OpenAI 如何大规模交付低延迟语音 AI
OpenAI 重建了其 WebRTC 技术栈，以支持实时语音 AI 服务。新系统实现了低延迟、全球规模扩展和无缝的对话轮转。此次重构旨在为 ChatGPT 的语音模式等产品提供更流畅、更自然的实时语音交互体验，解决了大规模部署时面临的延迟与稳定性挑战。
推荐理由：OpenAI 把语音 AI 的低延迟秘诀摊开了，做实时语音产品的可以看看他们的 WebRTC 优化思路，虽然不太能直接抄，但方向值得参考。
#语音
OpenAI：官网动态精选AI 评分5858
The Decoder：AI NewsAI 评分5252 xAI 新功能 Custom Voices 可将一分钟语音转化为可用声音克隆
xAI 为开发者推出“Custom Voices”功能，允许克隆用户声音用于AI应用。该功能基于近期发布的 Grok 语音转文本和文本转语音 API 构建，仅需一分钟的语音样本即可生成可用的声音克隆。此举扩展了 Grok 语音模型的应用场景，为开发者提供了定制化语音合成的新工具。
IT之家·人工智能AI 评分5252 苹果 macOS 27 系统新功能前瞻：Siri 升级独立应用、新增触控界面，抛弃 Intel Mac
据报道，苹果将在WWDC 26发布macOS 27系统，首个开发者测试版于演讲后立即提供。主要新功能包括：Siri将升级为独立应用，支持查看会话历史，操作逻辑类似ChatGPT，个性化功能也将扩展至Mac；系统将为预计2027年初发布的触屏版MacBook Pro开发专属触控界面，优化手指交互体验；此外，该系统将专注于稳定性与性能改进。macOS 27将仅支持M1或更高芯片的Mac，彻底抛弃Intel平台，同时不再兼容使用AFP协议的旧存储设备如AirPort Time Capsule。
xAI@xai精选AI 评分6767
推荐理由：xAI 正式下场语音克隆，2 分钟克隆加 80 多种声音库，API 直接可调，做语音 agent 和有声书的团队得多关注一下，这对 ElevenLabs 们是个不大不小的冲击。
OpenRouter：AnnouncementsAI 评分4444 OpenRouter 上线语音合成与转录 API
OpenRouter 新增两个 API 端点，分别提供语音合成（text-to-speech）和音频转录（transcription）功能，用户可通过单一接口跨多个提供商调用。
OpenRouter：AnnouncementsAI 评分5252 OpenRouter 推出新音频API：语音合成与转录
OpenRouter 现已上线文本转语音和音频转录功能。两个新端点提供跨多家提供商的语音合成与音频转录能力，统一API接入。
OpenRouter：Announcements精选AI 评分6363 面向语音与转录的全新 Audio API
OpenRouter 正式上线文本转语音和音频转录功能。平台通过两个新的 API 端点，集成了多家供应商的语音合成与音频转录服务。用户现在可以统一调用单一 API，便捷访问多提供商的高质量语音生成与语音转文本能力，无需再为不同服务商单独集成。这简化了开发流程，为应用添加语音交互与内容转录功能提供了更高效的一站式解决方案。
推荐理由：OpenRouter把语音合成和转录也接进来了，以后做语音应用的开发者可以少对接几个API，这是把‘省事’写进DNA的典型更新。
Sierra：Blog精选AI 评分6464 τ-voice 发布：面向真实客服场景的实时语音智能体评测基准
τ-voice 是一个针对实时语音智能体的新基准，包含零售、航空和电信领域的 278 项接地气客服任务。该基准将确定性端到端任务评分与可控的真实音频（多样角色、环境噪音、自由轮次切换）相结合。
推荐理由：我觉得这是目前最接近真实客服场景的语音agent基准，278个任务覆盖零售、航空、电信，可控噪声和口音，做语音agent的团队可以直接拿来评测。
IT之家·人工智能AI 评分4242 安克首款神经网络存算一体 AI 音频芯片“ANKER Thus”5 月 22 日发布，同期推出旗舰耳机产品
安克将于5月22日发布其首款神经网络存算一体AI音频芯片“ANKER Thus”。该芯片采用CPU与存储合一的架构，旨在提升算力，以实现端侧实时音频AI功能。同期，安克将推出搭载此芯片的旗舰耳机产品。根据海报信息，该耳机为入耳式设计，充电盒外观圆润，且正面可能配备一块屏幕，具体规格尚未公布。
xAI：News精选AI 评分6363 xAI 推出 Custom Voices，可在 Grok TTS 和 Voice Agent API 中使用克隆语音
xAI 推出 Custom Voices，录制约一分钟自然语音即可在不到两分钟内克隆出可投入生产的语音模型，适用于 Grok Text to Speech 和 Voice Agent API。
推荐理由：原文给出克隆流程、验证机制和定价细节，读者可判断这项语音克隆能力是否适合接入自己的应用。
IT之家·人工智能AI 评分4444 钉钉 DingTalk A1 Pro“充电宝版录音卡”发售：内置 2980mAh 电池，1299 元
钉钉正式发售DingTalk A1 Pro“充电宝版录音卡”，定价1299元。该产品采用卡片式设计，厚度仅6.4mm，内置行业首发的MEMS指向麦克风，拾音距离可达10米。其配备2980mAh电池，支持连续录音180小时、待机180天，并可作为磁吸移动电源为手机充电。购买用户可获6个月专属权益，每月享有1500分钟语音转文字服务。
IT之家·人工智能AI 评分4646 三星 Galaxy Glasses 智能眼镜曝光：骁龙 AR1 芯片、1200 万像素相机、重约 50 克
三星智能眼镜 Galaxy Glasses 产品信息近日曝光。该眼镜外观类似太阳镜，重量约50克，搭载高通骁龙AR1处理器和1200万像素索尼IMX681传感器，支持Wi-Fi与蓝牙5.3，内置155mAh电池。设备一侧设有摄像头，另一侧有LED指示灯，并集成麦克风、扬声器及触控区，支持快速配对与电量查询。据悉，它未配备内置显示屏，主打音频与AI体验，预计运行Android XR系统并集成Gemini AI助手，可通过语音唤醒。
Apple Machine Learning ResearchAI 评分4444 国际声学、语音与信号处理会议 (ICASSP) 2026
苹果公司将于5月4日至8日在西班牙巴塞罗那举行的ICASSP 2026上展示其最新研究成果，并再次赞助该会议。本届会议汇聚了专注于信号处理及其应用的科学与工业研究界人士。苹果的参与凸显了其在相关前沿技术领域的持续投入。
IT之家·人工智能AI 评分5050 消息称苹果已搁置研发 Vision Pro 头显，重心转向 Siri 和 AI 眼镜
据报道，苹果公司已内部搁置新款Vision Pro头显的研发，原团队重心转向Siri和AI智能眼镜项目。Vision Pro自发布以来市场反应冷淡，总销量约60万台且退货比例异常偏高。尽管在2025年10月其升级至M5芯片并改进了头带，但3499美元的高价和超过1.3磅的机身重量仍影响佩戴体验，未能扭转需求。苹果已停止新款硬件开发工作，但会继续维护和更新visionOS系统。
ElevenLabs：Blog精选AI 评分6969 ElevenLabs 推出 AI 音乐发现与创作平台 ElevenMusic
ElevenLabs 发布 AI 音乐平台 ElevenMusic，将听歌、混音和原创创作整合在同一系统内，现已可在 App 和网页端使用。平台上线时已有超过 4,000 名独立和新兴艺术家在上面创作，并同步推出包含 Danger Twins、Justin Love 等艺人曲目的 Eleven Album Vol. 2，用户可对曲目换风格、调节奏或重新演绎。
推荐理由：原文给出了平台的核心玩法和创作者收益机制，读者可以了解听歌、混音与创作如何被整合为一条链路。
IT之家·人工智能AI 评分4848 谷歌翻译 20 周年：最常见短语为“谢谢”，新增发音练习功能
谷歌翻译迎来20周年，目前支持近250种语言和逾6万个语言对，覆盖全球约95%人口。官方推出发音练习功能，在安卓版应用中利用AI分析用户语音并提供即时反馈，帮助改善发音，该功能已在美国和印度上线，支持英语、西班牙语和印地语。数据显示，谷歌翻译最常用短语为“谢谢”，其他热门查询包括“你好吗？”、“我爱你”、“你好”和“请”。
IT之家·人工智能AI 评分5151 苹果 AirPods 将迎史诗级加强，iOS 27 全面重构 Siri AI 语音交互
据报道，苹果将在 iOS 27 系统中全面重构 Siri，旨在通过深度集成将其打造为用户的全天候智能伴侣，显著增强 AirPods 的交互体验。新版 Siri 将采用类似 ChatGPT 的对话式交互，利用大语言模型理解上下文与用户意图，并能深度控制系统及应用，自动执行多步骤任务，同时支持接入第三方 AI 平台。此次升级致力于提供无缝、连续的对话体验，解决当前 Siri 与第三方 AI 交互生硬、割裂的问题，让用户通过 AirPods 即可便捷唤醒和使用更智能的语音助手。
IT之家·人工智能AI 评分4848 企业微信灰度上线“记录面聊”功能：声纹识别技术分辨发言人并快速记录，AI 自动总结要点
企业微信灰度上线“记录面聊”功能，该功能利用声纹识别技术自动分辨不同发言人并快速记录讨论内容，AI会在讨论后自动总结要点、列出待办事项并@对应负责人，记录对所有参与同事公开共享。此次更新随企业微信5.0.8版本一同发布，该版本还新增了智能表格、智能文档和“贴表情”快速回复等功能。智能表格可打通微信生态数据自动汇总，并加入AI字段“技能卡片”；智能文档支持轻量化排版并一键发布为“轻网页”。
Simon Willison 博客AI 评分6464 微软开源语音转文本模型VibeVoice简介与实测
微软于2026年1月发布开源语音转文本模型VibeVoice，采用MIT许可证并内置说话人日志功能。社区提供的4位量化MLX版本约5.71GB。实测在128GB内存的M5 Max MacBook Pro上，使用mlx-audio工具处理一段60分钟音频耗时约8分45秒，峰值内存占用达30.44GB。模型默认支持最长25分钟音频，通过调整参数可处理至多1小时音频，输出为带时间戳和说话人ID的JSON格式，便于用Datasette Lite浏览分析。
OpenAI Developers@OpenAIDevsAI 评分5555你可以用gpt-realtime-1.5构建交互式应用，让用户通过语音更自然地控制应用状态。 嗨，Chappy 👋
公众号：阶跃星辰AI 评分4545 阶跃与腾讯云达成战略合作，共同打造智能座舱 Agent 助手
近日，阶跃与腾讯云达成战略合作，双方将围绕智能座舱 Agent 展开深度共创，打造全新的智能座舱 Agent 助手。该助手以语音为入口，实现免唤醒、连续对话、情绪识别的超自然交互，并能基于用户情绪、驾驶状态、环境和历史信息秒懂意图，精准推荐腾讯系音乐、视频、地图等内容与应用生态。同时，产品打通腾讯在支付、地图、出行服务等领域的生态接口，从需求直达交易闭环，为用户提供一站式服务。
IT之家·人工智能AI 评分6868 阶跃星辰发布 StepAudio 2.5 ASR 自动语音识别模型：推理速度提升 400%，定价骤减 90%
阶跃星辰发布新一代自动语音识别模型StepAudio 2.5 ASR。该模型将大语言模型的MTP（多Token预测）技术引入语音识别，采用ASR+MTP-5深度融合架构，打破传统自回归机制效率瓶颈。其推理速度提升400%，时延降低60%，峰值达500 tokens/s，5分钟音视频可近乎即时转写。模型支持端到端处理最长30分钟连续音频，无需分段，且精度无衰减。定价为0.15元/小时，较上一代骤降90%。模型已在阶跃星辰开放平台和Step Plan全量上线。
IT之家·人工智能AI 评分6060 小米发布 MiMo-V2.5-TTS / ASR 语音大模型：通过自然语言调度声音表现
小米发布全链路语音大模型系列MiMo-V2.5，包含TTS（语音合成）与ASR（语音识别）两大核心。TTS系列包含三款模型：基础版内置多款音色并支持精细控制；VoiceDesign版可一句话生成新音色；VoiceClone版能通过少量样本高保真复刻音色。三者均支持通过自然语言指令和音频标签精细调度声音表现，已在小米MiMo开放平台限时免费。ASR模型已正式开源，在中英双语、方言、强噪音及多人对话等复杂场景下的识别性能达到业界领先水平。
xAI：News精选AI 评分6767 xAI 发布语音模型 grok-voice-think-fast-1.0，已可通过 API 调用
xAI 发布旗舰语音模型 grok-voice-think-fast-1.0，现已开放 API，定位客户支持、电话销售等复杂多步语音智能体场景。模型在 τ-voice Bench 排行榜登顶，原生支持 25+ 种语言，可在后台推理而不增加响应延迟；在 Starlink 的实际部署中达到 20% 电话销售转化率、70% 客服自主解决率，单个智能体使用 28 个工具。
推荐理由：原文给出模型的核心能力设计、τ-voice Bench 排名和 Starlink 实际部署数据，读者可以据此评估其在语音智能体场景的适用性。
公众号：小米 MiMo精选AI 评分8383 小米发布 MiMo-V2.5-TTS 系列与 ASR，覆盖语音合成与识别
小米正式发布 MiMo-V2.5-TTS Series 与 MiMo-V2.5-ASR，覆盖语音识别与合成两大能力。TTS 系列含三款模型，支持风格指令遵循与音频标签控制，其中 VoiceDesign 可零参考音频生成新音色，VoiceClone 仅需数秒参考音频即可复刻音色；ASR 在中英双语、中文方言、强噪音等场景达业界领先水平。
推荐理由：把角色演出指令从参数模板简化为导演笔记式的自然语言，对有声剧和游戏NPC等依赖声音塑造的场景，定制成本与表现自由度可能同时改善。
IT之家·人工智能精选AI 评分7474 谷歌确认基于 Gemini AI 的苹果新版 Siri 今年亮相
谷歌云首席执行官在谷歌Cloud Next 26大会上确认，基于Gemini AI技术构建的新一代苹果Siri将于2026年发布。双方合作源于2026年1月签署的多年期协议，谷歌作为首选云服务商提供核心技术支持。该交易年价值约10亿美元，协议严格限制谷歌接触用户数据以保障隐私。技术层面，苹果正通过知识蒸馏将大型Gemini模型精简为可在iPhone等设备端运行的版本，旨在降低云端依赖并提升响应速度。
推荐理由：苹果终于把 Siri 大脑换成了 Gemini，每年 10 亿美金的合作不是小打小闹，这代 Siri 可能真的会变聪明。但落地得等一年，做端侧部署的可以盯一下苹果的蒸馏方案。
公众号：小米 MiMo精选AI 评分7979 Xiaomi MiMo-V2.5 系列大模型开启公测
Xiaomi MiMo-V2.5 系列正式公测，包含 MiMo-V2.5、V2.5-Pro、TTS 与 ASR 等模型。其中 V2.5-Pro 在通用智能体、复杂软件工程等维度对标 Claude Opus 4.6、GPT-5.4，曾用 4.3 小时、672 次工具调用完成北大编译原理课程项目并获满分。
推荐理由：在自主完成编译器构建和视频编辑器开发的长程任务演示中，展示了结构化的逐层搭建和自我修正能力，其效率对比数据有助于判断复杂Agent任务的成本边界。
Hugging Face 社区博客AI 评分6262 Gemma 4 VLA 在 Jetson Orin Nano Super 上的演示
NVIDIA在Hugging Face平台发布了一篇博客，展示了Gemma 4 VLA模型在Jetson Orin Nano Super边缘计算设备上的运行演示。该演示突显了大型视觉语言模型向小型、高效能边缘设备的部署能力取得进展。Jetson Orin Nano Super作为一款紧凑型AI计算平台，能够支持Gemma 4 VLA这类先进模型，预示着在机器人、嵌入式AI等实时视觉推理场景中，本地化、低延迟的多模态AI应用成为可能。
IT之家·人工智能 多邻国向免费用户开放高级语言学习内容：涵盖中英日韩等九种语言
多邻国向免费用户开放此前仅限付费订阅的高级语言学习内容，涵盖中英日韩等九种语言。该内容对应CEFR B2水平（Duolingo Score约129分），包含"高级故事"和播客式音频DuoRadio模块，帮助用户在真实语境中训练复杂情境表达，支持网页及移动端访问。用户可借此提升求职面试、海外留学等场景的语言能力，分数还可直接添加至LinkedIn档案。
IT之家·人工智能 彭博社：苹果 Siri 主管洛克威尔考虑离职，Vision Pro 功臣陷职业迷茫
苹果Siri改造负责人迈克·洛克威尔考虑离职或转任顾问。这位Vision Pro功臣因接管AI版Siri后需向软件主管费德里吉汇报而心生落差，加之Vision Pro市场表现不佳，职业前景不明朗。尽管萌生去意，预计仍将完成Siri升级项目。与此同时，硬件高管Kate Bergeron也因晋升受阻而沮丧。苹果面临特努斯接任CEO前的核心团队稳定难题。
Rohan Paul@rohanpaul_ai
引用Thine@ThineAISome things you have to do yourself, for everything else, use Thine!
IT之家·人工智能 特斯拉车机语音大模型服务在我国上海市完成备案
特斯拉车机语音大模型服务于4月20日在上海市完成备案，备案单位为特斯拉（上海）有限公司。至此，上海市累计已完成158款生成式人工智能服务备案。根据规定，已上线的生成式人工智能应用需在显著位置公示备案情况并添加生成合成内容标识。此前，特斯拉xBot客户服务已于去年11月成为全国首批获批上线的外企大模型产品。
IT之家·人工智能 大众汽车今年下半年将为中国市场车型引入 AI 语音助手功能，整合腾讯阿里百度等企业技术
大众汽车将于今年下半年为中国市场车型引入AI语音助手，整合腾讯、阿里巴巴、百度等技术，采用本地化大语言模型并在车机端完成运算，无需依赖云端。与此同时，大众与小鹏汽车联合开发的首款车型"与众08"已正式上市，售价22.99万-28.99万元，搭载800伏高压超快充平台、高通8295P芯片，具备1500TOPs智驾算力，CLTC续航最高超700公里。
IT之家·人工智能 苹果更换 CEO 原因首次曝光，希望特努斯带回乔布斯时代的决断力
苹果公司宣布，蒂姆·库克将于2026年9月1日起转任董事会执行董事长，硬件工程高级副总裁约翰·特努斯接任首席执行官。据彭博社透露，此次换帅意在借助特努斯的年龄优势，重拾乔布斯时代的决断力，推动苹果重返产品创新前沿。特努斯将集中核心决策权，并主导首款可折叠iPhone发布及Siri革新。本月他已对硬件工程部门进行AI导向的改革，以加速产品开发与质量提升。
IT之家·人工智能 微信鸿蒙版 App 获 8.0.17.16 邀测升级，听一听灰度 AI 写歌 / 翻唱功能
微信鸿蒙版App推送8.0.17.16邀测更新，测试期为2026年4月20日至5月19日。新版本支持视频号注册及资料修改，视频播放新增自动旋转功能，"听一听"模块可分享歌曲至状态并跳转QQ音乐，同时灰度测试AI写歌与AI翻唱功能。自去年1月登陆鸿蒙应用市场以来，该应用安装量已突破5000万次。
IT之家·人工智能 华为 FreeClip 2 / FreeBuds Pro 5 耳机开推鸿蒙 6.1：优化全场景体验、Pro 新增 AI 键功能
华为 FreeClip 2 和 FreeBuds Pro 5 耳机已开启鸿蒙 HarmonyOS 6.1 版本推送，版本号分别为 6.1.0.276 和 6.1.0.272。FreeClip 2 主要优化翻译速度、小艺连续对话效果及来电铃声体验；FreeBuds Pro 5 新增 AI 键智能体交互功能，支持按住说、松手答的操作方式，并新增耳机独立空间音频功能。升级需确保两只耳机及耳机盒电量均大于 20%。