MiniMax (official)@MiniMax_AIAI 评分5757Come build agents that can finally hold a fluid conversation at the 24-Hour Conversational AI Hackathon, hosted by @usemoss at the YC Office, June 6-7. First place wins an interview with a YC partner: https://events.ycombinator.com/conversational-ai-hackathon-2026
MiniMax (official)@MiniMax_AIAI 评分4646Come build agents that can finally hold a fluid conversation at the 24-Hour Conversational AI Hackathon, hosted by @usemoss at the YC Office, June 6-7. First place wins an interview with a YC partner: https://events.ycombinator.com/conversational-ai-hackathon-2026
Miso Labs 推出 MisoTTS，一款开放权重的 8B 参数文本转语音模型。该模型采用残差向量量化（RVQ）在不增加参数量的情况下扩展声音范围，并同时基于文本和音频上下文来响应用户语调。架构由 7.7B 主骨干与 300M 深度解码器组成。
xAI 宣布与 Vapi 合作，Grok 将作为 Vapi 平台上 12 种核心语音的默认引擎，覆盖超过 250 万个语音智能体。在 Vapi 独立盲测中，Grok Voice 位列第一；X 平台上的人机语音盲猜中，超 4500 名用户有一半无法区分 Grok 与真人。现在，Grok Speech-to-Text 和 Text-to-Speech 已集成至 Vapi Dashboard，团队还可通过 Grok Voice API 获取高级定制选项（含语音克隆），用于旁白、播客、广告等场景。
推荐理由：xAI 把 Grok 的语音能力直接接入了 Vapi，250 万+语音代理一夜升级，语音交互的“自然度”竞赛从实验室卷到了生产环境。
Elon Musk@elonmuskAI 评分6161Grok Voice Think Fast 1.0 now ranks #1 on the Artificial Analysis τ-Voice benchmark for real-world agentic customer service resolution It is outperforming GPT-Realtime-2 (High) and Gemini 3.1 Flash by a significant margin while already being deployed in real-world operations What’s especially impressive is that Grok Voice is actively handling customer interactions through natural speech for Starlink and many enterprise operations in the real world......providing AI services entirely through voice
Elon Musk@elonmusk精选AI 评分7272Grok Imagine Video 1.5 上线 AI Gateway。 一次生成即可完成带同步音频的图生视频。 𝚊𝚠𝚊𝚒𝚝 𝚐𝚎𝚗𝚎𝚛𝚊𝚝𝚎𝚅𝚒𝚍𝚎𝚘({ 𝚖𝚘𝚍𝚎𝚕: '𝚡𝚊𝚒/𝚐𝚛𝚘𝚔-𝚒𝚖𝚊𝚐𝚒𝚗𝚎-𝚟𝚒𝚍𝚎𝚘-𝟷.𝟻-𝚙𝚛𝚎𝚟𝚒𝚎𝚠', 𝚙𝚛𝚘𝚖𝚙𝚝: '𝚊 𝚛𝚊𝚋𝚋𝚒𝚝 𝚜𝚙𝚛𝚒𝚗𝚝𝚒𝚗𝚐 𝚝𝚑𝚛𝚘𝚞𝚐𝚑 𝚗𝚢𝚌' });
推荐理由：Grok Imagine Video 1.5 把同步音频塞进了图生视频，一条 prompt 直接出带声短片，做短视频和创意的可以换上这条流水线了。
AI 音乐生成企业 Suno 完成 4 亿美元 D 轮融资，投后估值 54 亿美元，较七个月前 C 轮估值翻番。公司承认使用受版权保护歌曲训练 AI 模型，但辩称符合合理使用原则。索尼与环球音乐 2024 年首次起诉后，涉案曲目从 560 首增至超 6.1 万首；华纳音乐于 2024 年 11 月与 Suno 和解并签订授权协议。本轮由 Bond Capital 领投，用户日均生成 AI 歌曲超 700 万首。
推荐理由：一边被三大唱片巨头起诉，一边估值翻倍到54亿美元，资本对AI版权风险的容忍度比我们想的要大得多。创作者和平台都得重新想「合理使用」的边界在哪了。
Gemma 4 12B 是 Google DeepMind 发布的无需编码器的多模态模型，直接将视觉和音频输入大语言模型骨干，支持原生音频，可在 16 GB 笔记本电脑上本地运行，采用 Apache 2.0 开源许可。
xAI@xaiAI 评分7070Grok STT and Grok TTS from @xai are now live on Vapi, the platform for enterprise voice AI. Build on Vapi to create custom voice agents that speak your customers' language, capture the details that matter in regulated workflows, and sound noticeably more human on every call.
这家由前高盛和Meta创始人创办的语音AI初创公司，专注于非洲和中东市场，其自有技术栈目前已处理日均超过17000通电话。
Suno@suno精选AI 评分6868推荐理由：AI音乐生成头部又融了一轮大的，估值涨3倍，但产品本身没啥变化，这轮更多是行业信号而不是用户福利。
OpenRouter@OpenRouter精选AI 评分6868三款新的 @MicrosoftAI 模型现已在 OpenRouter 上线！ 同步推出：MAI-Image-2.5、MAI-Transcribe-1.5 和 MAI-Voice-2。详情见下文 🧵
推荐理由：微软三个多模态模型一口气上架 OpenRouter，图像、转录、语音全齐了，开发者直接调 API 就能用，做产品的可以试试效果。
谷歌为 Android 推出“虚假来电检测”功能，当通讯录联系人双方均使用 Phone by Google 时，系统可基于端到端加密的 RCS 信号实时验证来电设备，防范利用 AI 语音克隆冒充熟人的诈骗。该功能默认开启，本月向全球推送，首批支持 Android 12 及以上系统设备，率先登陆 Google Pixel 系列。
Google Phone 应用新增诈骗检测功能，当来电号码伪装成联系人但实为诈骗者使用 AI 变声时，会标记为可疑通话。2025 年 FBI 报告显示，美国人因 AI 诈骗损失超过 8.93 亿美元，该功能旨在帮助用户避免此类风险。
微软在 Build 2026 开发者大会上宣布扩展 Edge 浏览器的端侧 AI 能力。其核心是发布了 Aion-1.0-Instruct 小语言模型的开发者预览版，该模型比 Phi-4-mini 更高效，可在包括无 GPU 设备在内的更多设备上运行，并计划于 7 月在 Hugging Face 开源。同时，Edge 148 预览版推出了由端侧专用模型驱动的语言检测与翻译 API，支持超过 145 种语言。此外，Edge Canary 和 Dev 通道还提供了基于端侧模型的 Web Speech API 语音识别实验功能，实现了本地化处理。
Microsoft 发布文本转语音模型 MAI-Voice-2，官方称在保真度、语言覆盖、说话人一致性和情感范围上较前代显著提升，并列对比偏好测试中 72% 的场景优于 MAI-Voice-1。
推荐理由：原文给出语言扩展、情感控制、零样本克隆与偏好测试数据，读者可以据此评估它在语音产品里的实际可用性。
xAI正在全球招聘“中文AI导师”，以训练其AI模型Grok的中文语音交互能力。核心工作是整理与标注高质量音频数据，以改进Grok的多语言语音识别与理解。应聘者需母语为中文，并具备至少英语B2水平。该职位提供全职、兼职或合同工等多种形式，支持全程远程办公。美国境内候选人的时薪为35-45美元。
微信正与华为、荣耀、小米、OPPO、vivo 等手机厂商合作推出 A2A（Agent-to-Agent）助手能力。用户可通过手机语音助理发起微信音视频通话或向指定好友发送消息。该功能由厂商 AI 助手向微信发起指令，微信负责执行并返回结果，采用双重授权机制保障数据安全。相关功能正在逐步开放中，荣耀的部分手机已率先支持。
微软推出转录模型 MAI-Transcribe-1.5，新增关键词偏置功能，可让用户提供人名、产品名、医学术语等特定领域词汇列表来引导预测，模型会结合上下文判断是否应用偏置而非强行匹配。在 FLEURS 多语言基准上，启用关键词偏置后词错误率（WER）降低 30%，同时保持通用语音的识别准确率。
苹果WWDC26开发者大会将于北京时间6月9日凌晨1点开幕。本届大会以“All systems glow”标语预热，这改编自“一切就绪”，被外界解读为暗示即将登陆iOS 27的Siri界面改版，可能包括推出独立App及在灵动岛新增功能，并采用深色UI与发光视觉元素。大会首场发布会将正式发布iOS 27等全系列新系统，并通过苹果官网及YouTube直播。
OpenAI Developers@OpenAIDevsAI 评分4646🤳 Agentic OS for a Phone A voice-first mobile OS. Users talk, agents answer, and they can take action across the phone. https://cerebralvalley.ai/e/openai-voice-hack-night/hackathon/gallery?project=49
Artificial Analysis@ArtificialAnlysAI 评分6161
录音学院 CEO Harvey Mason Jr. 指出，人工智能在音乐制作中已“无处不在”。流媒体平台 Deezer 报告，每天有超过 5 万首 AI 生成歌曲被上传，这类内容越来越难以识别和过滤。Suno 等工具已成为各类音乐家主流创作流程的一部分。尽管如此，录音学院的规则规定，AI 音乐不具备获得格莱美奖这一行业最高荣誉的资格。
MiniMax (official)@MiniMax_AIAI 评分7878Congrats to the @MiniMax_AI team on the release of M3! 👉 A frontier-class open-weight model 👉 1M context window 👉 Native multimodality (image & video)
Greg Brockman@gdbAI 评分5858GPT Realtime 2 解锁了一些真正的魔法： GPT-Realtime 2.0 被严重低估了。 演示：
Watch me control my computer with just my voice. This is the future of operating systems. No hands. GPT-Realtime 2.0 is very, very underrated. Demo:
文章对2026年领先的商用与开源权重文本转语音（TTS）模型进行了排名对比。评估维度包括语音质量、延迟、成本、语言覆盖范围及许可协议，旨在帮助工程师根据具体应用场景选择合适的模型。
Greg Brockman@gdb精选AI 评分7676OpenAI 刚刚发布了一种全新的模型 gpt-realtime-translate 接收任意语言的语音音频，并输出你目标语言的语音 LLM 很棒，但针对特定用例你需要专门的模型 我们正在我们的智能眼镜上运行这个
推荐理由：OpenAI悄悄推出一个专门做实时语音翻译的模型，不是通用LLM，而是专用模型。这标志着AI交互从文字转向语音的第一步，做翻译硬件或AR眼镜的团队要睡不着了。
小米大模型应用团队发布开源可控视频音效生成模型 ControlFoley，旨在解决创作中的可控性难题。该模型统一支持文本引导视频配音、文本控制视频配音和参考音频控制视频配音三类任务。ControlFoley 在 VGGSound-Test 等多个 benchmark 上取得开源 SOTA 表现，其代码、模型权重和在线 Demo 均已开放。
推荐理由：小米开源的 ControlFoley 把视频音效生成从“看画面配声音”推进到“按意图来”，开源 SOTA 且直接提供 Skill，做视频创作的可以上手试试。
京东JoyInside与ZORICAM联合推出小龙AI魔法益智打印机，集故事机、聊天机器人、打印机、学习机于一身。产品搭载京东自研JoyAI大模型，首创面向儿童的“情景式对话+打印”交互：唤醒“小龙”后通过语音指令即可生成画作并打印成专属贴纸，还能在对话中理解语境主动提出打印建议。硬件支持WiFi连接，续航超48小时。
由Oculus创始人创办的AI初创公司Sesame发布了其iOS应用，该应用将对话式AI智能体带给公众。应用提供更自然的来回交互体验，设计上区别于传统聊天机器人，旨在让用户感觉更像在和真人对话。
推荐理由：Oculus创始人做的对话AI，交互设计大概率能看到一些VR时代的人机直觉。虽不是大模型层创新，但产品体验可能重新定义什么样的对话才叫自然。
根据彭博社（Bloomberg）的渲染图显示，苹果计划在iOS 27中对Siri进行大幅重新设计。新版Siri将采用全新的聊天界面设计，可通过Dynamic Island（灵动岛）弹出，下拉菜单包含“Ask”、“Siri”和“ChatGPT”等选项，其视觉风格类似ChatGPT并融入了Liquid Glass设计语言。这些渲染图基于知情人士提供的信息，可能与最终设计有差异，苹果预计将在6月的WWDC大会上正式公布。
Rivian首席软件官Wassym Bensaid同时担任该公司与大众集团成立的合资公司RV Tech的联席CEO。这家合资公司源于大众近60亿美元投资，旨在为大众及其旗下品牌的未来电动汽车开发操作系统和电子架构。Rivian正准备交付基于新架构的更平价车型R2，并已在R1车型中推出了AI驱动的Rivian Assistant。Bensaid将此视为打造更具“智能体”特性车载软件平台的关键一步。
京东自研JoyAI语音大模型LiveTTS具备多语种、情绪解耦、语速解耦、捏声音色及一句话音色克隆（3—10秒语音）五大能力，已接入JoyClaw技能商店。覆盖10余种语言和8种方言，支持同一音色多方言与情绪表达。应用于JoyInside智能终端、JoyAI App万能博士、数字人JoyStreamer（累计服务超7万商家）及AI播客。618期间支撑千万级并发实时交互，为智能客服、数字人直播等场景提供低延迟语音输出。
ElevenLabs 与希腊政府签署谅解备忘录，将语音 AI 应用于三大方向：gov.gr 门户的政府呼叫中心服务（该门户已有超过 2,200 项服务）、Visitgreece.gr 旅游基础设施，以及以克里特方言为起点的当地方言保护，Athena Research Center 担任本地合作方。
ElevenLabs 发布 Dubbing v2 AI 配音模型，通过直接以原说话者的表演为条件生成语音，保留语气、节奏、停顿和情感意图，并同步适配到 90+ 语言的口语表达。
推荐理由：原文说明了模型直接基于原表演生成配音的思路，以及面向创作者、营销团队和工作室的不同入口，可用于判断是否替代现有配音流程。
AI音频公司ElevenLabs宣布与Stan Lee Universe达成合作，将在其平台整合漫威之父斯坦·李的声音、形象及音乐风格。其克隆声音已上线Iconic Marketplace和Eleven Reader，并内置“斯坦·李每月读书会”。ElevenCreative Music平台还推出了两款受其启发的Finetunes微调滤镜。相关使用默认限于个人非商业用途。
对话模式在文本和语音输入方面进行了改进。语音会话开始时，可访问用户的图像提示、风格参考、侧边栏设置和最近任务。图像提示功能现可从托盘和侧边栏直接使用。在语音提交过程中，托盘中的图像将保持不变，直至用户手动移除。
推荐理由：Midjourney给语音模式补了一课——现在它能记住你正在用的图片参考和风格设置，语音创作不用反复翻找，用完即走的轻量用户可能无感。