Reachy Mini 机器人现可通过 `speech-to-speech` 库实现完全本地化的语音交互，无需依赖云端。该方案采用级联流水线架构，对外提供 Realtime API 兼容的 WebSocket 接口。默认组件包括 Silero VAD 用于语音活动检测、Parakeet-TDT 作为语音转文本模型、通义千问（Qwen3-TTS）作为文本转语音模型。大语言模型推荐使用 llama.cpp 运行 Gemma 4。所有数据均在本地处理，保障了隐私且无 API 费用。
推荐理由：小众硬件的本地语音实战，但HF这套开源管线证明端到端对话已完全可用，所有组件都可自由替换，想做本地化语音助手的人可以照抄。
Greg Brockman@gdb精选AI 评分6666你现在可以使用 Codex 实时转录会议，并在会议进行过程中向 Codex 提问！ 我更新了我的新 Codex Meeting Recorder 技能，使其使用 GPT Realtime Whisper。告诉 Codex 使用该技能，它就会开始转录并在预览窗格中显示。你可以在转录生成过程中就转录内容提问。会议结束后，告诉 Codex 结束，你就会得到完整的转录文本和一个格式化版本（格式化版本还需要改进；已在我的待办清单上）。 请注意，由于这使用的是 GPT Realtime Whisper 端点，它比在会议结束时再转录更贵，每分钟 $0.017（所以一场 30 分钟的会议大约 $0.51）。我正在考虑未来添加一个本地实时选项，比如使用 Nemotron Speech Streaming。 GitHub 链接在帖子串中，还有一些说明。
推荐理由：Greg 转发的这个 Codex 技能把实时会议转录和问答直接塞进了编辑器，0.5 美元一场会，做会议纪要的可以立刻用起来。
腾讯会议正式推出“声链”功能，旨在解决同一会议室内多台设备同时开麦时产生的啸叫问题。该功能基于腾讯天籁实验室的跨设备AI回声消除技术，通过算法对各设备音频进行回声消除与高质量混音对齐，以纯软件方案实现清晰无干扰的音频体验，并支持自动识别发言人。用户需将腾讯会议升级至最新版本以体验该功能。
在鸿蒙智行问界 M9 系列新品发布会上，华为发布全新一代鸿蒙智行 HarmonyOS 专属座舱。该座舱采用华为手机/平板/电脑同源设计，支持卡片/应用/文件夹自由组合布局，操作效率提升 70%，并支持 3D 空间极简控车。此外，座舱配备专属小艺，具备类人思考架构、跨设备协同及模糊目的地导航等功能。
华为协同认证功能正在逐步适配上线。该功能允许用户在设备锁屏时，通过附近协同设备（如华为AI眼镜）确认身份后，直接使用小艺的部分语音指令，无需手动解锁。目前华为AI眼镜已完成适配，后续将逐步支持更多耳机、手表等设备。
Stability AI 发布了 Stable Audio 3，这是一个用于器乐和音效生成的潜在扩散模型家族。此次发布包含 Small 和 Medium 两个开放权重变体。Small 变体可在 MacBook Pro M4 CPU 上运行，Medium 变体适配 8GB 显存的消费级显卡。两者均采用流匹配、蒸馏预热和对抗后训练的三阶段流水线，以生成 44.1 kHz 的立体声音频。在 BBC Sound Effects 基准测试（5秒片段）中，SA3 Medium 的 FAD 得分为 0.369，优于论文中评估的所有开放权重基线。
环球音乐集团（Universal Music Group）与 TikTok 续签了合作协议，旨在打击平台上未经授权的 AI 音乐。多年来，环球音乐集团一直推动各大平台、流媒体服务及 AI 公司实施更严格的内容审核政策，此次续签是其相关行动的一部分。
Suno 用户社区出现一种现象：部分用户不再使用 Spotify 等传统音乐流媒体，转而几乎只收听自己通过 Suno 生成的 AI 音乐。有用户在 Reddit 帖子中“自豪地宣称”并引发了共鸣，他们将此形容为一种“令人上瘾”的体验，沉迷于收听自己创作的、源源不断的“热门歌曲”。
ElevenLabs 发布 Music v2，提升人声、器乐和编曲质量，支持单首歌内从歌剧切换到重金属、局部 inpainting 重新生成与逐段构建完整歌曲，多语言歌词与演唱表现更稳定。
推荐理由：原文来自 ElevenLabs 官方，给出模型能力细节、三平台定位和降价幅度，可帮助读者评估其在音乐生成场景的可用性。
小米集团总裁卢伟冰在财报电话会上表示，小米手机全球市场份额连续 23 个季度稳居前三，手机均价及海外均价创历史新高，毛利率超预期。他强调将坚定推进高端化与全球化，并用 AI 重塑手机业务，今年超级小爱与 miclaw 合体是关键节点。面对存储涨价，小米表示不会简单地将成本转嫁消费者，将通过产品矩阵升级与软件优化平衡规模与利润，并透露今年七八月将发布带来新交互体验的新一代 OS。
OmniVoice Studio 是一个完全在本地硬件上运行的开源项目，无需 API 密钥、云账户或订阅。它提供语音克隆、视频配音、实时听写和说话人分离等功能，支持 646 种语言的语音合成（TTS），并暴露一个 MCP 服务器，可与 Claude、Cursor 等 MCP 客户端集成。
阶跃星辰于2026年5月发布StepAudio 2.5 Realtime，这是一款支持完全可定制个性化角色的端到端实时语音大语言模型。该模型通过WebSocket API提供服务，支持中英文。在2026年4月进行的五个基准测试维度中均排名第一，具体包括80.41的人类评测得分和82.18的副语言理解得分。
苹果将优化AirPods软件功能，但暂无独立应用计划。iOS 27将大幅改动设置应用中的AirPods菜单界面，使其更实用、清晰、简洁。当手机连接AirPods后，其设置页面会自动置顶于设置首页。此次改版旨在优化长期叠加新功能后变得繁杂的界面信息层级。该更新将同步上线于iOS 27、iPadOS 27及macOS 27系统，新系统将于数周后的苹果全球开发者大会发布。
亚马逊推出了AI可穿戴设备Bee，与其他同类产品类似，它在提供便利性的同时也引发了用户对隐私的担忧，这种便利与隐私焦虑的矛盾结合显得十分奇特。
苹果宣布WWDC 2026将于北京时间6月9日凌晨1点开幕，并已注册全新子域名genai.apple.com，预示其在生成式AI领域的新动作。新版iOS 27等系统将集成大量Apple Intelligence功能，包括支持连续对话的Siri独立应用、视频实时字幕生成、自然语言语音控制以及扫描提取信息等智能工具。
StepFun@StepFun_ai精选AI 评分7676推荐理由：StepFun 这个语音模型把副语言感知做进了实时 API，产品人想搞点情感化语音交互的可以试试，预设角色能省不少调 prompt 的功夫。
MiniMax (official)@MiniMax_AIAI 评分4949Meet Colin, Lexi, and Gizmo. One is part of Gradium's GTM team. One is his dog. And one is the AI assistant he built himself. This is their day in Paris.
人们运用人工智能技术分析驾驶舱录音的频谱图图像，成功重建了已故飞行员的声音。这一行为迫使美国国家运输安全委员会（NTSB）临时封锁其文档系统的访问权限，以应对潜在的安全风险。该事件展示了AI在音频修复领域的实际应用，同时突显了数据管理、隐私保护及系统完整性方面的挑战。
网友利用语音合成技术，成功模拟并重现了已故飞行员的声音。此举挑战了美国国家运输安全委员会（NTSB）禁止公开驾驶舱录音的法律规定。变通手段规避了该禁令，引发监管机构对音频数据滥用与伦理问题的关注。
ChatGPT@ChatGPTapp精选AI 评分6969用对话处理文书工作更轻松。 借助ChatGPT的图像功能和语音模式，您可以上传表单，说出要填写的内容，即可获得填写完成的版本。
推荐理由：填表终于不用打字了，上传表格对着说就行，ChatGPT 这个更新把语音和图像真正串起来，以后各种纸质表单直接扔进去就完事。
Artificial Analysis@ArtificialAnlysAI 评分6161ElevenLabs 官宣，Voice Marketplace 语音创作者累计收入从 2025 年 11 月的 1100 万美元增长到超过 2200 万美元， earning 创作者超过 10400 人，覆盖 32 种语言。
网易有道宣布将其“子曰”大模型4.0的多模态模型与语音合成模型面向全球全量开源。其中，多模态模型（27B参数）专注于教育场景，在处理高难度视觉数理问题上达到行业顶尖水平，纯文本中文数理难题准确率为81.4%。该模型通过思维链优化，将输出长度压缩43.2%，有效降低了推理成本。同时开源的语音合成模型支持跨语种音色与情感迁移克隆，3秒内即可完成零样本复制，准确度超97%，并支持包括中、英、日、韩在内的14种语言。
推荐理由：有道把垂直教育的多模态模型全量开源，27B参数在视觉数理上做到SOTA，还把思维链压缩了43%，推理成本实打实下降，做教育应用的可以拿来做二次开发；TTS的跨语种情感克隆也实用，3秒克隆14种语言。
安克推出了Liberty 5 Pro及Pro Max降噪耳机，全系搭载其自研的“Thus”AI芯片。该芯片提供20种语音指令并支持AI会议助手等智能功能。耳机采用自适应主动降噪4.0系统，配合多麦克风及传感器，号称实现“全球通话最清晰”。产品定价1399元起，享受国补后到手价1070.23元起。此外，耳机单次续航6.5小时（开启降噪），总续航达28小时，并支持蓝牙6.1和IP55防水。
江苏镇江网友使用豆包App预约餐厅后到店被拒，引发对AI“幻觉”现象的讨论。豆包官方回应称其App暂不支持实际餐厅预约。努比亚总裁倪飞发布视频回应，指出豆包App可能尚不支持真实预约功能，但搭载豆包手机助手的努比亚M153（豆包手机）可执行此类操作。在演示中，该手机通过系统级集成，根据用户语音指令自动完成餐厅筛选与预订，体现了AI指令直达服务终点的能力。努比亚M153是与字节跳动合作的工程样机，此前曾限量发售。
Spotify Labs推出一款名为Studio的独立AI应用，该应用可根据聊天指令为用户生成每日简报、播客与播放列表。其AI内容生成不仅基于用户的Spotify收听历史，还能整合所连接应用的信息，如邮箱、日历与备忘录。AI还能代为执行任务，包括研究话题、浏览网页、整理信息及协助完成事项。生成的内容可保存至Spotify资料库。该应用将以研究预览形式在未来几周内向年满18岁的用户推出。
Spotify 推出新的人工智能功能，支持播客听众根据个人提示生成每日或每周的内容简报。该功能通过 AI 分析用户输入的指令，自动整理并提炼相关播客节目的核心信息，形成结构化摘要，旨在提升用户获取信息的效率与个性化体验。
Spotify将于今年晚些时候发布新的有声读物计划，该计划整合了ElevenLabs的语音合成技术，旨在为创作者提供更便捷的有声内容制作工具。这标志着Spotify正进一步深入有声读物市场，并利用AI技术降低内容生产门槛。
腾讯会议正式上线“AI 同传”功能。该功能无需插件或外接设备，每位参会者均可独立开启，支持模仿发言人音色，实现发言与翻译几乎同步，时延低于3秒。用户可调节同传与原声音量，并已与原有的文字转写、会中字幕功能打通，支持可听、可译、可见、可记的多维度跨语言会议体验。
京东数字人近日完成核心能力升级，从“会播、会答”的数字主播进化为面向直播经营全链路的智能增长中枢，帮助商家以更低成本打造接近真人头部达播效果的直播间。已累计服务超7万商家，2026年一季度开播量同比激增10倍。该产品为京东自研AI，曾获2024年吴文俊奖，实现长时长、自由态、高频互动，推出采销东哥、总裁、明星及IP数字人。
微信鸿蒙版App发布了8.0.17.39正式版更新，当前安装量已超5565万次。本次更新主要增强了视频号功能，包括资料修改、新注册支持、播放旋转及直播选项增加等。同时优化了“听一听”模块，新增AI写歌与灰度测试的会员卡、跨平台文件传输等功能，并改进了聊天界面交互与朋友圈评论体验。
小米汽车官方于5月21日宣布，其车机系统OTA 1.16版本已开启全量推送。本次更新重点新增了“自定义萌宠上车”、“小爱陪伴”、“模糊语义理解”以及“商圈地库车位级领航”等功能，旨在提升智能座舱的交互体验与辅助驾驶能力。车主可留意手机端或车机上的更新通知进行升级。
OpenAI Developers@OpenAIDevsAI 评分5858
OpenClaw🦞@openclaw精选AI 评分6666推荐理由：一堆小修小补但都很实用，尤其 Android 实时对话模式，开源 AI 客户端里难得把体验做到这个程度，值得更新。
MiniMax (official)@MiniMax_AIAI 评分6767We added 600+ new voices on Together AI! Introducing MiniMax Speech 2.8 Turbo on Together AI, an enterprise TTS model for expressive real-time voice agents. AI natives can now deploy @MiniMax_AI Speech 2.8 Turbo on Together AI dedicated infrastructure, and try the voices directly in voice finder.
阿里巴巴 Qwen 团队发布了实时多模态翻译模型 Qwen3.5-LiveTranslate-Flash。该模型能同时处理音视频输入，支持60种语言的输入和29种语言的语音输出，端到端延迟低至2.8秒。相比前代，新增了实时说话人声音克隆、通过唇语和屏幕文字增强视觉理解，以及动态配置领域专业术语等能力。在 FLEURS 和 CoVoST2 基准测试中，性能超越主流商业模型。目前仅以 API 形式通过阿里云百炼平台提供服务，采用 WebSocket 协议通信。
阿里通义千问团队发布了Qwen3.5-LiveTranslate-Flash实时语音翻译模型。该模型将支持的音频输入与文字输出语种从18种大幅提升至60种，输出音频语种从10种增加至29种。通过采用新的流式翻译技术，端到端字均延迟降低至2.8秒，同时支持实时音色克隆以保留说话人原声特征，并内置动态热词引擎以提升专业术语翻译准确性。模型在多个公开基准测试中表现优于前代及主流模型。
通义实验室（千问）发布 Qwen3.5-LiveTranslate，实现“开口即同传”——用户说话的同时即可获得翻译结果，支持实时语音同声传译。目前尚未公布模型参数规模、benchmark 分数、上下文长度等具体技术细节。