跳到正文
#语音
4月21日周二
  1. IT之家·人工智能

    影石 Insta360 预告无线麦克风 Mic Pro：配 E-Ink 屏、搭载 AI 降噪

    影石 Insta360 在 NAB 2026 展会上预告新款无线麦克风 Mic Pro，其正面配备圆形彩色 E-Ink 电子墨水屏，支持自定义显示品牌 Logo、照片或艺术图案。该设备内置三麦克风阵列与专用 AI 处理器，实现专业级降噪录音。Mic Pro 支持直连 Insta360 相机传输音频，无需接收器，同时发射器具备机内录音功能，可作为独立录音设备使用。

  2. IT之家·人工智能

    音乐流媒体平台 Deezer 日收近 7.5 万首 AI 歌曲，占投稿量 44%

    音乐流媒体平台Deezer披露，其每日接收约7.5万首AI生成歌曲投稿，占日上传总量的44%，较2025年1月推出检测工具时的1万首激增。尽管投稿量攀升，AI歌曲播放量仅占总量的1%至3%，因平台持续将其排除在推荐算法外。作为目前唯一标注AI曲目的流媒体服务，Deezer已取消该类音乐收益分成并停止存储高分辨率版本，同时开始向第三方授权其AI检测技术，可识别Udio、Suno等工具生成的作品。

4月20日周一
  1. IT之家·人工智能

    消息称苹果 iOS 27 抛弃 iPhone 11 / Pro / Max 及 SE 2 等手机

    iOS 27将终止支持iPhone 11/Pro/Max及iPhone SE 2，iPhone 12仍可升级。新系统聚焦稳定性与AI功能，新增主屏幕撤销/重做快捷开关、液态玻璃效果精细调节滑块，以及集成于灵动岛、带发光效果的Siri新界面。Visual Intelligence将支持扫描食品营养标签和识别印刷品联系方式，钱包应用与Safari浏览器也将迎来改进。

  2. IT之家·人工智能

    WIKO 情感陪伴 AI 电子宠物“智能憨憨”蜂窝版上市：华为小艺大模型加持，预售价 499 元

    WIKO情感陪伴AI电子宠物"智能憨憨"蜂窝版正式发布，支持Wi-Fi与蜂窝网络双模连接，预售价499元，将于4月25日开售。相比2025年11月上市的普通版（399元），蜂窝版最大升级在于新增移动网络支持。该产品内置华为小艺大模型，适配鸿蒙5及以上系统，支持自然对话及摸头、摇晃等动作交互。

  3. IT之家·人工智能

    “何刚同款”华为 AI 眼镜发布，2499/2899 元

    华为AI眼镜正式发布，提供钛银灰、流光银、摩登黑三款配色及圆形、方形两种镜框，售价2499元起，将于4月25日开售。产品采用轻量化设计，镜架仅重35.5克，镜腿薄至6.25毫米，基于超30万亚洲头形数据构建平衡架构。内置自研AI芯片，支持语音唤醒、AI交互、第一人称视角拍摄及支付宝支付等功能，综合续航达12小时，支持连续8小时通话或9小时音乐播放。

4月18日周六
  4. xAI：News72

    Grok语音转文本与文本转语音API发布

    xAI发布Grok语音转文本（STT）与文本转语音（TTS）两款独立API，采用与Grok Voice、Tesla及Starlink相同技术栈。STT支持批量（0.10美元/小时）与实时流式（0.20美元/小时）转录，电话实体识别词错率仅5.0%，整体6.9%，优于竞品，支持25种以上语言及说话人分离。TTS定价4.20美元/百万字符，可通过[laugh]等标签精细控制情感语调。

    推荐理由：xAI 把 Grok 的语音能力拆成独立 API 放出，STT 在实体识别上碾压几个老牌竞品，定价也不算贵，做语音 agent 的可以直接加进方案里对比。

4月17日周五
  2. Rohan Paul

    TTS评估体系存在根本性缺陷。当前主流评测标准与真实对话场景中的用户偏好严重脱节，技术迭代速度已超越基准测试的发展。针对实时对话代理的系统应在真实交互中评估，而非依赖孤立音频片段。核心问题在于，现有方法将"自然度"简化为可平均、排名的单一指标，忽视了人类语音感知的关键细节——微妙的时间变化、克制的情感表达、不均匀的呼吸节奏以及契合语境的措辞方式。

    引用Sudarshan Kamath@kamath_sutra

    http://x.com/i/article/2043661447478329344

4月16日周四
  1. Demis Hassabis

    我们迄今为止最具表现力和可控性的 TTS 模型！旨在为开发者提供对 AI 生成语音的精细控制，Gemini 3.1 Flash TTS 玩起来真的很有趣！今日开放预览 - 开发者可通过 Gemini API 和 @GoogleAIStudio 使用，企业用户可通过 Vertex AI 使用 [引用 @OfficialLoganK]：推出 Gemini 3.1 Flash TTS 🗣️，我们最新的文本转语音模型，具备场景指导、说话人级别特异性、音频标签、更自然且富有表现力的声音，并支持 70 种不同语言。 可通过 AI Studio 中的全新音频 playground 和 Gemini API 使用！https://t.co/5PpBdhQMNg

    引用Logan Kilpatrick@OfficialLoganK

    Introducing Gemini 3.1 Flash TTS 🗣️, our latest text to speech model with scene direction, speaker level specificity, audio tags, more natural + expressive voices, and support for 70 different languages. Available via our new audio playground in AI Studio and in the Gemini API! https://t.co/5PpBdhQMNg

  4. Google Blog：AI70

    Gemini 3.1 Flash TTS：下一代表现力AI语音技术

    Google正式发布Gemini 3.1 Flash TTS，作为下一代表现力AI语音技术，该模型现已全面上线Google旗下各产品线。此次升级标志着Google在语音合成领域的技术突破，旨在为用户提供更自然、富有情感表现力的AI语音交互体验，进一步强化其AI生态系统的语音能力。

    推荐理由：Google 把 TTS 的控制权交给了文本指令，音频标签这个设计让语音应用从'选择预设'变成'现场导演'，对多模态应用是个实在的增强。

4月15日周三
  2. Rohan Paul

    你个人的、随时可用的 AI 治疗师时代已经开启。 Lovon 刚刚推出了一款以语音优先、24/7 支持为核心的 AI 治疗师。 加密对话，数据不会用于 AI 训练。 廉价、私密、即时的支持比昂贵的稀缺资源是更好的默认选择。 "没有 200 美元的疗程。没有等待名单。只需打开应用即可交谈。" [引用 @ponikarovskii]：几年前，在我最需要治疗的时候，我负担不起。 今天我推出了 Lovon —— 一款私密、24/7 且真正能帮助你感觉更好的 AI 治疗师。 没有 200 美元的疗程。没有等待名单。只需打开应用即可交谈。 (打开声音 🔊) https://t.co/T5jEwwefJH

    引用Anton Ponikarovskii@ponikarovskii

    a few years ago I couldn't afford therapy when I needed it most. today I'm launching Lovon - an AI therapist that's private, 24/7, and actually helps you feel better. no $200 sessions. no waitlists. just open the app and talk. (sound on 🔊) https://t.co/T5jEwwefJH

  4. 字节 Seed：Research Papers66

    字节 Seed 发布 Seedance 2.0 音视频联合生成模型

    字节 Seed 发布原生多模态音视频生成模型 Seedance 2.0，2026 年 2 月初在中国正式上线，采用统一架构支持文本、图像、音频、视频四种输入模态。

    推荐理由：官方技术报告梳理了 Seedance 2.0 的统一架构、多模态输入上限与分辨率规格，读者可对照前代看能力变化。

4月13日周一
4月9日周四
  1. 字节 Seed：Research Feed

    Seed 全双工语音大模型发布:懂倾听、抗干扰,走向更自然的交互

    字节跳动发布原生全双工语音大模型Seeduplex，基于"边听边说"框架实现听说同步交互。相比半双工模型，其在复杂场景下误回复率和误打断率降低50%，抢话比例下降40%，判停延迟缩短约250ms，打断响应延迟缩短约300ms。评测显示，用户通话满意度绝对值提升8.34%，对话流畅度MOS分提升12%。该模型具备精准抗干扰和动态判停能力，可在豆包App最新版本体验。

4月3日周五
  2. Artificial Analysis56

    微软AI超级智能团队发布了MAI-Transcribe-1语音转录模型。该模型在Artificial Analysis语音转文本排行榜的AA-WER指标上达到3.0%的词错误率，位列第四，仅次于Mistral Voxtral Small、Google Gemini 3.1 Pro High和ElevenLabs Scribe v2。其处理速度约为实时音频的69倍，属于高速高精度模型。模型支持包括英语、法语、阿拉伯语、日语和中文在内的25种语言，其API目前已在Microsoft Foundry的Azure Speech服务上提供公开预览。

4月2日周四
  2. Microsoft AI：官方博客66

    Microsoft AI 发布 MAI-Transcribe-1、MAI-Voice-1 与 MAI-Image-2 三款模型，上线 Microsoft Foundry

    Microsoft AI 宣布发布 MAI-Transcribe-1、MAI-Voice-1 和 MAI-Image-2 三款模型，即日起所有开发者可在 Microsoft Foundry 和 MAI Playground 使用。

    推荐理由：官方同时给出三款模型的定价和 FLEURS 基准对比数据，开发者可以直接在 Foundry 上手评估适用性。

3月31日周二
3月30日周一
  1. 美团 LongCat：HuggingFace 新模型

    LongCat-AudioDiT-1B：高保真波形潜空间扩散式文本转语音模型

    美团 LongCat 团队开源的扩散式 TTS 模型摒弃传统的 mel-spectrogram 中间表示，直接在波形潜空间操作，仅通过 Wav-VAE 与扩散骨干网络即可合成语音。该模型修复了训练-推理不匹配问题，并以自适应投影引导替代无分类器引导。最大版本 3.5B 在 Seed 基准实现 SOTA 零样本语音克隆，说话人相似度（SIM）在 Seed-ZH 达 0.818、Seed-Hard 达 0.797，超越此前最优的 Seed-TTS。研究还发现 Wav-VAE 的重建保真度与最终合成质量并非正相关。

    推荐理由：美团开源 1B 语音克隆模型，Seed 基准超 Seed-TTS，零样本推理可用

3月28日周六
3月27日周五
  1. Demis Hassabis

    Google 发布 Gemini 3.1 Flash Live，称其迄今最高质量音频模型，具备更低延迟、更高精度和更自然的对话体验，改进了函数调用能力。现已在 Gemini App 和 Google AI Studio 上线。

    引用Google DeepMind@GoogleDeepMind

    欢迎 Gemini 3.1 Flash Live。🗣️ 我们最新的音频模型带来了更自然的对话体验，并改进了函数调用——使其更加实用且信息更丰富。以下是新功能介绍 🧵

    推荐理由：Google发布Gemini 3.1 Flash Live，支持低延迟语音交互与Agent构建

  2. Google Gemini

    Gemini 将于明日（3月26日）上午11:30 PDT 在 Discord 举办活动，产品经理 Joel 将现场演示 Lyria 3 Pro 最新更新，现可通过 http://discord.gg/gemini 加入服务器参与。

    引用Google Gemini@GeminiApp

    Ready to turn up the volume with Lyria 3 Pro? 🎶 Join us in the Gemini Discord tomorrow (3/26) at 11:30am PDT as Product Manager Joel returns for an encore performance to demo the latest Lyria 3 Pro updates. Join us on Discord now and we'll see you there! http://discord.gg/gemini

3月26日周四