IBM Granite Switch 4.1 发布：单一端点集成对话、决策与语音
IBM 发布 Granite Switch 4.1 系列 8B 与 30B 模型，将通用决策 aLoRA、安全 Guardian aLoRA 与 OpenASR 榜首的 Granite-Speech-5.0-Turbo-CTC 整合到同一端点，三项能力共享基模型 KV cache，显存占用与基模型相当。
#语音
#语音
今日 0 条Hugging Face BlogAI 评分5151 TechCrunch · AIAI 评分4040 亚马逊设备负责人 Panos Panay：未来 AI 设备将取代使用应用的需求
亚马逊设备负责人 Panos Panay 在 TechCrunch Disrupt 上表示，未来属于"环境计算"，新一代用户将不再说"给我一个应用"，而是让设备主动理解需求。
The Verge · AIAI 评分5252 Amazon 推出 Bee Frontier 和 Eclipse 两款 AI 可穿戴设备，可联动购物
Amazon 发布两款 Bee AI 可穿戴设备 Bee Frontier 和 Bee Eclipse，售价分别为 74.99 美元和 99.99 美元，配套推出月费 11.99 美元的 Bee Pro 订阅。
The Verge · AIAI 评分4343 Square 发布 Square Kiosk 点餐终端，支持 AI 语音对话下单
Square 发布 Square Kiosk 点餐终端，配备 21.5 英寸触摸屏和 AI 语音代理，可理解完整菜单并支持自然语言下单及定制修改。该设备具备人体感应和非接触支付功能，售价 1,999 美元（限 Square Plus 或 Premium 订阅用户），另按每台设备每月收取 99 美元软件费。
The Verge · AIAI 评分5858 Apple 推出首款家用智能显示屏 HomeView
Apple 推出首款家用智能显示屏 HomeView，售价 $299，配备 7 英寸方形屏幕与 Siri AI 语音助手，支持基于面容识别的个人上下文来调用 iPhone 上的短信、日历和邮件。
TechCrunch · AIAI 评分3737 HomeView 能否成为苹果在智能家居领域的首个成功产品？
苹果将于周二发布名为 HomeView 的智能家居中枢，由 Siri 驱动、搭载 A18 芯片和显示屏，提供台面式与壁挂式两款型号。同日还将推出 Apple TV 与 HomePod mini 的更新版本，并宣布与 LG 合作开发智能门锁、恒温器和门铃。这是继 HomeKit 与 HomePod 表现平淡之后，苹果在智能家居领域最大的一次押注。
TechCrunch · AIAI 评分4141 这些高管认为语音 AI 尚未迎来自己的 ChatGPT 时刻
在 HumanX 大会上，PolyAI CTO Shawn Wen 与 Otter CMO Alex Gay 表示，尽管全双工模型已经问世，语音 AI 尚未迎来自己的 ChatGPT 时刻。他们认为下一步关键是让推理速度足够快以实现自然对话；Otter 强调 ASR 转写精度直接影响下游任务的可信度，AI 工具也需要向用户明确披露通话对象是 AI 或正在被录音。
TechCrunch · AIAI 评分4545 Apple 披露反向 acqui-hire 协议：招募个性化播客创企 Huxe 团队并获技术授权
Apple 在向欧盟委员会提交的文件中披露与个性化播客创企 Huxe 的反向 acqui-hire 协议，将向其部分员工发出录用 offer 并获得知识产权非独家授权。Huxe 由曾参与 NotebookLM AI 播客功能开发的开发者创办，已于 5 月 21 日宣布关停，Apple 在 6 月 9 日通报该交易。
The Verge · AIAI 评分5353 Google 发布 AI Edge Foresight：完全离线的 macOS 会议笔记应用
Google 发布实验性离线笔记应用 AI Edge Foresight，可在 macOS 上完全本地运行，使用端侧 EmbeddingGemma 2 模型转录会议和音频文件。
Hugging Face BlogAI 评分5555 TII 发布 1.6B 参数 Falcon-ASR 语音识别模型，聚焦阿联酋方言
TII 发布 1.6B 参数的 Falcon-ASR 语音识别模型，面向阿拉伯语并重点支持阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。在六个阿拉伯语测试集上，其平均 WER 为 20.92%，较所用榜单快照中的最佳已发布结果 23.17% 低 2.25 个百分点；内部阿联酋评测的 WER 和 CER 分别为 22.73% 和 10.19%。
AWS Machine Learning BlogAI 评分4646 使用 Amazon Bedrock AgentCore、知识库与 Nova Sonic 构建航空语音助手
Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 与 Amazon Bedrock Knowledge Bases 可组合构建航空语音助手，支持行程查询、座位变更、政策问答与人工转接。系统通过 AgentCore Gateway 以 MCP 协议对接后端 API，配套 AWS CDK 脚本与 React 前端。
The Verge · AIAI 评分3030 Google Gemini「Call for Me」或扩展至个人通话，可代用户通知家人
Android Authority 在 APK 反编译中发现 Google 正在测试将 Gemini「Call for Me」功能从商务通话扩展至个人通话，例如替用户给家人打电话告知"迟到 15 分钟"或确认晚餐安排，预计仅支持类似短信的简单口信传递。
TechCrunch · AIAI 评分6060 Sean Parker 主导 Stability AI 转向音乐 AI 工具
Stability AI 在 Sean Parker 主导下将重心从图像生成转向音乐 AI 工具，已发布三款音频模型和 AI 音乐编辑软件，支持文生曲和片段生成。8 月底公司宣布获得 Sony、Warner、Universal 等 7600 万美元融资，三家同时授权曲库用于训练；Parker 表示下一版更新将支持用户哼唱旋律或人声打节拍来引导生成。
The DecoderAI 评分5151 Suno 推出 Speech 功能，可一次性生成带配乐的人声音频
Suno 推出名为 Speech 的新功能，用户输入文本并描述想要的音色和音乐风格，模型会同时生成人声与背景音乐，输出为单一音轨。Suno 产品负责人 Jack Brody 表示该功能已对一小群用户测试约一个月，官方给出的用例包括诗歌、冥想和睡前故事；beta 仍存在瑕疵，例如英式口音有时会听起来像澳洲口音，Suno 也未披露模型训练方式。
The DecoderAI 评分5757 Microsoft AI 发布流式转写与语音合成模型，面向语音智能体
Microsoft AI 发布 MAI-Transcribe-2-Streaming 流式转写模型和 MAI-Voice-2.1、MAI-Voice-2.1-Flash 两款语音合成模型。
The Verge · AIAI 评分4949 AI 音乐平台 Suno 推出 Speech 功能，可生成人声旁白
Suno 推出 Speech 公开测试版，可根据脚本或提示词同时生成人声配音与背景音乐，并可一键关闭配乐获得纯净语音。功能分为 Simple 与 Advanced 两种模式，单条最长约 8 分钟；Advanced 模式支持调节 AI 声音的性别、说话风格与变化幅度。Suno 承认 Beta 阶段仍存在口音漂移等问题，将根据用户反馈持续优化。
The DecoderAI 评分4848 Tavus 推出 Griffin 人机交互模型：近半数测试者一分钟通话中误认其为真人
Tavus 发布首个「人机交互模型」Griffin，能在实时视频通话中同时处理语音、表情、语气、手势与停顿。测试中 48% 参与者在仅一分钟通话后将其误认为真人，此前系统该比例最高仅 2%；Nvidia 一项独立音视频拟人度测试中 Griffin 获 3.83 分，真人得分 3.92。轻量版 Griffin-Lite 已向特定测试者开放研究预览，完整版本需待安全问题解决后推出。
TechCrunch · AIAI 评分6060 语音 AI 初创公司 ElevenLabs 估值翻倍至 $22B
ElevenLabs 宣布通过 3 亿美元的 tender offer 让员工按 $22B 估值变现部分已归属股权，估值较 2 月融资时的 $11B 翻倍。交易由 Wellington 和 T. Rowe Price 联合领投，这是成立四年的该公司第二次安排员工股权转让，上一次是 2025 年 9 月按 $6.6B 估值的 1 亿美元 tender。
Hugging Face Blog精选AI 评分6060 Hugging Face 发布 Open TTS Leaderboard，面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 上线 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单次评测耗时从收集投票的数周缩短到数小时。
推荐理由：开源 TTS 模型已超 8K，人工投票榜单难以跟上发布节奏，这份榜单用客观指标评估可理解度、速度与音色相似度。
The DecoderAI 评分7070 ElevenLabs 发布 Eleven v4 语音模型，提升表现力与音色一致性
ElevenLabs 发布新一代语音模型 Eleven v4，并推出面向实时语音智能体的 Turbo 版本，后者约 150 毫秒开始输出语音。v4 支持 90 多种语言，单次请求最多 10000 字符（约十分钟音频），发音基准得分 91.7%，高于 v3 的 85.6%。标准 API 定价为每百万字符 80 美元、Turbo 为 40 美元，10 月 12 日前分别降至 22 和 11 美元。
TechCrunch · AIAI 评分4141 Modulate 为语音模型与分析套件融资 2500 万美元
波士顿语音智能初创公司 Modulate 完成 2500 万美元新融资，由 Future Ventures 领投，Hyperplane 与 Lakestar 参投。
TechCrunch · AIAI 评分3636 祖父被 deepfake 语音诈骗后，她创办了端侧检测公司 DetectifAI
创始人 Tarini Padmanabhuni 在祖父遭 AI 伪造语音诈骗后创办了旧金山公司 DetectifAI，用能在手机操作系统内运行的紧凑模型在设备本地检测 AI 生成语音。
The Verge · AIAI 评分3131 Thoughtful Things 推出 Engram：把 AI 幻觉变成音乐的采样器
音乐创业公司 Thoughtful Things 在 Kickstarter 上线首款乐器 Engram，这是一款用 AI 变形输入音频、甚至幻觉出全新声音的采样器与 groovebox。
AWS Machine Learning BlogAI 评分4949 在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（Part 1）
AWS 的 vLLM-Omni DLC 支持在 SageMaker AI 上部署 Qwen3-TTS，通过一条持久双向连接流式输入文本、边生成边输出语音。该 v1.5 DLC 新增双向流式能力标签与路由中间件，经 v1/audio/speech/stream 路由返回 24 kHz PCM 音频块，示例配 Gradio 应用。Part 2 将把该 DLC 用于图像与视频生成。
AWS Machine Learning BlogAI 评分5252 在 Amazon SageMaker AI 上部署 Qwen3-TTS 语音克隆实时端点
AWS 发布教程，介绍如何通过 Amazon SageMaker JumpStart 将公开的 Qwen3-TTS-12Hz-1.7B-Base 文本转语音模型部署为实时推理端点，并用几秒参考音频与转写文本完成语音克隆。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Gemini 3.8 Live with Live Avatar 已在 Gemini Enterprise 上线，将近实时视频生成与语音对话结合，让企业智能体以带口型同步和自然表达的动态形象进行实时对话。
推荐理由：原文给出 Live Avatar 在多语言同步和后台工具调用上的具体能力，读者可据此判断企业实时客服场景的落地边界。
AWS Machine Learning BlogAI 评分4949 在 SageMaker AI 上使用 WhisperX 实现说话人标注转录
AWS 把 WhisperX 打包成 GPU-ready 的 Deep Learning Container（DLC），可部署到 Amazon SageMaker AI 实时或异步端点，为音频生成逐词时间戳、说话人标签，并输出 json、verbose_json、srt 或 vtt。
Latent SpaceAI 评分6363 Meta Connect 2026：Muse 新增语音与实时视频，并发布眼镜与 Charm 硬件
Meta 在 Meta Connect 2026 上为个人智能体 Muse 加入语音与实时视频，并发布 Ray-Ban Meta Gen 3、售价 1,299 美元的 Meta VR Glasses 和 12 月发货的 Charm 钥匙扣设备。
Simon WillisonAI 评分6262 Simon Willison 发布 Gemini 3.8 TTS Playground
Simon Willison 发布 Gemini 3.8 TTS Playground，一个用自带 Gemini API key 测试 Google 文本转语音接口的交互式页面。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Gemini 3.8 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，前者面向角色设计与逐行表演指导，后者面向高并发、低成本的配音和语音智能体。
推荐理由：原文给出两款 TTS 的定位差异与基准名次，可据此判断多语言配音与角色音色定制的可用程度。
OpenAI NewsAI 评分2929 Ringg 的 AI 智能体借助 OpenAI 解决最多 65% 的客户来电
Ringg 的 AI 智能体可解决最多 65% 的客户来电。其基于 GPT-5.6，在语音、聊天、WhatsApp 和网页端提供多语言智能体服务，相较 GPT-4.1 成本降低 90%。
Google DeepMind精选AI 评分7373 Google 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 语音模型
Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，分别面向规模与成本效率、以及高复杂度任务。
推荐理由：两款语音模型分别面向规模成本与复杂任务，并给出各自评测数据和开放入口，可供判断语音智能体的选型。
OpenAI News精选AI 评分7171 OpenAI 在 API 中推出 GPT-Live-1，带来更自然的语音对话
OpenAI 在 API 中推出 GPT-Live-1，为 API 带来自然的全双工语音对话能力。该模型增强了指令遵循，并支持自定义音色和电话接入。
推荐理由：OpenAI 官方给出 GPT-Live-1 在 API 中的全双工语音、自定义音色和电话接入能力，可据此判断语音应用的改造方向。
Hugging Face BlogAI 评分5757 Voice Arena 与 Hugging Face 为 Open ASR Leaderboard 加入印度英语与印地语评测集
Voice Arena 与 Hugging Face 在 Open ASR Leaderboard 推出 Monsoon en-IN（印度英语）与 Monsoon hi-IN（印地语）评测集，是该榜单首个面向全球南方语言的测试集。
Google DeepMind精选AI 评分6363 Google 发布 Gemini 3.5 Transcribe 语音转文字模型
Google 发布 Gemini 3.5 Transcribe 语音转文字模型，Artificial Analysis 测得流式场景平均 WER 为 4.0%，非流式场景为 2.6%。
推荐理由：相比 Chirp 3，原文给出 WER 与延迟的具体对比，并说明它在 Gemini API 和多款产品中的可用入口。
Hugging Face Blog精选AI 评分6161 NVIDIA Magpie TTS 多语种版发布，主打开源权重与全栈部署控制
NVIDIA 发布开源 364M 参数的 Magpie 多语种 TTS 模型，支持 12 种语言，包括本次新增的现代标准阿拉伯语、韩语和巴西葡萄牙语。
推荐理由：对比 B200、H100、A100 上的首音频延迟数据，并介绍 frame stacking 与 local transformer 两项推理优化思路，可用于自有基础设施上的语音智能体部署。
Hugging Face BlogAI 评分5151 Hume 发布 Real World VoiceEQ 语音 AI 评测基准
Hume 在 Hugging Face 发布 Real World VoiceEQ 语音 AI 评测基准，基于超过 100 万条人类评分，覆盖 ASR、TTS、S2S 与语音理解四大类共 15 个评估维度和 60 多项指标，对 40 多款主流专有与开源语音模型进行评测，其中包含 78.5 万条 TTS 评分和 4.8 万条 STS 评分。
Berkeley AI ResearchAI 评分3535 2026 BAIR 毕业生展示：博士研究方向与毕业去向
BAIR 公布 2026 届博士毕业生展示，涵盖机器人、LLM 推理、计算机视觉、生成模型、AI 安全、人机交互以及 AI for science 与医疗等方向。毕业生将赴高校教职、博士后岗位与工业研究实验室，其中 Hanlin Zhu 加入 OpenAI，Josh Kang 加入 Mistral AI。
Hugging Face BlogAI 评分5151 Hugging Face 与 Cerebras 合作将 Gemma 4 31B 接入实时语音 AI 流水线
Hugging Face 与 Cerebras 合作发布实时语音 AI 演示，将 Gemma 4 31B 与 Parakeet、Qwen3TTS 串联为模块化的语音到语音流水线。架构为 ASR → 语言模型 → TTS 完全开源级联，由 Cerebras 提供 Gemma 4 31B 推理以降低延迟并改善 P95 稳定性；同一流水线已驱动超 9000 台 Reachy Mini 机器人。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，可自动检测 70 多种语言，近乎实时地生成保留说话者语调、节奏和音高的语音到语音翻译。
推荐理由：Google Meet 的语音翻译语言从 5 种扩展到 70 多种，可由此观察实时同传在会议场景的落地进展。