跳到正文
#语音
9月2日周三
9月1日周二
  5. Meta AI：Research Blog64

    Meta 发布实时音频感知模型 Muse Voice Transcribe

    Meta Superintelligence Labs 发布 Muse Voice Transcribe，称其为首个实时音频感知模型，提供流式 ASR、最多 20+ 说话人的 diarization 和 endpointing。

    推荐理由：原文给出流式 ASR、说话人分离和自适应延迟的技术细节与架构说明，读者可以了解其实时语音感知的实现方式。

8月31日周一
  1. OpenBMB47

    OpenMAIC v1.0发布数日即登顶GitHub Trending，星标已超25.7k。该项目为开源多智能体AI课堂，可一键生成完整交互课程。面壁智能祝贺其发布，并推出VoxCPM2用于OpenMAIC中的语音克隆。

    引用OpenMAIC@OpenMAIC

    Just days after the v1.0 release, OpenMAIC climbed to #1 on GitHub Trending—and the momentum hasn’t stopped. 🚀 Now past 25.7 stars and still growing. To every educator, learner, developer, and contributor supporting open, AI-native learning: we’re grateful to be building this with you. https://github.com/THU-MAIC/OpenMAIC

  4. MarkTechPost65

    语音与实时智能体最低延迟推理 API：以首 token 延迟（TTFT）为先的基准评测

    语音智能体的真实体验取决于首句延迟（TTFS）而非首 token 延迟（TTFT），后者仅标记生成开始，TTS 模型需等完整句子才能发声。评测覆盖 LLM、STT、TTS 及语音到语音全链路，并给出各层延迟预算：STT 约 100–200ms、LLM 300–500ms、TTS 100–200ms，端到端目标 700ms–1.2s。

8月29日周六
  1. The Verge：AI56

    音乐人化身“侦探”猎捕AI造假者

    随着生成式AI工具渗入电子舞曲（EDM）领域，以26岁制作人Max “H4RRIS” Harris为代表的一批音乐人正通过视频公开点名，指认那些疑似用AI生成音乐冒充人类创作的同业。Harris认为AI音乐是“诱饵艺术”，并指出Suno生成曲目常出现人声与旋律同时卡顿、背景嘶声等可辨识特征，但他对MANSA等具体作品的指控目前尚无确凿证据。

  2. Hugging Face 社区博客66

    Open ASR 排行榜新增首个全球南方语言：印地语与印度英语评测集

    Voice Arena 与 Hugging Face 合作，为 Open ASR 排行榜引入 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，覆盖印地语与印度英语，其中印地语是该排行榜多语言板块首个非欧洲语言。数据集含公开与私有分割，共 4,888 位说话人，并记录 12 项说话人属性，旨在暴露按地区、年龄、性别等维度分布不均的语音识别误差。

    推荐理由：把评测单元从单一 WER 下探到带 12 项说话人属性的分组，能暴露模型在不同地域、口音、设备上的表现差异，让 ASR 选型不再只看平均错误率。

8月28日周五
  2. Google AI：DEV 作者专属74

    Gemini 3.5 Transcribe 完整指南：告别 ASR 转录难题

    Google 推出专用于语音转文字的 Gemini 3.5 Transcribe 模型，主打快速、准确且低成本的转录，原生支持说话人分离和词级毫秒时间戳。该模型支持 85+ 种语言自动识别与代码切换，可通过 custom_vocabulary 传入最多 1,000 个领域术语避免专有名词拼写错误，并提供 Smart Transcription 与 Verbatim 两种模式。

    推荐理由：逐字模式保留毫秒级时间戳和说话人分离，智能模式清理填充词但可能改写原文，两者取舍决定字幕同步和会议记录应选不同配置。

8月27日周四
  1. TechCrunch：AI49

    Plaud 发布支持 eSIM 耳机盒的 Plaud One 耳机，可远程指挥 AI 智能体

    Plaud 推出新款耳机 Plaud One，其耳机盒支持 eSIM 卡，用户无需手机或电脑即可远程指挥 Plaud 的 AI 智能体。耳机配备 12mm 驱动器和主动降噪，单次充电可录制 6 小时会议或 3 小时通话，配合耳机盒总录制时长可达 25 小时。该设备现以 249 美元开启预购，预计 2026 年第四季度发货，每月附赠 300 分钟免费转录额度。

  2. The Verge：AI46

    Plaud 推出 AI 耳机 Plaud One，支持录音转写与摘要

    Plaud 发布 AI 可穿戴设备 Plaud One，以耳机形态替代此前的别针设计，支持录音、转写和对话摘要。售价 249.99 美元，今日起在部分市场开启预售，预计 9 月底发货。耳机内置 4G 的充电盒可不依赖手机或 Wi-Fi 独立处理对话，并集成 Plaud Agent，原生对接 Gmail、Google Calendar、Notion 和 Slack 等工具。

  4. IT之家·人工智能51

    谷歌 Gemini Live 大升级，整合 Spark 智能体、Gmail 等提升生产力

    谷歌今日宣布对 Gemini Live 进行重大升级，新增多项以提升生产力为核心的集成功能。该应用现可与 Spark 个人 AI 智能体（AI Pro 及更高版本）集成，通过自然语音指令在网页、Google Drive、Docs 和 Sheets 中设置多步骤任务，并深度整合电子邮件与每日简报（Daily Brief）。

  5. IT之家·人工智能40

    滴滴充电智能网络覆盖全国 290 多座城市超 7.4 万座充电站，展示 1600kW 液冷超充桩

    滴滴在第十八届国际交通技术与设备展览会上展示新一代 Robotaxi R2，该车型由滴滴自动驾驶与广汽埃安联合打造，搭载 33 个传感器融合的硬件平台及行业首个量产三域融合中央计算大脑，GPU 算力超 2000TOPS。截至 2026 年 6 月 30 日，滴滴充电智能网络已覆盖全国 290 多座城市，连接超 7.4 万座充电站，并展出输出功率最高 1600kW 的液冷超充桩。

  6. IT之家·人工智能59

    北京首例 AIGC 商业秘密行政处罚案开出 10 万元罚单

    北京市朝阳区市场监管局对全市首例 AIGC 行业商业秘密行政处罚案作出处罚决定，对携密跳槽、私自复制使用原单位 AI 商业软件的行为开出 10 万元罚单。涉案员工在职期间私自拷贝并破解公司自主研发的 AIGC 商业软件，离职后创办新公司继续使用该软件承接竞争业务牟利。本案首次在行政执法层面确认 AIGC 商业软件可作为商业秘密受法律保护，并依据《反不正当竞争法》第二十六条处以罚款。

  7. IT之家·人工智能62

    谷歌发布 Gemini 3.5 Transcribe 语音转文本模型，能自动删除口头禅

    谷歌发布 Gemini 3.5 Transcribe 语音转文本模型，可自动删除“嗯”“呃”等口头禅及说错后自行纠正的内容，生成更通顺的文本。相比 Chirp 3，整体速度预计提升约 70%，实时语音场景错误率降至 5.5%，支持 85 种语言及最多 3 名说话者的预录音频。该模型已为 Pixel 11 上 Gboard 的“Rambler”功能提供支持，后续将进入更多谷歌产品。

  8. IT之家·人工智能49

    被盗 iPhone 黑产 AnonyMousKIT 披露：AI 语音钓鱼套取苹果手机密码

    网络安全公司 SOCRadar 披露名为 AnonyMousKIT 的网络钓鱼即服务平台，通过邮件、短信、WhatsApp、预录语音与 AI 语音 5 个渠道骗取设备密码、Apple ID 与 2FA 验证码，服务于被盗苹果设备的解锁与转售链条。该平台关联 506 个域名及 168 个店铺品牌，AI 语音钓鱼 200 次呼叫成本 19.24 美元，通话时长中位数 22 秒。

  9. IT之家·人工智能47

    网易有道 OpenPods 预售：首款专为 iPhone 用户打造的 Agent 耳机，到手价 1499 元

    网易有道今日发布并预售首款专为 iPhone 用户打造的 Agent 耳机 OpenPods，首发补贴后到手价 1499 元，9 月 10 日发售。产品获 MFi 认证，支持一键通话录音、耳机舱录音与实时翻译（覆盖 20 余种语种），搭载 AI 会议助手可生成摘要、待办及思维导图。耳机单次续航 8 小时，配舱总续航 32 小时；核心 AI 功能目前仅支持 iOS，安卓与鸿蒙版本开发中。

  10. Rohan Paul54

    Google 发布 Gemini 3.5 Transcribe，智能转写语音为“实际意图文本”，可消除口误、过滤语气词、格式化数字日期并适配自定义词汇。

    引用Sundar Pichai@sundarpichai

    Say hello to Gemini 3.5 Transcribe! - Build apps that understand user speech / intent, even w/ multiple speakers! - Auto-detection of 85+ languages out of the box - Custom vocab adaptation for specialized jargon... SGTM:) API available now in @GoogleAIStudio and Gemini Enterprise, or try it in the Gemini app on macOS or Rambler on Android! More details: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/

  13. The Verge：AI63

    Google 发布 Gemini 3.5 Transcribe 转录模型，可自动去除“um”“ah”等填充词

    Google 推出 Gemini Audio 家族新成员 Gemini 3.5 Transcribe，可自动识别专业术语和超过 85 种语言，并自动格式化文本、去除“um”“uh”等填充词。该模型支持自定义词汇表、为最多三位说话人区分语音，并提供词级时间戳。今日起向 macOS Gemini 应用用户开放英语版本，开发者可通过 Gemini API 公开预览使用。

  17. Sundar Pichai67

    向 Gemini 3.5 Transcribe 问好！ - 构建能理解用户语音/意图的应用，即使有多位说话人也行！ - 开箱即用，自动检测 85+ 种语言 - 针对专业术语的自定义词汇适配……SGTM:) API 现已在 @GoogleAIStudio 和 Gemini Enterprise 中提供，也可在 macOS 上的 Gemini 应用或 Android 上的 Rambler 中试用！ 更多详情：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/

  20. Google DeepMind：Blog68

    Gemini 3.5 Transcribe 发布：面向实时语音交互的高精度语音转文本模型

    Google DeepMind 推出 Gemini 3.5 Transcribe 语音转文本模型，支持流式与非流式两种 API。据 Artificial Analysis 评测，其流式与非流式平均词错率分别为 4.0% 和 2.6%，支持超 85 种语言、自定义词汇及最多三人说话人识别。

    推荐理由：相较于上一代 Chirp 3，流式词错率降到 4.0% 且最终转录延迟改善 70%，会影响语音代理和实时字幕方案的成本与体验取舍。

8月26日周三
  1. 公众号：京东JoyAI40

    京东亮相2026 IOTE，JoyInside与涂鸦智能达成战略合作

    京东在第二十五届国际物联网展（IOTE 2026 深圳站）展出多款可下单的AI玩具，包括小鸡球球AI点读笔、凯米斯AI机器狗等，均接入京东自研的“附身智能系统”JoyInside。会上，京东JoyInside与涂鸦智能正式签约，将围绕AI硬件方案共建、渠道资源协同与生态联合推广展开合作，为品牌客户提供“京东×JoyInside×涂鸦”整包方案。