今天我们分享我们在交互模型上的工作。这是一类全新训练的模型,原生支持实时交互,而非将其附加到回合制模型上。 https://youtu.be/A12AVongNN4
#语音
Mira Murati@miramuratiAI 评分5757
IT之家·人工智能AI 评分4646 哈曼发布 AI 赋能车载 K 歌平台 Sing Drive:支持实时人声消除,打破预授权曲库依赖
哈曼中国发布AI赋能车载K歌平台Sing Drive。该平台原生集成于整车信息娱乐与音响系统,采用低时延AI技术,可对任意来源的音乐进行实时人声消除与分离,打破了对预授权卡拉OK曲库的依赖。其结合车规级麦克风架构与专属数字信号处理,旨在提供稳定、低延迟的高品质车内K歌体验。平台支持灵活配置,可覆盖从基础伴唱到具备同步歌词和AI技术的全功能卡拉OK系统。
Thinking Machines Lab:官方博客精选AI 评分5959 Thinking Machines Lab发布Interaction Models研究预览
Thinking Machines Lab发布interaction models研究预览。该模型从零训练,原生处理音频、视频和文本,采用多流微回合设计实现实时响应,无需外部脚手架。研究预览展示了全新的交互能力,并在智能性与响应性上取得综合SOTA表现。
推荐理由:Thinking Machines 把实时交互训进了模型本身,不再是外挂脚手架,微轮次架构和 benchmark 数据很硬,做语音/视频助手的可以认真看看,虽然还是研究预览,但方向值得盯着。
IT之家·人工智能AI 评分4040 古尔曼:苹果 macOS 27 将进一步完善液态玻璃设计
据彭博社记者马克・古尔曼透露,苹果计划在下一版macOS中进行小幅重新设计,以进一步完善液态玻璃设计语言,并优化Tahoe系统界面的细节。此次更新将微调系统全局透明度和阴影效果,旨在解决用户反馈的应用对比度不足问题。古尔曼指出,macOS 27版本将完整实现设计团队最初的液态玻璃构想。除界面优化外,新系统还将提升稳定性与运行效率,并进行代码精简,以提高设备性能与续航。新版Siri将是重点功能,依托AI平台升级,系统还将获得多项其他优化。
OpenAI Developers@OpenAIDevs精选AI 评分7474以下介绍如何集成GPT-Realtime-2为CRM工作流添加语音控制功能。

推荐理由:OpenAI 官方手把手教你怎么把 GPT-Realtime-2 的语音能力接进 CRM,想给企业工作流加语音控制的开发者可以直接抄作业。
Greg Brockman@gdbAI 评分6666引用CHOI@arrakis_aiI just added real-time AI translation into Chormex using GPT-Realtime-2… and this feels absolutely surreal. It works across YouTube videos, live streams, meetings, presentations, basically anywhere audio is playing inside Chrome. You can watch translated speech in real time while simultaneously using Codex on top of the live context. “Summarize this.” “What are the key points?” “Turn this into notes.” “Explain what they mean.” “Organize the discussion.” …all while the video or meeting is still happening. It genuinely feels like browsers are evolving into real-time AI operating systems. We are getting dangerously close to a world where language barriers on the internet completely disappear.
IT之家·人工智能AI 评分5353 光帆科技推出“行业首款带摄像头 AI 耳机”,5 月 15 日发售
光帆科技宣布将于5月15日发售“光帆全感AI耳机”,该产品被称作行业首款带摄像头的AI耳机。耳机主打“全感知、主动式、个性化”,能通过环境感知主动提供提醒与服务,用户还可为AI选择不同人设,使其成为具有陪伴感的随身助理。硬件方面,单耳重11克,采用开放式耳挂设计,双侧配备200万像素双目摄像头用于实时识别物体与场景。耳机盒集成4G网络,支持脱离手机独立使用。续航上,耳机通话可达9小时,音乐播放15小时,配合充电盒总续航最高为90小时。
StepFun@StepFun_aiAI 评分6969引用Artificial Analysis@ArtificialAnlysStepFun’s new StepAudio 2.5 TTS ranks #3 on the Artificial Analysis Speech Arena Leaderboard, only behind Inworld’s Realtime TTS 1.5 Max and Google’s Gemini 3.1 Flash TTS StepAudio 2.5 TTS represents a significant step forward for StepFun from previous TTS models, with notably increased naturalness of speech samples. The model now edges out Eleven v3 on our current prompt set with an Elo score of 1,187. Key takeaways: ➤ Quality: StepAudio 2.5 TTS has an Elo of 1,187 based on 834 arena appearances, placing it 28 points behind the leading model (Inworld TTS 1.5 Max at 1,215) and 8 points ahead of Eleven v3 at 1,179 ➤ Pricing: Model is priced at $85/1M characters, a premium to leading frontier models, Inworld TTS 1.5 Max at $35/1M and Gemini 3.1 Flash TTS at $36.6/1M ➤ Speed: Model generates characters 37.6 characters per second, compared to 220.5 chars/s for Inworld TTS 1.5 Max and 30.1 chars/s for Gemini 3.1 Flash TTS ➤ Prompting: StepAudio 2.5 TTS offers two paths to control delivery of speech: 1. Global context prompt for overall style, 2. Inline contextual tags for more granular emotion and prosody See more details and listen to samples below ⬇️
IT之家·人工智能AI 评分6666 阶跃星辰发布新一代实时语音大模型 StepAudio 2.5 Realtime,支持情绪感知与人设自定义
阶跃星辰发布新一代实时语音大模型StepAudio 2.5 Realtime,现已全量上线。该模型能感知语调、语速等“副语言”信息以识别用户情绪,动态调整回应以提升对话真实感。开发者可通过API精细定制AI角色的性格、背景等,其能力基于超万个原生人设生成的百万级特征矩阵训练,并针对角色一致性进行了强化。模型在对话能力上强调智商与情商的双重提升,可应对从闲聊到专业面试等多种场景。据2026年4月评测,其主观对话体验与语音问答基准得分均领先于同期竞品。
IT之家·人工智能AI 评分5050 苹果 CarPlay 接入马斯克的 Grok 模型,在车内和 AI 自然聊天
苹果 CarPlay 在 iOS 26.4 系统更新中接入了马斯克旗下的 Grok AI 模型,用户通过 iPhone 连接车辆即可在车机中控屏进行语音对话。继 ChatGPT 和 Perplexity 之后,Grok 成为 CarPlay 生态的新成员,交互以语音为核心,支持查看最近对话、新建会话,并新增临时静音和切换语音功能,提升驾驶中的使用便利性。
Sam Altman@samaAI 评分5151
Suno@suno精选AI 评分6868
推荐理由:Suno 这个用纯人声做流行歌的功能,把创作门槛砍到零,以后做 demo 比打字还快,玩音乐的一看就会想试。
Tibo@thsottiauxAI 评分8383引用OpenAI@OpenAIIntroducing GPT-Realtime-2 in the API: our most intelligent voice model yet, bringing GPT-5-class reasoning to voice agents. Voice agents are now real-time collaborators that can listen, reason, and solve complex problems as conversations unfold. Now available in the API alongside streaming models GPT-Realtime-Translate and GPT-Realtime-Whisper — a new set of audio capabilities for the next generation of voice interfaces.
IT之家·人工智能AI 评分7070 OpenAI 最智能 AI 语音模型:GPT-Realtime-2 登场,GPT-5 级推理能力
OpenAI 发布三款集成于Realtime API的实时语音模型,旨在解决语音交互中的延迟、打断处理和多语言支持难题。其中,GPT-Realtime-2具备GPT-5级推理能力,可在对话中进行推理、调用工具并处理打断,音频输入输出分别按每百万Token 32美元和64美元计费。GPT-Realtime-Translate支持70种输入语言同步翻译为13种输出语言,每分钟0.034美元。GPT-Realtime-Whisper提供低延迟流式转录,每分钟0.017美元。这些模型为开发复杂语音助手、实时翻译和转录应用提供了底层技术支持。
IT之家·人工智能AI 评分5050 iOS 27 版苹果备忘录 App 前瞻:接入 AI 版 Siri 简化内容收集、高效梳理信息
据报道,iOS 27系统将对Siri进行彻底重构,其底层将基于谷歌Gemini构建,交互模式将从指令式转变为类似ChatGPT的对话模式。新版Siri将与备忘录应用深度整合,用户可通过“把这个加到新备忘录”等语音指令,直接将AI生成的内容自动、完整地保存至备忘录,解决手动复制粘贴导致的流程繁琐和格式错乱问题。此外,Siri还能利用大语言模型能力,高效梳理信息并创建特定主题的备忘录。
OpenAI Developers@OpenAIDevs精选AI 评分7676推荐理由:官方出了 Realtime-2 的提示工程指南,从调参到工具调用都给了清晰路径,做语音产品的同学值得认真翻一遍,能省几周摸索时间。
Elon Musk@elonmuskAI 评分5353引用xAI@xaiYour customer support needs a voice agent built for the real world. Grok Voice Think Fast 1.0 handles complex workflows with speed and accuracy, even in hard-to-hear environments. From multi-step troubleshooting to high-volume tool calls, it keeps up.
IT之家·人工智能AI 评分5353 尺寸类似 AirTag:古尔曼称苹果正开发 AI 可穿戴设备,能和 iOS 27 版 Siri 语音交互
据彭博社记者马克·古尔曼爆料,苹果正在开发两款智能穿戴设备。一款是尺寸类似AirTag的吊坠配件,可夹在衣物或作为项链佩戴,配备常开摄像头和麦克风,依赖连接iPhone及iOS 27版Siri进行语音交互与数据处理,无屏幕和投影仪,项目仍处早期,可能于2027年发布。另一款是计划在2026年底或2027年初推出的智能眼镜,内置摄像头、扬声器和麦克风,支持拍照、通话及Siri通知,并与Apple Intelligence整合优化导航等功能,采用自主设计的塑料镜框,但第一代不配备AR显示功能。
Greg Brockman@gdbAI 评分7676自OpenAI创立以来,我一直对实时语音翻译这一AI应用感到兴奋。 现在看到它通过API向所有开发者开放,真是太酷了:
引用jason liu@jxnlco新しいリアルタイム翻訳モデルを発表できることをうれしく思います。ぜひ本日よりAPIでお試しください。
Sam Altman@samaAI 评分7979人们真的开始用语音与AI互动了,尤其是在需要输入大量上下文时。 GPT-Realtime-2今天登陆API;这是相当大的一步前进。 (我们正在改进聊天中的语音功能。)
The Decoder:AI NewsAI 评分7070 OpenAI发布新语音模型,为实时对话带来GPT-5级推理能力
OpenAI发布了三款新型语音模型:GPT-Realtime-2、GPT-Realtime-Translate和GPT-Realtime-Whisper。其中,GPT-Realtime-2具备与GPT-5相匹配的实时推理能力,旨在实现更流畅、智能的实时对话交互。GPT-Realtime-Translate支持超过70种语言的实时翻译,而GPT-Realtime-Whisper则专注于实时语音转写功能。这一系列模型标志着OpenAI在实时音频处理和交互领域的重要进展,有望显著提升跨语言沟通和语音应用的体验。
MiniMax (official)@MiniMax_AIAI 评分4545引用Newcomer@NewcomerMediaWorking as a public company in the ever-changing space of voice x AI: "The public market doesn't get it. You still need to deliver things quarter over quarter." Linda Sheng of @MiniMax_AI joins @EricNewcomer at Cerebral Valley Voice:
Greg Brockman@gdbAI 评分8787引用OpenAI@OpenAIIntroducing GPT-Realtime-2 in the API: our most intelligent voice model yet, bringing GPT-5-class reasoning to voice agents. Voice agents are now real-time collaborators that can listen, reason, and solve complex problems as conversations unfold. Now available in the API alongside streaming models GPT-Realtime-Translate and GPT-Realtime-Whisper — a new set of audio capabilities for the next generation of voice interfaces.
OpenAI Developers@OpenAIDevsAI 评分7878引用OpenAI@OpenAIIntroducing GPT-Realtime-2 in the API: our most intelligent voice model yet, bringing GPT-5-class reasoning to voice agents. Voice agents are now real-time collaborators that can listen, reason, and solve complex problems as conversations unfold. Now available in the API alongside streaming models GPT-Realtime-Translate and GPT-Realtime-Whisper — a new set of audio capabilities for the next generation of voice interfaces.
OpenAI:官网动态精选AI 评分8686 通过 API 中的新模型推进语音智能
OpenAI API 推出了新的实时语音模型,能够进行推理、翻译和语音转录。这些模型显著提升了语音交互的自然度与智能水平,支持实时处理与多语言转换。新功能旨在为开发者提供更强大的工具,以构建更流畅、更智能的语音应用体验。
推荐理由:语音模型不再只是‘听写’,开始能推理和翻译了,OpenAI这次API更新的几个新模型把语音智能推向更实用的阶段,做语音产品的值得赶紧试试。
OpenRouter@OpenRouter精选AI 评分7272推荐理由:OpenRouter 突然把 TTS 和 STT 拉进了统一路由,用同一把 Key 和账单,做多模态 App 的人可以少调一个 API。更新不大,但省事。
IT之家·人工智能精选AI 评分7272 用嘴干活:阿里千问 PC 端上线 AI 语音输入功能
阿里千问在PC端上线AI语音输入功能,用户通过快捷键即可在各类桌面应用中直接使用。该功能不仅支持去除语气词、纠错和格式化整理口语内容,更能基于上下文智能回复,并可直接下达创作、问答、翻译等指令。其设计逻辑超越传统语音打字工具,旨在成为跨应用的AI任务调度中枢:用户通过按住快捷键启动语音输入模式,或双击切换至AI指令模式,可直接派发信息检索、文档生成等任务。该功能覆盖文档编辑、网页浏览、即时通讯等主流办公场景,无需切换客户端或打开额外窗口,目前所有用户可免费使用。
推荐理由:阿里千问把语音输入做成了跨应用的AI任务调度中枢,按住说话就能直接发指令干活,对办公族来说是个真提效的小功能,值得装上试试。
IT之家·人工智能AI 评分5353 微信鸿蒙版 App 8.0.17.36 正式版更新发布
微信鸿蒙版 App 发布 8.0.17.36 正式版,安装量已达 5369 万次。本次更新聚焦视频号、听一听及支付交互功能:视频号支持资料修改、新账号注册、双击点赞及直播选项细化;听一听新增 AI 写歌与翻唱功能,并可将歌曲设为状态或跳转至 QQ 音乐;支付方面新增 Apple 服务扣费管理,收款时可选择存入零钱或零钱通。此外,还优化了头像查看、图片引用浏览、跨端文件传输及聊天框语音转文字快捷按钮等多项用户体验细节。
OpenAI:官网动态精选AI 评分7272 Uber 利用 OpenAI 帮助司机更智能地赚钱、乘客更快地叫车
Uber 宣布在其全球实时交通服务平台中集成 OpenAI 技术,用于驱动 AI 助手与语音功能。新功能旨在帮助司机更智能地规划接单以提升收入,同时让乘客能够更快完成叫车流程。该技术将应用于优化实时供需匹配与用户体验。
推荐理由:Uber 把 OpenAI 的语音和助手能力搬进了打车场景,这是 AI 真正融入日常服务的一个信号,对做产品的人来说,落地路径比技术参数更重要。
ElevenLabs:Blog精选AI 评分6666 ElevenLabs ARR 突破 5 亿美元,引入 BlackRock、NVIDIA 等新投资者
ElevenLabs 宣布完成 Series D 第三次交割,新投资者包括 BlackRock、Wellington、D.E. Shaw、Schroders、NVIDIA(via NVentures)、Santander 及 Jamie Foxx、Eva Longoria 等 30 多位创意与体育界人士。
推荐理由:官方披露 Series D 第三次交割、ARR 从 3.5 亿到 5 亿美元的增长节奏和资金用途,可了解语音 Agent 商业化进展。
Sam Altman@samaAI 评分4747OpenAI Developers精选AI 评分6969 OpenAI 发布 Realtime Prompting Guide:实时语音智能体提示指南
OpenAI 发布 Realtime Prompting Guide,指导如何为实时语音智能体编写提示词,涵盖 Realtime 2 推理、前置指令(preambles)、工具调用和精确实体捕获(exact entity capture)等关键功能。该指南旨在帮助开发者更有效地构建和优化基于语音的 AI 交互体验。
推荐理由:OpenAI官方出的实时语音代理提示指南,把preamble设计和工具调用讲透了,做语音应用的开发者可以直接照着调。
xAI@xai精选AI 评分6666
推荐理由:Grok 的语音克隆带着自然情绪上线 API,不只是复读机,而是带感情的合成。想给应用加个有人味的 AI 语音,开发者可以试试这套新接口。
xAI@xai精选AI 评分7979
推荐理由:Grok Voice API 终于支持声音克隆,关键是能带自然情感,做语音产品的开发者可以直接接入了,这是 xAI 在语音交互上的一次重要补齐。