可回看、查阅过往 Siri 对话记录的入口。他指出，Siri 本质上是深入融入系统、随用随取的交互工具，而非孤立聊天工具；在主屏幕放置独立应用是让用户管理历史对话的最直观方式。

  6. The Verge：AI59

    我试用了 Siri AI，目前来看确实好用

    苹果新版 Siri AI 终于能一次性从邮件或排版混乱的传单中提取足球赛或“精神周”主题日并添加到日历上。它还支持对话式交互，例如讨论花园玫瑰病害、整理五金店购物清单、设置花床堆肥提醒，并能引用邮件和日历中的信息来生成推荐。

  8. Hugging Face 社区博客67

    Hugging Face 博客发布语音智能体代码切换基准测试

    Hugging Face 博客发布针对语音智能体处理代码切换语音的基准测试。数据集覆盖西班牙语‑英语、法语‑英语、加拿大法语‑英语和德语‑英语四对语言，基于人力资源与IT服务管理场景构建。采用词错误率、语义词错误率和答案错误率三项指标评估七种ASR系统，包括AssemblyAI Universal 3-Pro、Deepgram Nova 3 Multilang、ElevenLabs Scribe V2、Gemini 3 Flash、Mistral AI Voxtral Small 24B-2507、Nvidia Parakeet TDT 0.6b V3和OpenAI Whisper Large V3 Turbo。主要发现：代码切换的转录成本因语言对和模型而异；ElevenLabs Scribe V2、Gemini 3 Flash和AssemblyAI Universal 3-Pro在所有指标上表现最佳。数据集和测试框架通过AU-Harness开源发布。

    推荐理由：如果你在给多语言客户做语音Agent，这篇博客直接把主流ASR的code-switching能力测了一遍，ElevenLabs Scribe V2目前最强，还开源了数据集，拿来就能测自己的模型。

  12. Jeff Dean81

    语音翻译一直是Google历时最久的机器学习项目之一，我们已经取得了长足进展。Gemini 3.5 Live Translate是我们最新的语音到语音模型，支持70多种语言。它能让日常产品和应用中跨语言的对话更加自然。 以下是一个示例，展示@InsideGrab的合作伙伴如何帮助旅客与司机建立联系。🚗 已在Google Translate和@GoogleAIStudio的Live API中推出。

    推荐理由：Google把语音翻译做到70+语言，Gemini 3.5 Live Translate直接塞进Google Translate和API，普通人下载App就能用，做跨国生意的这下有福了。

  15. IT之家·人工智能81

    谷歌发布实时语音互译模型 Gemini 3.5 Live Translate，谷歌翻译 App 即用

    谷歌发布实时语音互译音频模型 Gemini 3.5 Live Translate，可自动识别 70 多种语言并保留说话者的语调、语速和音高。该模型连续生成语音，在提升翻译质量与跟上说话者节奏间取得平衡，全程仅慢几秒。开发者即日起可通过 Gemini Live API 和 Google AI Studio 使用公开预览版；企业客户本月起可在 Google Meet 中使用私有预览版；普通用户通过 Android 和 iOS 版谷歌翻译即可使用。Android 用户还将获得“聆听模式”，可将手机贴耳通过听筒收听翻译音频。

  16. Rohan Paul76

    Google 推出 Gemini 3.5 Live Translate，一款实时语音转语音翻译模型。它在原说话者尚未说完时即开始翻译，无需等待完整句子。模型采用流式翻译，边听边更新结果，支持 70 多种语言，延迟仅数秒，并能保持语速、音高和语调。该功能通过 Gemini Live API、Google Meet 预览版以及 iOS/Android 版 Google Translate 应用推出。

    引用Google AI@GoogleAI

    Today, we released Gemini 3.5 Live Translate, our latest audio model for live speech-to-speech translation. It supports over 70 languages and starts translating as soon as you start talking, streaming translations while listening to what you say next. No awkward pauses or choppy audio, just real connection without language barriers. So, how does it work? 🤔 The model is able to make split-second decisions to juggle speed and translation quality so conversations actually feel fluid, human, and natural. In order to do this, the model must receive and contextualize the input while simultaneously outputting the translated speech. Through this process, Gemini 3.5 Live Translate manages to stay mere seconds behind each speaker and can even maintain pacing, pitch, and intonation across extended sessions. See it in action below, or try it yourself in the Google Translate app on iOS & Android.

6月9日周二
  2. Google AI85

    Google AI 推出 Gemini 3.5 Live Translate，一款面向实时语音到语音翻译的音频模型。该模型支持 70 多种语言，可在用户说话的同时开始翻译并流式输出译文，避免尴尬停顿或断续。模型通过毫秒级决策平衡速度与翻译质量，使对话流畅自然。它可边接收输入边输出翻译语音，延迟仅比说话者慢几秒，并能在长对话中维持语速、音高和语调。目前已在 iOS 和 Android 版 Google Translate 应用中上线。

  4. IT之家·人工智能58

    WWDC26 苹果推出全面改造的 Siri AI，IDC 称其为 AI 可信度测试

    彭博社记者古尔曼报道，苹果在 WWDC26 推出全面改造的 Siri AI，覆盖 iOS 27、macOS 27、watchOS 27 和 visionOS 27。IDC 分析师称 WWDC26 是苹果的 AI 可信度测试，需让 AI 在生态中可信、有用且不打扰用户。发布会期间苹果股价下跌 1.9%。Siri AI 初期仅支持英语，秋季以测试版面向消费者，中国和欧盟用户暂无法使用。IDC 分析师表示这些功能将推动 iPhone 14 及更早机型用户升级。

  5. The Verge：AI60

    苹果WWDC发布全新Siri AI：多模态、专用App与隐私优先

    苹果在年度开发者大会上推出全新Siri AI，CEO Tim Cook称其将“引入突破可能性的新技术与创新”。该Siri定位为整合所有苹果设备的多模态全能虚拟助手，拥有独立App与一体化AI智能体，高管强调隐私保护。此前苹果在2025年几乎完全忽视Siri并一再推迟AI承诺，今年终于集中发力追赶业界潮流。

  6. IT之家·人工智能43

    苹果发布会视频细节曝光：提及 Siri 时会切掉部分频率，防止观众附近设备误唤醒

    苹果发布会视频中，凡涉及 Siri 的段落，音频会切掉 3kHz、4kHz、5kHz、6kHz 频率部分，以防观众附近苹果设备被误唤醒。该细节由博主 @BugOS技术组 透露。报道还提及，2025 年春晚《小明一家》节目中“小爱同学”台词曾引发小爱音箱大规模误唤醒，小米官方称全球唤醒超亿次（统计时段 2025 年 1 月 28 日 23:00 至 1 月 29 日 12:00）。