ElevenLabs 发布 Eleven v4 语音模型，能更准确跟随脚本中的情绪、停顿与音效标签，并在长篇制作中保持音色一致。新架构同时驱动 Turbo 版本，官方测试中约 150 毫秒开始输出语音，对比 Cartesia Sonic 3.6 的 262 毫秒和 OpenAI GPT-4o mini TTS 的 814 毫秒。

Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在原生实时对话模型上加入近实时视频生成，实现带唇形同步、自然表情和流畅轮次切换的动态视觉形象。

谷歌推出了一个叫“Call for Me”的实验功能，能让 Gemini 直接帮你打电话给商家。目前门槛很高：你得人在美国、用 Pixel 11 手机、付费订阅了 Gemini，还得装测试版的谷歌电话 App。这次更新最大的变化是，Gemini 可以分享你事先批准的个人信息，这样它能处理的事情就更多了，比如预约或查询订单。打电话时你可以实时看文字记录，...

Meta 在 Connect 大会上把 Muse 定位成硬件加智能体的核心。Muse 现在能语音对话、看实时视频，还能在后台处理长时间任务，甚至有了自己的邮箱地址，你可以抄送邮件让它干活。Mac 版支持电脑操作，排好任务就能走人。目前免费，但以后可能会从交易里抽成；零售合作方包括沃尔玛、百思买和丝芙兰，效率工具接入了 Box、GitHub 和 Noti...

Meta 在 Connect 大会结尾快速展示了一款叫 Muse Charm 的独立 AI 硬件，专门跑自家的 Muse 智能体。它长得像一块摘掉表带的厚智能手表，配了根挂绳。右上角有指纹传感器，按下去就能直接说话下指令，不用掏手机解锁。正面至少开了三个麦克风孔，还塞了一颗小摄像头。正文没公布价格、续航和上市时间，目前只是露个脸。

Muse 上线才两周，Meta 就说正在把它往智能眼镜里搬，包括 Connect 大会上新发布的款式。用法很简单：喊一声 Muse，就能让它带着你做运动、记吃了什么，或者帮你看看眼前的东西值不值得买。眼镜还会加一个听力增强功能，Meta 说已经过了 FDA 认证，给轻度到中度听损的成年人用。不过正文没提什么时候上线，也没说哪些型号能用上 Muse。

Greg Brockman 说 GPT Voice 现在可以调用邮箱、日历、Slack 这些工具，背后跑的是 GPT-6 Astra、Sol 和 Luna 三个模型。语音功能也同步上了网页端和移动端的 ChatGPT Work，你动嘴就能在浏览器里建文档、做 PPT、搭网站或填表格。今天起全球最新版应用会逐步推送。不过正文没提语音响应延迟、识别准确率，...

OpenAI 给 ChatGPT 的语音功能接上了插件，你可以用嘴让它查邮件、翻日历、在 Slack 里发消息。语音版在 ChatGPT Work 的网页和手机端都能用，号称能靠说话生成文档、PPT、网站和表格。官方说背后是 GPT-6 的 Astra、Sol、Luna 这几个模型，当天就推了全球更新。不过正文完全没提插件权限范围有多大、响应延迟怎么样...

Simon Willison 用 GPT-6 Astra 开发了一个 Gemini 3.8 TTS Playground，可测试 Google 的 Gemini 3.8 文本转语音 API，支持单人或多人对话合成、试听音频并查看请求与响应细节，配置可保存为可分享的 URL。

OpenAI 给 ChatGPT 语音加上了邮件、日历和 Slack 插件，现在你可以用嘴直接操作这些工具。驱动模型换成了 GPT-6 Astra、Sol 和 Luna，但正文没解释这三个模型分别负责什么、能力差在哪。网页和手机端的 ChatGPT Work 也支持语音输入了，说句话就能建文档、做 PPT、搭网站或填表格。我会先打个折——官方没提推送地...

这次更新把实时语音和“Extended Thinking”（让模型在回答前多算几步）塞进了同一个模型。遇到难题它会先停顿一小会儿，在后台推理完再开口，而不是直接给个不过脑子的回复。不过正文只放了个标题和一堆网站导航，没给出任何具体参数、延迟数据或上线时间，所以实际响应速度和推理质量现在还没法判断。

阶跃星辰发了 StepAudio 3 系列语音模型，官方称在 Artificial Analysis 榜单上多个指标拿了全球第一。但原文被微信屏蔽，正文完全看不到，所以具体是哪些指标、什么语言、模型参数、能力细节一概没披露。榜单本身是第三方评测，有一定参考价值，但没看到具体分数和对比对象之前，这个“全球第一”先打个折。

连锁药店 Kinney Drugs 上线三个月的 AI 电话助手 Burt 被紧急撤回，原因是顾客投诉电话内容混乱、报错剂量、漏掉处方提醒。总裁 John Marraffa 承认，合规不等于体验好，他们搞砸了。现在患者来电恢复传统的按键式系统，Burt 只保留在用户主动订阅的续方短信通知里。报道没提底层用的是哪家模型或语音供应商。

Anthropic 发了新模型 Claude Opus 5，定价直接砍半，号称能力接近 Fable 5。但 Every 的评测发现它用起来很别扭：会跟人争论、任务没做完就停，还跟老一套的提示词技巧犯冲。有意思的是，同一个人嘴上说讨厌，盲测打分时却把 Opus 5 排在了第一。Theo 花了几个小时重写 CLAUDE.md 和技能文件，说虽然累但完全值得...

OpenAI 把月初发布的 ChatGPT-Live 语音模型搬到了桌面应用上。现在你可以直接用嘴指挥 ChatGPT，让它操作智能体、浏览网页，或者在 macOS 上通过 Appshots 读取屏幕内容。手机版之前只能聊天，这次桌面版是实打实的干活：演示里一个开发者用一句话就让 ChatGPT 新建了讨论串、提交了合并请求，还顺带找到了一个 bug ...

Anthropic 把 Claude 的语音模式升级了，现在背后可以调用 Opus 和 Sonnet 这两个更强的模型来处理复杂问题，不再是以前那种轻量版。你还能在语音对话里直接让它操作已连接的工具，比如搜 Gmail 邮件或查 Slack 消息，不用切回文字界面。多语言支持也加上了，但官方没列出具体支持哪些语言。实际用起来的延迟和工具调用的准确率怎么...

OpenAI 给 macOS 和 Windows 的 ChatGPT 桌面应用加上了语音控制，你可以直接说话让 ChatGPT Work 或 Codex 里的多个智能体协同工作。背后是 GPT-Live 在跑，能同时听、说、协调任务。今天起 Plus、Pro、Business、Edu 和 Enterprise 用户都能用。正文没提延迟多少、能同时跑几个...

Anthropic 把语音模式从 Haiku 扩展到了 Opus 和 Sonnet，三个模型现在都能用语音交互了。更实际的变化是，语音模式可以接入 Gmail、Slack 这类应用，直接读出你的邮件和消息。不过正文没提延迟和准确率数据，实际体验好不好用，建议等上手测试再说。

Anthropic 给 Claude 的语音模式换了底模，现在你可以手动选 Opus、Sonnet 或 Haiku，默认会沿用你上次文字聊天用的模型。官方说这能撑住更长的对话，比如帮你打磨沟通方式、过一遍客户提案、或者脑暴市场调研。更实际的变化是，语音模式现在能接通 Gmail、Google 日历、Slack、Canva 和 Notion，直接让它改会...

SpaceXAI 和 Cursor 一起训了个新模型 Grok 4.5，性能大概卡在 Opus 4.7 和 4.8 之间，但按 token 算钱的话，比 Opus 便宜 6 倍，比 GPT-5.5 便宜 3 倍。现在 Cursor 里能用，API 也开放了。OpenAI 这边，GPT-5.6（Sol、Terra、Luna）今天会推给所有用户，早期测试的...

部分用户已经在 ChatGPT 网页版和 App 的模型选择器里看到了 Bidi 1，和标准语音、高级语音并列，选中后语音气泡会变黄。它最大的变化是支持全双工：模型在说话的同时还能继续听你讲话，中途打断也能立刻响应。测试里有人让它从 1 数到 10，数到一半打断说“倒数”，它马上照做。OpenAI 还没正式公布上线时间，有媒体猜本周可能会扩大测试范围。...

这个模型叫 Seeduplex，是个原生全双工端到端语音模型，意思是它能一边听一边说，不用等你说完再反应。官方给了三个卖点：指令跟得准、抗干扰、会自己判断什么时候该接话。比如多人聊天时它能安静待着，只有聊到指定话题才插嘴；还能在对话里直接调用工具帮你订日历、发邮件。抗干扰方面，误回复和误打断都少了很多。判停延迟缩短了约 250 毫秒，复杂场景下抢话比例...

Google Home Speaker 是第一款围绕 Gemini 做的音箱，99.99 美元，现在就能预订，本月发货。它支持说话中途改口、不用反复唤醒就能接着聊，内置了 10 种新声音。我会先打个折：这些听起来像连续对话的能力，其实分两层。基础的多步指令和打断纠错是机器自带的，但真正像人一样自由聊天的 Gemini Live，以及让音箱帮你总结 Ne...

彭博的 Mark Gurman 提前用上了新版 Siri，总结了 7 个实际改进：响应更快、能看懂屏幕内容、可以跨 App 操作、声音更自然等。但核心问题没变——Siri 还是把复杂请求丢给 ChatGPT，自己只处理简单指令。Gurman 的判断是，这次更新把 Siri 从“灾难”拉回到“勉强能用”，但离苹果在 WWDC 2024 画的那个主动式助手...

Google 把 Gemini 3.5 的实时翻译功能放出来了，现在通过 Gemini API 就能用。它做的是语音到语音的低延迟翻译，覆盖 70 多种语言，能组合出 2000 个语言对，冷门小语种也包含在内。开发者可以把它接进实时对话、客服、直播或跨国会议里。主推文提到这消息被 Anthropic Fable 5 的声量盖过去了，还顺带提了阿里 Qw...

Google 发了 Gemini 3.5 Live Translate，一个实时语音转语音翻译模型。它不等对方把整句话讲完，边听边翻，用流式更新把结果推出来，延迟压到几秒，还能保留原声的语速、音高和语调。支持 70 多种语言，目前通过 Gemini Live API、Google Meet 预览版和 iOS/Android 的 Google 翻译 Ap...

Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70 多种语言的近实时语音到语音翻译音频模型，可自动检测语言并保留说话人的语调、节奏和音高。

Google DeepMind 开源了 Gemma 4 12B，一个 120 亿参数的多模态模型。它最大的变化是去掉了传统的独立视觉/音频编码器，把所有输入统一交给 Transformer 处理，架构更简单。模型能直接听懂语音，不再需要先转文字。官方说它用 Apache 2.0 协议开源，在 16GB 显存或统一内存的笔记本上就能跑。性能方面，正文没给...

OpenBMB 把 VoxCPM2 的技术报告和模型都放出来了，Apache 2.0 协议。这是个 20 亿参数的语音生成模型，用超过 200 万小时的多语言语音数据训练，能说 30 种语言和 9 种中文方言。它主要干三件事：按自然语言指令设计语音、可控地克隆声音，以及高保真地延续一段语音。技术方案上，它把语音拆成两步走——先用 16kHz 做语义编码...

Victor M 在 X 上整理了一份清单，过去一周有超过 25 个开放权重的模型发布，几乎覆盖了所有模态。其中最扎眼的是 NVIDIA 的 Nemotron 3 Ultra，一个 550B 参数的混合架构（Mamba-MoE），每次推理只激活 55B 参数，上下文窗口能塞进 100 万个 token。不过正文被 Reddit 的安全策略拦住了，具体还...

RedNote 放出了一个叫 dots.tts 的语音合成模型，参数量 20 亿，用 Apache 2.0 协议开源。它走的是全连续架构，文字直接映射到语音，跳过了传统的音素流水线，合成采样率能到 48kHz。零样本声音克隆也支持，给一段参考音频就能模仿说话。不过 Reddit 原帖被屏蔽了，正文没披露训练数据、推理延迟和实际合成效果的具体指标，这点先...

Google AI 这周一口气更新了六样东西。Nano Banana 2 和 Pro 版正式上线，走 Gemini 企业平台、API 和 AI Studio 就能用。Co-Scientist 是一个多智能体系统，专门帮科研人员自动生成和优化新假设，相当于有个助手帮你读文献、想点子。Google Labs 出了个 dreambeans，会扒你的 Goog...

Google AI for Developers 放出了一个叫 Magenta RealTime 2（MRT2）的实时音乐模型，权重开放，推理引擎也开源了。你可以用 MIDI 键盘弹、打字给提示词，甚至用手势控制它来生成音乐。它在 MacBook 上原生跑，延迟压到了 200 毫秒以内，这个速度对实时演奏来说基本跟手。配套还给了应用和插件套件，到手就能...

Higgs Audio v3 TTS 是 Boson AI 的语音合成模型，参数量大约 4B，底层用了 Qwen3-4B。它支持 100 种语言，在内部测试集上词错率/字错率能压到个位数。这个模型专门为语音助手那种边说边生成的场景设计，不等句子结束就能开始合成，后续文本到了还能保持声音、情绪和节奏连贯。开发者可以直接在输入文本里插标签来控制 20 多种...

谷歌发了 Gemma 4 系列的新成员，一个 120 亿参数的中等尺寸模型。它主打本地运行，16GB 显存或统一内存的笔记本就能带起来。架构上没走传统多模态那套编码器路线，直接原生支持音频输入，还带了一个叫 MTP 的推测解码模块来压延迟。模型用 Apache 2.0 协议开源。不过正文因为环境验证没加载出来，具体跑分、训练数据、实际推理速度这些关键信...

这篇文章本身没加载出来，微信页面显示环境异常需要验证，所以正文内容我没看到。从标题和已有的英文摘要看，讲的是 AI 语音输入工具正在进入办公和开发场景。Wispr Flow 这个产品全球下载量超过 250 万，12 个月留存率 70%，年用户增长 100 倍，说明用的人确实在猛增，而且用了就回不去。OpenAI 的 gpt-4o-transcribe ...

Miso One 放出了一个 8B 参数的开源 TTS 模型，主打一次语音克隆——给它一小段音频样本就能模仿那个人的说话风格和节奏。推理延迟标称 110ms，对实时对话场景算可用。模型权重直接挂在 GitHub 上，你可以自己部署，音频数据不用上传到第三方服务器。官方说 API 之后会出，但正文没提价格和上线时间。

AI 音乐生成公司 Suno 宣布完成 4 亿美元 D 轮融资，投后估值 54 亿美元。官方公告没披露领投方、跟投方和资金具体用途，只说会继续让更多人玩上音乐创作。我会先打个折——这轮金额和估值数字很大，但正文没给任何业务数据或商业化进展，暂时只能当融资信号看。

xAI 和 Vapi 合作，把 Grok 设成了 Vapi 平台 12 个核心语音的默认引擎。Vapi 自己搞了一次盲测，Grok 拿了第一。另外 xAI 在 X 上发了个投票，4500 多人里有一半分不清 Grok 克隆的声音和真人原声。现在 Vapi 上的开发者可以直接在下拉菜单里选 Grok 来做文字转语音，仪表盘里也能用 Grok 的语音识别和...

Gemini App 发帖演示了用 Gemini Omni 捏一个长相和声音都像你的数字分身，然后直接塞进视频创作里。帖子没提这个功能什么时候上线、要不要付费，也没说怎么防止别人拿你的形象乱用。