跳到正文
5月20日周三
  1. IT之家·人工智能64

    谷歌升级 Workspace:语音对话协作 AI 检索邮件、起草文档、整理笔记

    谷歌在2026年I/O开发者大会上宣布升级Google Workspace,将Gmail、Docs、Keep等工具整合为支持自然语音交互的协作助手。核心新功能包括:可通过语音直接检索邮件内容的Gmail Live、支持口述起草与格式整理的Docs Live,以及能自动将零散想法整理成清单的Keep更新,旨在将办公流程从点击输入转向更自然的语音交互。此外,谷歌还推出了基于Nano Banana模型的独立图像编辑应用Google Pics,支持对图像进行精确的局部对象分割与修改。

  2. Google Blog:AI75

    Google Workspace 推出全新创建方式与高效工作功能

    Google 在最新更新中为 Gmail、Docs 和 Keep 增添了新的语音功能,并推出了一款名为 Google Pics 的全新设计工具。同时,其 AI Inbox 功能也得到了升级与优化。这些更新旨在进一步提升用户在工作场景中的协作效率与创作体验,通过集成更智能的工具和交互方式,帮助用户更便捷地完成多项任务。

    推荐理由:Google Workspace 直接植入了语音操作和设计工具 Pics,这波更新对办公效率很实在,做产品和运营的可以关注一下实际落地效果。

  3. Rohan Paul54

    语音AI因处理用户原始的思考与未完成的草稿等敏感输入,面临着比其他AI工具更严峻的隐私挑战。Typeless旨在通过“隐私优先”的设计在存储层解决这一问题。其核心原则包括零云端数据留存、绝不使用用户数据训练模型,并将历史记录完全存储在本地设备上。该公司现已通过ISO 27001信息安全标准认证。这一系列举措旨在向用户和企业证明,其产品能够有效保护用户的思考过程和工作内容,从而推动语音优先AI技术的普及。

    引用Huang Song@huang_song_

    Voice-first AI products touch some of your most private data: Your raw thoughts. Your unfinished drafts. Your unfiltered voice. Your work before it's ready to be seen. That deserves serious protection. Typeless is now ISO 27001 certified. 🛡️ ISO 27001 is one of the world's most rigorous information security standards - independently auditing how a company manages data, risks, systems, and controls. For users: Typeless is built to protect your thoughts and work. For enterprises: Typeless is ready for teams that need trusted, security-reviewed AI tools before adoption. Our privacy principles: 1. Zero cloud data retention 2. Never trained on your data 3. On-device history storage Voice-first only works if it's private by design. http://trust.typeless.com Written with @typelessdotcom

5月19日周二
  1. Qwen:Blog Retrieval77

    Qwen3.5-LiveTranslate:从声音到视觉,从词语到准确

    Qwen3.5-LiveTranslate-Flash 是 Qwen 家族最新的同声传译模型,基于 Qwen3.5-Omni 架构,支持实时多模态翻译(音频、视频及视觉上下文)。语言覆盖大幅扩展:输入音频与输出文本从18种增至60种,输出音频从10种增至29种。采用 Readable Unit 技术,平均端到端每 token 延迟降至2.8秒,相比前代首 token 延迟降低3.45秒、每 token 延迟降低1.88秒。支持一句话启动的实时语音克隆和可动态配置的热词增强。在 FLEURS 和 CoVoST2 基准上翻译准确率超越主流商用大语音模型。

    推荐理由:这个版本让同声传译从“能用”变成了“好用”,语言覆盖从 18 跃升 60,延迟压到 2.8 秒,加上视觉消除歧义,做国际业务和直播的人值得跟进。

  2. IT之家·人工智能40

    影石推出旗舰无线麦克风 Mic Pro:搭载彩色墨水屏与三麦阵列,限时价 528 元起

    影石今日发布旗舰级无线麦克风Mic Pro,首次搭载支持六色显示与自定义图案的彩色墨水屏,并首创三麦克风阵列,可实现四种指向拾音模式。该产品内置NPU模块以支持AI降噪,支持32-bit浮点内录。其单发标准零售价698元,即日起至6月21日享限时福利价528元起。Mic Pro具备最长10小时单次续航、400米无线传输距离及32GB内置存储,可直连影石多款相机,同时兼容手机与微单等设备。

  3. IT之家·人工智能52

    语音驱动人形机器人自主实时生成任意动作,宇树科技公布一镜到底视频

    宇树科技于5月19日发布一镜到底演示视频,展示了其G1人形机器人通过语音指令自主实时生成任意动作的能力。该技术突破在于无需预设动作,由AI系统根据语音直接驱动机器人实时生成动作,实现了真正的语音控制与动作生成闭环。演示过程中存在少量延迟,动作流畅度有待优化。G1机器人于2024年发布,具备23至43个关节电机,体重约35kg,身高约127cm,并配备力控灵巧手。

  4. OpenRouter65

    @xai 的 Grok 创意套件中 3 款新模型现已在 OpenRouter 上线: • Grok Imagine Image Quality:照片级真实图像生成与编辑 • Grok Imagine Video:从文本、图像或参考生成短片 • Grok Voice TTS 1.0:支持 20 多种语言的 5 种语音 更多详情见下方 🧵

    推荐理由:如果你觉得官方 Grok API 麻烦,OpenRouter 现在一口气上线了 Imagine 图像、视频和 Voice TTS,做创意产品的开发者可以直接从这里调用了,省去多签一轮 API key 的功夫。

  5. Rohan Paul68

    PolyAI现已向所有企业开发者开放其Agentic Dialog平台,将语音AI服务从高昂的年度合约变为可通过终端免费试用的产品。该平台的核心目标并非语音识别,而是攻克在通话中动态追踪复杂、多变的人类意图这一难题。其专有模型Raven将代理行为直接内置于模型本身,避免了冗长提示词在复杂对话中的失效问题。该模型已为FedEx等大品牌处理超10亿次对话。平台支持集成Raven或GPT-5等外部模型,使任何团队都能轻松构建、测试并部署企业级对话智能体。

    引用PolyAI@polyaivoice

    Starting today, we're opening our Agentic Dialog Platform to every enterprise builder. Our dialog agents have resolved 1 billion+ customer conversations for clients like FedEx, Unicredit, PG&E, Marriott, Foot Locker, and many more. These aren't easy conversations. They solve problems like: > A patient booking medical transport who needs insurance verified on the spot. > A homeowner calling their utility company about a gas leak. > A cardholder figuring out why their must-have purchase was declined. Standard conversational AI was never built for this. It was designed for chat, adapted for voice later. It generates responses, but can't do what dialog requires: hold context under pressure, navigate ambiguity in real time, and actually resolve problems. So we built a better model. Our proprietary model Raven was built from the ground up specifically for dialog. Agent harness in the weights, not bolted on through prompts that drift under pressure. And in our platform, you can deploy Raven as your default or bring in GPT-5, Claude, Gemini, whatever model fits your use case or regulatory requirement. Now that the Agentic Dialog Platform is open, any team can create, test, and deploy dialog agents on the same model and infrastructure the world’s top brands trust on their hardest days. This opens up the pool of builders across your entire enterprise. The person who knows customers best, who runs operations, who owns the customer journey: they're all builders now. Two ways to build: > Poly Agent Builder: Describe your use case in natural language, and it configures your agent, knowledge base, and conversation flows automatically. Production-ready in ten minutes. > Agent Development Kit (ADK): Developers use this to build dialog agents the same way they build everything else. Use your own IDE, a coding assistant like Claude, version with Git, deploy from your terminal. Get started now: http://studio.poly.ai/

5月18日周一
  1. IT之家·人工智能45

    理想 AI 眼镜 Livis OTA 推送 1.8.50 固件升级,全新 L9 首发指挥泊车

    理想汽车为AI眼镜Livis推送1.8.50固件升级,理想同学App同步升级至2.5.0。本次OTA更新新增5项功能,优化11项功能。全新理想L9首发支持通过AI眼镜语音指挥泊车,新增哨兵模式高风险提醒、英文唤醒词、语音唤醒开关及三种唤醒反馈选择。同时优化了蓝牙电话拨打体验、运动中视觉问答清晰度和视频颜色饱和度。

  2. IT之家·人工智能56

    豆包 App 上线博物馆讲解功能

    5月18日,豆包 App 在国际博物馆日上线“博物馆讲解”功能,用户点击对话框内按钮即可通过视频通话获得展品自动识别与个性化讲解。该功能支持轻声提问和“边走边听”模式,无需逐次交互。目前,豆包已合作覆盖中国国家博物馆、浦东美术馆等20余家博物馆和美术馆,并与其中5家机构达成深度合作,成为其重磅展览的官方AI讲解员。

5月17日周日
  1. IT之家·人工智能64

    古尔曼:全新苹果 Siri 支持自动删除聊天记录功能

    据彭博社报道,苹果将在下月WWDC上发布全新的独立Siri应用测试版,并随iOS 27正式推出。新版Siri核心升级包括:采用谷歌Gemini大模型增强能力,但数据处理在苹果私有云端进行,以保护隐私;支持聊天记录自动删除功能,用户可设置30天、1年或永久保留;提供全新对话界面和短信样式的列表界面;新增全局快捷手势一键唤起。即使秋季正式推送,该版本仍将保留测试版标识,用户可选择退出测试体验。

5月16日周六
  1. IT之家·人工智能52

    小米卢伟冰:miclaw 不会取代小爱同学,未来会合体赋能

    小米卢伟冰澄清,新AI交互测试产品miclaw不会取代小爱同学。未来miclaw将与超级小爱合体,将其能力融入小爱中,从而赋能并增强小爱的功能。用户界面仍为超级小爱,但后台将获得miclaw的支持,使其变得更聪明、更能干。Xiaomi miclaw基于小米MiMo大模型构建,是国内首款手机端AI智能体应用,已于3月6日上线并开启小范围封测。

  2. The Decoder:AI News44

    OpenAI收购了以模仿名人而闻名的声音克隆初创公司Weights.gg

    OpenAI已完成对小型初创公司Weights.gg的收购,该公司此前以提供泰勒·斯威夫特、唐纳德·特朗普等名人AI声音克隆服务而知名。约六人规模的团队现已加入OpenAI。不过,OpenAI明确表示暂无计划将此项技术作为独立产品向公众发布,此次收购主要着眼于团队与技术整合。

  3. IT之家·人工智能48

    OpenAI 低调收购声音克隆平台 Weights.gg,整合 AI 语音技术并应对版权争议

    OpenAI 于今年早些时候低调收购了AI声音克隆初创公司Weights.gg,获得了其全部知识产权和约六人团队。Weights.gg的平台允许用户创建AI语音翻唱和进行文本转语音,其社区模型库包含大量未经授权的名人声音模型。OpenAI自身已开发出仅需15秒音频即可克隆语音的Voice Engine技术,但因滥用担忧尚未广泛开放。公司正将语音技术整合进商业化产品,并调整业务以聚焦创收。此次收购也使其更深地卷入声音克隆技术引发的版权争议之中。

5月15日周五
  1. IT之家·人工智能45

    追觅推出 AI 录音名片 D・NOTE:支持一键录音后 AI 转写总结,899 元起

    追觅发布了一款名为 D·NOTE 的 AI 录音名片,主打一键录音、转写和总结功能。产品重30克,支持145种语言的在线秒速转写,并内置超过1800个中文模板以智能匹配总结。它还具备说话人识别功能,最大工作距离5米,最多可识别35人。此外,该设备支持NFC传输电子名片,内置电池提供最长30小时续航。产品提供8GB和64GB两个存储版本,首发价分别为899元和999元。

5月14日周四
5月13日周三
  1. IT之家·人工智能50

    谷歌 Gboard 输入法新增 Gemini 驱动听写功能,可识别一句话中的多种语言

    谷歌在Android活动中为Gboard输入法推出由Gemini驱动的AI语音听写功能Rambler。它能自动删除“呃”“啊”等填充词,并理解即时修正。其核心亮点是支持“代码切换”,可在同一句话中无缝识别多种语言且保持上下文连贯。谷歌强调,该功能不存储语音录音,结合设备端与云端处理以保障隐私。Rambler初期将于夏季在三星Galaxy和谷歌Pixel手机上推出,未来将扩展至更多Android设备。

  2. IT之家·人工智能52

    vivo 公布 OriginOS 6 五月体验升级亮点:小 V 语音一句话修图、原子岛充电动画等

    vivo OriginOS 6 五月体验升级带来多项新功能。核心亮点是“小V修图”,用户可通过语音指令一句话完成照片编辑。相册功能大幅增强,新增多款色彩风格、可编辑水印、自定义集浏览页面布局以及文件夹日期分组视图。原子岛充电动画升级,可实时显示充电速度与电量。此外,小V写作新增剪切板快捷入口,竖屏锁定优化了旋转切换逻辑,智能车载支持切换手机版地图。其他升级还包括小V帮读入口、蓝心小V的问答样式与图文质量优化、新增多款原子组件模糊材质,以及网络与无障碍体验的改进。

  3. Rohan Paul60

    X平台推出了首个完全由AI运营的电台,全天候为AI构建者和创始人播报新闻。该电台实时追踪GitHub、HuggingFace等多个平台的动态,将分散信息整合成连续音频流。其核心挑战在于信息排序而非语音生成,系统需判断哪些代码更新、模型发布或社区讨论值得关注。电台拥有五位具备编辑判断力、记忆和个性的AI主播,他们不仅能播报信息,还会识别模式、发现矛盾并论证观点。内容涵盖突发新闻、工具趋势、融资动态及社区观点,旨在帮助用户高效把握AI领域重要动向。

    引用thehype.@thehypedotnews

    Meet the 1st radio on X fully run by AI. Covers AI news 24/7, always on. Designed for builders and founders. Live right now. AI Twitter is hundreds of posts an hour. You can't read all of it. Tune in - hit play - do your thing. With non-distracting ambient music between segments. What you'll hear any hour you tune in: - breaking news within minutes - roundups every 30 min — top stories with builder context - startup funding & traction radar - what's moving and trending in AI tooling — GitHub, OpenRouter, HuggingFace — every 30 min - community — what people actually say on X, HN, YouTube - editorial takes — and real opinions from founders, researchers, builders - patterns others miss, delivered as arguments with conclusions Five AI hosts. Each with their own editorial judgment, memory, and personality. They don't just read data — they collect patterns, find contradictions, form opinions, and argue their point. And they do it live, continuously, on air.

  4. IT之家·人工智能61

    大版本来袭:第一代小米 SU7 汽车 OTA 1.16 开推,新增语音控车、疲劳分心下应急停车辅助功能等

    小米汽车开始向第一代SU7推送OTA 1.16大版本更新,旨在对齐新款车型的功能体验。本次更新重点升级了辅助驾驶与智能座舱:辅助驾驶新增语音控车、收费站通行辅助、侧向避让辅助及针对异形障碍物的前向防碰撞辅助等功能;特别增加了疲劳分心下的应急停车辅助,触发后将自动减速停车并禁用辅助驾驶30分钟。智能座舱方面,超级小爱新增“小爱陪伴”和“AI智控”功能。此外,还引入了车主管理模式。多数新功能仅支持SU7 Pro和Max车型。

  5. IT之家·人工智能61

    谷歌安卓桌面版重构鼠标光标交互,让 AI 听懂“这个 / 那个”比划

    谷歌DeepMind发布了名为Magic Pointer的AI光标交互功能,旨在重构桌面端安卓系统的鼠标使用体验。其核心理念是让AI无缝融入用户当前工作流,通过识别光标位置和语音指令理解上下文,无需复制内容或输入完整提示词。该功能遵循四项原则:保持工作连续性、支持“边指边说”交互、理解“这个/那个”等自然指代、将屏幕像素转化为可操作实体。目前,谷歌已在AI Studio上线演示,并正将相关能力逐步集成至Chrome浏览器的Gemini中。

  6. IT之家·人工智能45

    苹果 iOS 27 前瞻:相机 App 支持全面自定义且 Siri 迎来重大重构,Safari 和天气设计焕新

    据报道,苹果 iOS 27 将对相机 App 进行重大升级,支持用户完全自定义界面控件布局。Siri 将重构为全天候智能体,集成于灵动岛,并新增可切换第三方 AI 服务的系统搜索功能。Safari 浏览器将更新起始页设计,天气应用新增集成信息面板。此外,多个系统应用的底部标签栏将调整,主屏幕编辑新增撤销/重做功能。该系统预计于2026年6月9日WWDC正式发布。

  7. Demis Hassabis81

    团队正在用AI重新构想鼠标指针,成果非常酷!在@GoogleAIStudio尝试原型版本,体验相当神奇。 [引用 @GoogleDeepMind]:我们正用AI重新构想这个存在50年的界面——鼠标指针。🖱️ 这些实验演示展示了人们如何通过动作、语音和自然简写,在屏幕上直观操控Gemini完成任务🧵

    引用Google DeepMind@GoogleDeepMind

    我们正在用 AI 重新构想一个已有 50 年历史的界面——鼠标指针。🖱️ 这些实验性演示展示了人们如何通过动作、语音和自然简写,在屏幕上直观地指挥 Gemini 完成任务 🧵

    推荐理由:用了50年的鼠标指针第一次被AI改造,这个原型让你在屏幕上随手画圈、说话、打缩写就能控制Gemini,产品经理和设计师都该去玩一下。

  8. Elon Musk48

    Artificial Analysis 发布首个语音到语音(S2S)模型智能体性能基准测试𝜏-Voice,模拟包含口音、噪音和网络丢包的复杂客服场景。测试显示,当前最强S2S模型仅能端到端解决约一半的真实任务,与顶尖文本智能体存在差距。xAI的Grok Voice Think Fast 1.0以52.1%的成功率领先,平均对话时长5.6分钟;OpenAI的GPT-Realtime系列与谷歌的Gemini紧随其后。该领域发展迅速,排名可能随模型更新而变动。

    引用Artificial Analysis@ArtificialAnlys

    Announcing agentic performance benchmarking for Speech to Speech models on Artificial Analysis. We use 𝜏-Voice to measure tool calling and customer interaction voice agent capabilities in realistic customer service scenarios Even the strongest Speech to Speech (S2S) models today resolve only about half of realistic customer service scenarios end-to-end - a meaningful gap relative to frontier text-based agents on the same tasks. Voice channels introduce significant complexity: challenging accents, background noise, and packet loss, all while requiring fast responses, consistency across long multi-turn conversations, and reliable tool use. Performance also varies considerably by audio condition: in clean audio some models perform notably better, but realistic conditions continue to pose a challenge. Conversation duration also varies meaningfully across models, with implications for both customer experience and operational cost. About 𝜏-Voice: Our Agentic Performance benchmark is based on 𝜏-Voice (Ray, Dhandhania, Barres & Narasimhan, 2026), which extends 𝜏²-bench into the voice modality to evaluate S2S models on realistic customer service tasks. It measures multi-turn instruction following, support of a simulated customer through a complete interaction, and tool use against simulated customer service systems. The simulated user combines an LLM-driven decision model with realistic audio synthesis: diverse accents, background noise, and packet loss modelled on real network conditions. This complements our Big Bench Audio benchmark measuring intelligence and Conversational Dynamics (Full Duplex Bench subset) benchmark measuring conversational naturalness. Scores are the average of three independent pass@1 trials. We evaluate under realistic audio conditions using the 𝜏²-bench base task split across three domains: ➤ Airline (50 scenarios): e.g., changing a flight, rebooking under policy constraints ➤ Retail (114 scenarios): e.g., disputing a charge, processing a return ➤ Telecom (114 scenarios): e.g., resolving a billing issue, troubleshooting a service problem Task success is determined by deterministic checks against expected actions and final database state, consistent with the 𝜏²-bench evaluator. Key results: xAI's Grok Voice Think Fast 1.0 is the clear leader at 52.1%, averaging 5.6 minutes per conversation, the second-longest overall. OpenAI's GPT-Realtime-2 (High) (39.8%, 3.0 min) and GPT-Realtime-1.5 (38.8%, 4.8 min) follow, with Gemini 3.1 Flash Live Preview - High close behind at 37.7% (3.8 min). Speech to Speech is a fast evolving modality and we expect movement in rankings as we continue to add new models with these capabilities, and model robustness improves. Congratulations @xAI @elonmusk! See below for further detail ⬇️

  9. Elon Musk40

    试试Grok Voice [引用 @XFreeze]:Grok Voice Think Fast 1.0 在Artificial Analysis τ-Voice基准测试中位列第一,专注于实际场景的自主客户服务解决 以巨大优势绝对领先于GPT-Realtime-2(高级版)和Gemini 3.1 Flash 相比OpenAI几天前刚发布的最佳模型领先幅度超过12% Grok正在运行实时后台推理且无延迟惩罚,因此已能自主大规模处理实时的Starlink电话业务

    引用X Freeze@XFreeze

    Grok Voice Think Fast 1.0 ranks #1 on the Artificial Analysis τ-Voice benchmark for real-world agentic customer service resolution Absolutely outperforming GPT-Realtime-2 (High) and Gemini 3.1 Flash by a huge margin That's a massive 12%+ lead over OpenAI's best model that just released a few days ago Grok is running real-time background reasoning without the latency penalty, which is why it is already handling live Starlink phone operations autonomously at scale

5月12日周二
  1. The Decoder:AI News66

    Thinking Machines Lab发布首款模型,主张交互性才是OpenAI语音技术的误区

    由Mira Murati创立的Thinking Machines Lab发布了其首个人工智能模型,旨在突破传统语音AI的问答模式。该模型以200毫秒为数据块,并行处理音频、视频和文本信息,专注于提升实时交互的流畅性与自然度。公司宣称,这一设计在交互质量上超越了OpenAI的GPT Realtime 2和Google的Gemini Live,致力于推动语音助手向更自然、非问答式的对话体验演进,从而重新定义人机交互方式。