办公室都在用嘴打字,敲键盘快成老手艺了
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。
推荐理由:AI 语音输入工具 Wispr Flow 全球下载量超 250 万、12 个月留存率 70%,文章据此讨论打字在办公场景中逐渐让位于语音输入。
AI 语音与音频的进展:语音合成、实时对话、音乐生成与音频理解的模型与产品。
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。
推荐理由:AI 语音输入工具 Wispr Flow 全球下载量超 250 万、12 个月留存率 70%,文章据此讨论打字在办公场景中逐渐让位于语音输入。
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。
推荐理由:Miso One 开源了 8B 参数的语音克隆 TTS 模型,一小段音频样本即可模仿说话风格,标称 110 毫秒延迟,权重挂在 GitHub 上支持自行部署。
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。
推荐理由:Suno 完成 4 亿美元 D 轮融资,投后估值 54 亿美元,官方未披露领投方与资金用途,可作为观察 AI 音乐生成领域资本热度的参考。
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。
推荐理由:xAI 与 Vapi 合作,将 Grok 设为平台 12 个核心语音的默认引擎,覆盖 250 多万个语音智能体,Vapi 自测盲测中 Grok 排名第一。
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。
推荐理由:Gemini App 演示用 Gemini Omni 生成长相和声音都像本人的数字分身,再放进视频创作,官方放出这一功能点,呈现视频创作与虚拟人方向的产品进展。
流媒体平台 Deezer 的数据显示,每天有超过 5 万首 AI 生成的歌曲被上传,这个数字还在涨。格莱美主办方录音学院的 CEO Harvey Mason Jr. 说,他最近参与的每一场录音 session 里都有 AI 工具的身影,AI 在音乐制作里已经“无处不在”了。不过,格莱美目前的规则仍然禁止纯 AI 音乐角逐最高奖项。
推荐理由:Deezer 每天上传超 5 万首 AI 生成歌曲,格莱美仍禁止纯 AI 音乐角逐最高奖项,主办方 CEO 称 AI 已无处不在。
开发者 mudler_it 把英伟达的 Parakeet 语音转文字模型用 C++ 和 ggml 重写了一遍,彻底甩掉了 Python 和 PyTorch。他测试下来,在 f32 和 f16 精度下输出结果和原版 NeMo 逐字节一致,但速度更快,大一点的 TDT 和混合模型在 GPU 上能跑到大约 5 倍加速。
推荐理由:开发者用 C++ 和 ggml 重写了英伟达 Parakeet 语音转文字模型,去掉 Python 与 PyTorch 依赖,f32 和 f16 精度下输出与原版 NeMo 逐字节一致,GPU 上大模型约 5 倍加速。
OpenAI 发了 gpt-realtime-translate,一个专门做语音翻译的模型。你对着它说 70 多种语言里的任意一种,它能直接用 13 种目标语言把语音播出来。OpenAI 说大模型虽然强,但特定任务还是得上专用模型。目前这个功能已经在智能眼镜上跑起来了,不过正文没披露延迟、准确率和具体硬件细节。
推荐理由:OpenAI 发布专做语音翻译的 gpt-realtime-translate,支持 70 多种语言输入、13 种语言输出,并已落地智能眼镜,可了解专用模型在实时翻译场景的取舍。
小米大模型应用团队放出了一个叫 ControlFoley 的视频音效生成模型,权重和代码都开源了。它主要解决一个问题:以前模型只能看画面自动猜配什么声音,创作者没法干预。ControlFoley 支持三种用法——用文字描述想要的音效、用文字强行覆盖画面里原有的声音、或者上传一段参考音频让它模仿音色和风格,同时还能保证声音和画面动作对得上。
推荐理由:小米开源 ControlFoley,让视频音效从只能由模型自动猜测变为可用文字或参考音频指定,同时保持声音与画面动作对齐。
ElevenLabs 发布了音乐生成模型 Music v2,主打功能是可以在不破坏整首歌的前提下,单独重写其中一段,比如从歌剧直接跳到重金属再跳回来,或者塞一段快嘴说唱。公司说模型在唱腔和编曲上都更复杂了,还能加音效。不过正文没披露上线时间、定价和模型参数,实际效果和版权风险也还没第三方验证,这点先别太激动。
推荐理由:ElevenLabs 发布音乐生成模型 Music v2,支持在不重做整首歌的前提下单独重写某一段,例如在曲中切换曲风或插入说唱,唱腔与编曲也更复杂。
Hugging Face 给 Reachy Mini 机器人配了一套纯本地运行的语音对话方案,数据不用上传云端。他们用 speech-to-speech 库搭了一条流水线:先靠 Silero VAD 检测有没有人在说话,再用 Parakeet-TDT 把语音转成文字,接着交给大模型想怎么回,最后让 Qwen3-TTS 把文字念出来。
推荐理由:Hugging Face 为 Reachy Mini 搭了一条全本地语音对话流水线,从 Silero VAD、Parakeet-TDT 到 Qwen3-TTS 逐环节可查,为想在边缘设备上复现同类方案的人提供了完整技术路径。
小米把 MiMo-V2.5 系列的 API 价格永久打下来了,最高降了 99%,现在和 DeepSeek V4 Pro 定价持平。花同样的钱,能用的 token 数多了 5 到 8 倍,计费方式也变简单了。老用户之前买的套餐额度会全部重置补满。降价的原因是他们在推理环节做了全栈优化,省下来的成本直接让出来了,具体技术细节后面会发博客。
推荐理由:小米将 MiMo-V2.5 系列 API 价格永久下调,最高降幅 99%,与 DeepSeek V4 Pro 持平,同价下可用 token 数增至 5 到 8 倍。
Spotify 跟环球音乐签了个协议,允许用户用 AI 做“受控”的翻唱和混音。正文被付费墙挡了,看不到授权范围、收入分成比例和具体上线时间。
推荐理由:Spotify 与环球音乐达成协议,允许用户制作受控的 AI 翻唱和混音,授权范围与收入分成尚未公开,大平台为 AI 生成内容划定边界的做法由此有了具体样本。
这个模型不只是把语音转成文字再回复,它会捕捉你说话时的语气、语速、停顿甚至微表情这些“副语言”信息,让对话更自然。你可以通过 API 给它设定人格、背景故事和说话风格,官方说原生人格选项超过一万种,组合起来能有数百万种特征。
推荐理由:阶跃星辰发布 StepAudio 2.5 实时语音模型,除语音转文字外还捕捉语气、语速、停顿等副语言信息,并支持通过 API 设定人格与说话风格。
美团 LongCat 在 Hugging Face 上发了 LongCat-Video-Avatar-1.5,模型权重用 MIT 协议开源。它能做音频驱动视频、音频加图片驱动视频,还能接着一段视频往后生成。这版把语音编码器从 Wav2Vec2 换成了 Whisper-Large,理论上对语音的理解会更准。
推荐理由:美团 LongCat 开源了视频数字人模型 1.5 版,权重用 MIT 协议,语音编码器由 Wav2Vec2 换成 Whisper-Large,推理步数压到 8 步。
美国国家运输安全委员会(NTSB)发现,去年一起 UPS 货机空难中遇难飞行员的声音被人用 AI 重建,并在网上流传。联邦法律禁止 NTSB 公开驾驶舱录音,但调查档案里放了一份录音的频谱图(一种把声音高低频信号转成图像的文件)。
推荐理由:NTSB 调查档案中一份空难驾驶舱录音的频谱图,被人用 AI 还原成飞行员声音并在网上流传,而联邦法律禁止该机构公开录音,事件由此牵出调查材料公开与声音复原之间的边界问题。
美国国家运输安全委员会(NTSB)在 5 月 21 日暂停了其在线事故档案系统的公开访问。起因是网上有人利用软件和 AI 工具,根据调查文件里的信息,重新生成了 UPS 货运航班 2976 号坠机前驾驶舱内遇难飞行员的声音片段。联邦法律本来就禁止调查机构公开驾驶舱录音,这次绕过禁令的“复原”行为直接促使 NTSB 紧急关停了整个数据库。
推荐理由:NTSB 因有人用 AI 从调查文件中复原 UPS 2976 航班遇难飞行员的声音,暂停了在线事故档案库的公开访问,语音克隆触及驾驶舱录音禁令后引发机构层面的反应。
这次开源的是一个270亿参数的多模态模型和一个语音合成模型。多模态模型主要针对教育场景,能看懂带图表的数学题,在纯中文数理难题上准确率81.4%。团队用精简过的推理样本做训练,把模型思考过程的输出长度压缩了43.2%,所以回答同样的问题,吐出的token更少、推理更快,直接效果就是推理成本会降下来。
推荐理由:网易有道开源270亿参数多模态模型与语音合成模型,前者面向教育场景,在纯中文数理难题上准确率达81.4%,训练中压缩思考过程输出长度43.2%,推理成本随之下降。
智谱在 5 月 22 日给部分企业客户开放了 GLM-5.1-highspeed 接口,输出速度标称 400 tokens/s,说是目前大模型厂商里最快的。过去跑得快的模型通常能力会打折,这次智谱声称把旗舰模型的能力和低延迟同时塞进了生产环境。提速主要靠 GLM 团队和 TileRT 团队在三个层面做的系统优化:推理引擎重写了核心路径来提升单卡吞吐。
推荐理由:智谱向部分企业客户开放 GLM-5.1 高速版接口,标称输出速度达每秒 400 个 token,其提速来自推理引擎核心路径重写等系统优化,可用于观察旗舰模型能力与低延迟在生产环境中的取舍。
Spotify 跟环球音乐签了授权,准备让 Premium 用户用生成式 AI 做歌曲的翻唱和混音。这个功能会作为付费附加包上线,产生的收入会分给参与计划的艺人。但正文没公布具体分成比例、价格和上线时间,只说两家公司达成了授权协议。
推荐理由:Spotify 与环球音乐达成授权协议,让 Premium 用户以付费附加包形式用生成式 AI 制作翻唱和混音,收入将分给参与计划的艺人。