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。
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：HKR-H/K 通过，因为 ElevenLabs 这次把音乐生成做成了分段可替换、中途可切风格，不是整首重来。我会先打个折：发布时间、定价、模型大小全都没披露，所以行业层面的震动暂时只能算中等。如果是真的，对做音效和配乐的人挺省钱，但先别太激动。
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。这套东西通过一个兼容...
推荐理由：HKR 三项都成立：有个清晰的本地机器人语音钩子，技术栈细节给得实在，对边缘端语音代理场景有直接吸引力。范围就限定在 Reachy Mini 的语音交互上，所以放在 featured 档。
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。另外 MiMo-V...
推荐理由：HKR 三项都成立：99% 的降幅和直接点名 DeepSeek 同价，话题性够强；降价幅度和生效时间都是硬信息；API 成本压力是从业者每天在算的账。不过这只是调价公告，没有新模型或新能力，所以重要性停在 76 分，不往上拉了。
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：FT 的信源和 Spotify-Universal 的授权框架让 HKR 三项都站得住。我会先打个折：分账怎么算、授权到底覆盖多少曲库、什么时候上线，正文全都没说，所以这更像一个信号而非落地产品。对从业者来说，值得留意的是大平台开始用“受控”这个词给 AI 生成内容划边界，但别急着激动，等具体条款出来再看是真省钱还是画饼。
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。产品内置了 5 个预设人格可以直接试，并且用 RLHF（基于人类反馈的强化学习）做了调优，在复杂的角色扮演压力测试里也能保持人设不...
推荐理由：我会先打个折：这是官方推文，没给延迟、定价、基准测试和实际铺开范围，所以只能当个中等体量的产品更新来看。亮点在于副语言感知——就是能听懂语气、停顿、笑声这些非文字信号，再配上可调的人格，对想做出有“人味儿”的语音助手团队来说，确实是个值得跟的信号。但没实测数据之前，先别太激动。
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。推理部分用 DMD2 蒸馏把步数降到了 8 NF...
推荐理由：我会先打个折：这不算行业地震级别的发布，但对做开源视频数字人的团队来说是个实在的更新。H、K、R 三条都站得住——美团 LongCat 把模型权重用 MIT 协议放出来，推理压到 8 NFE，意味着本地跑起来的门槛低了不少。技术上，它把语音编码器从 Wav2Vec2 换成 Whisper-Large，对中文语音的适配可能会更好，但正文没给出具体的对比测试数据，这点先别太激动。如果是真的省钱又好用，对想自己搭数字人、不想走云端 API 的开发者来说，是个值得上手试试的选项。
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）。有 YouTuber 指出，理论上可以从这张图里把音频还原出来，随后就有人照着公开的文字记录，用 Codex 等 AI 工具...
推荐理由：标题和摘要给的信息够撑起 HKR 三项。事件本身有伦理钩子，技术路径有点新意，NTSB 的反应也说明它不只是个猎奇新闻。不过正文没展开技术细节和 NTSB 后续处理，范围偏窄，放在 featured 档里合理。
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。文章没有披露被复...
推荐理由：我会先打个折：正文只有 RSS 和 HN 的元数据，案卷编号、音频是谁做的、NTSB 在什么条件下撤的，全都没写。所以这条消息的“新”是成立的，但信息厚度很薄。钩子很强——用 AI 复刻死人声音，还逼得官方机构撤材料，这在安全和伦理上都够扎眼。对从业者来说，它提醒了一件事：语音克隆在公共记录上的滥用，已经开始触发真实的制度反应。这点先别太激动，等后续有案卷细节再判断影响多大。
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。语音合成模型支持用3秒中文音频克隆音色，能跨14种语言...
推荐理由：我会先打个折：有道不是前沿大模型实验室，所以这条消息的份量到不了顶流，但信息本身够具体。27B 参数的多模态模型，中文数理题做到 81.4% 准确率，说明在中文理科场景有一定可用性，不过正文没披露评测集和对比基线，这点先别太激动。语音模型覆盖 14 种语言，对做多语言 TTS 产品的人是个直接可用的资源。全量开源意味着可以直接拿来微调或部署，省去从头训的成本，但实际推理开销和显存需求正文没提，动手前得自己测一下。整体看，这是一次信息完整、可验证的发布，对关注中文多模态和语音落地的从业者有实操参考价值。
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；调...
推荐理由：智谱扔出一个 400 tokens/s 的 API 速度数字，说是全球纪录，我会先打个折——正文没披露测试条件、并发数、上下文长度和定价，这些缺口让“纪录”暂时只能当个参考。但 GLM 和 TileRT 联手做系统级优化这件事本身有信息量，说明国产模型在推理加速上开始卷工程落地，不只是卷榜单。对从业者来说，速度快意味着同样任务花钱少、等得短，这点先别太激动，等看到实际压测和价格再判断值不值得切。
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：HKR 三项都成立：Spotify 给 AI 翻唱开了条正版路子，Premium 用户能用，艺人有分成——但具体怎么分、分多少，正文一个字没提。信息缺口明显，所以停在 featured，不到 p1。
Spotify 和环球音乐刚谈成一笔授权，Premium 用户能付费让 AI 把平台上的歌生成混音版或翻唱版。艺人可以选择不参加，参加的能从这些 AI 版本里分到版税。去年 10 月 Spotify 就说过要和几大唱片公司搞“负责任的 AI 产品”，这次算是第一个落地的。正文没披露具体定价、上线时间，也没说 AI 模型是谁家的、生成质量到什么程度。
推荐理由：Spotify 和环球音乐达成授权，让付费用户自己生成 AI 混音和翻唱，不是发模型或开发工具，而是直接做成消费功能。我会先打个折：正文没披露生成质量、延迟和实际定价，也没说版税怎么算、退出机制怎么落地。但光是“正版授权+付费使用+艺人可退出”这套组合，就已经把 AI 音乐从技术 demo 往产品化推了一步，所以放在 featured 档。
Spotify 跟环球音乐集团谈成了一笔授权，打算在 Spotify 应用内加一个付费的 AI 音乐生成功能，主要瞄准那些花钱不手软的重度乐迷。目前正文被付费墙挡住，看不到具体定价、上线时间、支持哪些国家，也没提用的是什么模型。
推荐理由：我会先打个折：定价、上线时间和钱怎么分，正文都没说，所以这条还到不了必写的程度。但 Spotify 和环球音乐把 AI 音乐从技术演示变成应用内付费产品，方向很明确——瞄准愿意多花钱的铁粉，用 AI 工具让他们自己生成内容。这比单纯放个 AI 歌单更进一步，等于把生成能力直接卖给用户。版权和收入分配是绕不开的雷区，正文没披露分成细节，这点先别太激动。
Stability AI 发了四个新音频模型，最小的两个（4.59 亿参数）能在手机或电脑本地跑，生成两分钟以内的声音和音乐。中型（14 亿参数）和大型（27 亿参数）模型能把完整歌曲拉到 6 分 20 秒，比上一代翻了一倍多。小号和中号模型已经开源，大号模型只走 API 和付费托管，年收入超 100 万美元的公司必须买商业授权。训练数据来自华纳和环球...
推荐理由：我会先打个折：标题里的“专业级”正文没给出任何评判标准或盲测结果，这点先别太激动。能生成超过6分钟的音乐确实比多数短片段模型进了一步，4款规格也说明在考虑不同算力场景。但全文没披露训练数据是否含版权素材、生成内容的商用条款，也没给任何客观音质指标，所以只能算一次产品更新，离行业震动还差几口气。
Stability AI 推出了 Stable Audio 3.0 系列，一共四个模型。最小的两个（4.59 亿参数）能在设备本地跑，生成两分钟的音乐或音效；中等（14 亿参数）和大杯（27 亿参数）模型则能生成 6 分 20 秒的完整曲子，比 2024 年的 2.0 版长了一倍多。小、中杯模型都开放权重，可以随便用和改。不过正文没提训练数据来源、生成...
推荐理由：我会先打个折：标题的 6 分钟和正文的 2 分钟对不上，正文没解释这个差距，所以别太激动。但端侧能跑出 2 分钟音轨这件事本身挺省钱，对做音频工具的人是个信号。整体算中等偏轻的产品更新，靠标题的钩子和端侧成本点撑到 featured 门槛。
Gemini Omni 上线了一个新功能，你可以用自己的长相和声音创建一个数字分身。建好之后，这个分身就能替你出镜生成视频，不用每次都重新上传照片。正文没提这个功能要不要钱、在哪些地区能用、什么时候正式上线，我会先打个折观望。
推荐理由：Gemini Omni 让用户拿自己的形象和声音做数字分身视频，建好之后不用反复传图，这点对做内容的人挺方便。但正文没写价格、哪些地区能用、什么时候上线，所以现在只能当个预告看。我会先打个折：功能听着省事，可落地时间表和成本都不清楚，别太激动。
Google 给 Gmail 的 AI 收件箱加上了语音对话搜索，你可以直接开口让 Gemini 帮你从邮件堆里挖出具体信息。目前正文没披露这个功能会推给哪些用户、支持什么语言、要不要额外付费、响应有多快，也没说背后是用什么检索机制把邮件捞出来的。
推荐理由：我会先打个折：这功能听起来挺方便，开车时动嘴就能查邮件里的航班号或报销金额。但正文只说了“可以语音搜 Gmail”，没交代支持哪些语言、是不是全球推送、要不要额外付费，也没讲清楚 Gemini 到底怎么从邮件里捞出答案——是直接扫全文还是先建索引。这点先别太激动，等有实测再判断到底省不省事。
Google 在 I/O 大会上宣布和 Warby Parker、Gentle Monster 合作，推出新的“音频眼镜”。这副眼镜没有屏幕，主要靠语音指令来操作 Google 自家的应用和服务，包括调用 Gemini 助手。它会同时支持 Android 和 iOS，设计上有三星参与，预计今年晚些时候上市。正文没披露具体价格、硬件参数和确切发售日期，所...
推荐理由：我会先打个折：正文没给价格、上市时间和硬件参数，所以只能当个信号看，别太激动。但 Google 在 I/O 上亮出这副音频眼镜，摆明了要跟 Meta 抢 AI 穿戴入口，语音调用 Gemini 这条信息本身是实的。对从业者来说，这比单纯发个模型更能说明大厂在把 AI 往硬件里塞的节奏。
Google 给 Gmail 加了一个叫 Gmail Live 的语音功能，点搜索栏图标就能直接开口问收件箱里的内容。发布会上员工现场演示，问了孩子学校的活动和自己去底特律的行程，Gmail 直接从邮件里抓出了学校展示活动的日期地点和行程信息。正文没披露这个功能什么时候上线、支持哪些语言，也没说离线能不能用。
推荐理由：我会先打个折：正文只给了两个演示例子，没写什么时候上线、要不要付费、背后用的什么模型。所以判断停在 featured 低段。但这件事本身挺直观——Gmail 搜索栏加了个语音入口，你对着它问“底特律的酒店订单”或者“孩子学校活动日期”，它直接回话，不用翻邮件。对每天被邮件淹没的人来说，省事是真的。这点先别太激动，等正式推送再看实际识别率和隐私处理。
谷歌推出了新的多模态模型 Gemini Omni，能把文字、图片、音频和视频作为输入，通过对话直接生成或编辑视频。首发版本叫 Omni Flash，主打跨模态推理，也就是模型能同时理解不同格式的信息并据此产出视频。但文章没公布具体上线时间、价格、上下文长度限制、跑分成绩，也没说 API 什么时候开放。这点先别太激动，目前看更像是一个技术预告，实际能用起...
推荐理由：Google 把 Gemini 的多模态能力推到了视频生成这一步，Omni Flash 能通过聊天界面把文字、图片、音频甚至视频片段变成新视频，还能编辑。这个更新在 HKR 三个维度上都站得住：玩法直观有传播力，产品形态和输入模态是明确的新信息，而且正好卡在多模态视频生成这个竞争激烈的节点上。正文没公布定价和具体上线时间，所以我会先打个折，把它放在必写但不算顶格的区间。