Adobe Firefly 扩充 AI 音频服务，可生成音乐、配音和音效
Adobe 宣布 Firefly 新增生成音乐、配音和音效三项音频功能，已面向所有用户开放。生成音乐由 Firefly Music Model 驱动，可按视频时长和氛围创作原创曲目；生成配音可将文本转为可调节语速和情绪的配音；生成音效可按动作、节奏和氛围定制。
#语音
IT之家·人工智能AI 评分5656 MarkTechPostAI 评分5858 Superwhisper 发布 462MB 开源文本规范化模型 S1-mini
Superwhisper 推出 S1 系列，其中 S1-mini 以开源权重发布在 Hugging Face 上。这是一款 0.6B 参数的文本规范化模型，基于 Qwen3-0.6B 微调，用于清理语音识别后的转录文本，去除填充词并应用标点与大小写。
TechCrunch：AIAI 评分4646 Meta AI 推出 Mac 应用，支持系统级听写与屏幕问答
Meta 今日发布 Meta AI 的 Mac 应用，内置系统级听写功能，可跨应用使用，并能基于当前屏幕内容结合 Muse Spark 模型回答问题。该应用还面向商家开放，支持连接 Instagram、Facebook、Meta 广告及 Google Workspace 账户，获取营销洞察、创建提案和起草文档。
IT之家·人工智能AI 评分4848 科大讯飞 2026 年上半年归母亏损 2.04 亿元，同比收窄 14.68%
科大讯飞 2026 年上半年营收 116.23 亿元，同比增长 6.52%；归母净利润亏损 2.04 亿元，同比收窄 14.68%，减亏幅度超市场预期。扣非净利润亏损 6.37 亿元，亏损扩大 74.88%，主要系研发投入超 30 亿元、占营收比重超 25%，并加大智能批阅机、影像云、AI 眼镜等新品推广。上半年合同额同比提升 27%，第二季度单季度经营性现金流已转正。
IT之家·人工智能AI 评分4747 Waymo 将 Gemini AI 助手整合进 Ojai 自动驾驶出租车，可语音调温度、查周边
Waymo 宣布将 Gemini 作为车载 AI 助手整合进全新 Ojai 自动驾驶出租车，乘客可通过语音调节车内温度、查找附近咖啡店或了解地标历史。Gemini 与负责车辆控制的 Waymo Driver 系统独立运行，无法访问实时驾驶数据，但可请求靠边停车并转交系统处理。该功能处于 Beta 测试阶段，Ojai 已向洛杉矶、菲尼克斯和旧金山用户开放。
TechCrunch：AIAI 评分5252 Amazon 将 AI 助手 Alexa+ 免费推向 Fire TV，无需 Prime 订阅
Amazon 宣布将 AI 助手 Alexa+ 免费推送到美国所有兼容 Fire TV 设备，用户无需 Prime 订阅。此前非 Prime 用户需每月支付 $19.99，现在所有用户将自动升级，无需下载应用或订阅。Alexa+ 支持对话式搜索、智能家居控制及 AI 推荐，Amazon 称其用户与 Alexa 的对话次数已接近原来的两倍。
IT之家·人工智能AI 评分5050 亚马逊 Alexa+ 免费登陆全美所有受支持 Fire TV，原价 19.99 美元/月
亚马逊宣布向美国所有兼容的 Fire TV 设备免费提供 Alexa+，不论用户是否订阅 Amazon Prime，兼容设备将自动升级，无需额外下载或订阅。此前未订阅 Prime 的用户需每月支付 19.99 美元，且服务仅限去年秋季发布的新款设备。Alexa+ 在 Fire TV 上提供对话式搜索、智能家居控制和 AI 推荐，用户对话次数已接近原版 Alexa 的两倍。
TechCrunch：AIAI 评分4848 Calendly 推出会议记录工具，加入 AI 笔记应用竞争
Calendly 推出会议记录产品，可加入会议、录制音视频并生成摘要、行动项和跟进邮件草稿，并正在测试类似 Granola 的系统音频转录功能。公司还计划发布 AI 助手 Callie，利用现有日程与会议堆栈安排会议、查看可用性并调取过往会议上下文。CEO Tope Awotona 表示，该工具会在会议开始前及进行中通过聊天消息告知与会者正在录音，用户可随时要求其离开对话。
公众号：面壁智能AI 评分5252 算法工程师用 MiniCPM-o 4.5 打造全双工陪伴机器人 YRobot
算法工程师颜鑫基于本地部署的 MiniCPM-o 4.5，打造了能同时看、听、说并在对话重叠区捕捉情绪的全双工桌面陪伴机器人 YRobot。MiniCPM-o 4.5 在 Daily-Omni 全模态理解上获 80.2 分，反超 Gemini 2.5 Flash 的 79.3；INT4 量化后内存占用仅 11GB，实时率 0.20。YRobot 的模型、硬件与代码已全部开源。
MarkTechPostAI 评分6262 Cartesia 发布 Sonic-3.6 实时文本转语音模型，登顶两大语音榜单
Cartesia 发布实时文本转语音模型 Sonic-3.6，在 Artificial Analysis 两大语音榜单均位列第一，其中 Controlled Voice 榜 1,123 Elo，超越 ElevenLabs Eleven v3。该模型基于状态空间模型，首音频延迟低于 90ms，现以 beta 版和托管 API 形式提供，定价为每 100 万字符 49 美元。
Artificial Analysis@ArtificialAnlysAI 评分5353
TechCrunch：AIAI 评分5050 Wispr 获 2.8 亿美元 B 轮融资，估值 20 亿美元，业务拓展至会议记录
Wispr 宣布完成由 Menlo Ventures 领投的 2.8 亿美元 B 轮融资，估值达 20 亿美元，累计融资额升至 3.61 亿美元。公司同步推出名为 Canto 的新模型，可将 Wispr Flow 听写输出的错误率从 30% 降至 10% 以下，并发布会议记录工具，与 Granola、Fireflies 等产品竞争。
IT之家·人工智能AI 评分5757 Qwen-Audio-3.0系列语音模型上线阿里千问AI平台，斩获三项全球第一
阿里云今日宣布Qwen-Audio-3.0系列语音模型上线千问AI平台和阿里云百炼平台，开发者可通过API或订阅Token Plan调用。该系列包含ASR、TTS和实时交互三款模型，在Artificial Analysis今年7月语音排行榜上斩获三个赛道全球第一，目前已应用于千问App、千问办公、Qoder等产品。
IT之家·人工智能AI 评分4141 韶音 OpenFit 2 AI 耳机开启预售：基于千问大模型、48 小时续航，首发价 1398 元
韶音 OpenFit 2 AI 耳机开启预售，首发价 1398 元。该耳机基于千问大模型，支持三端录音、最长 8 小时记录，内置 12 大行业词库，覆盖 30 种语言与 19 种方言转写及四种翻译模式。续航方面，单耳 11 小时、搭配充电盒总续航 48 小时，支持“充电 10 分钟聆听 2 小时”快充。
TechCrunch：AIAI 评分5454 苹果洽谈付费使用出版商内容，为 Siri AI 提供实时新闻
据《华尔街日报》报道，苹果正与出版商洽谈付费使用其内容，为即将推出的 Siri AI 提供实时新闻与信息。苹果提出按内容使用量付费的可变补偿模式，而非行业通行的固定授权费，并考虑为此预留九位数预算。Siri AI 预计今年晚些时候上线。
FireRedTeam：原创语音与多模态项目精选AI 评分6565 FireRedTeam 开源 FireRedTTS3 语音生成与编辑模型
FireRedTeam 发布 FireRedTTS3，包含 Base 和 Instruct 两个变体，基于语义增强连续语音表征实现统一语音生成与编辑。
推荐理由：原文给出两个模型变体、语言覆盖和多项评测对比数据，读者可以据此评估它的克隆与编辑能力。
公众号：小红书技术精选AI 评分7575 小红书开源连续自回归语音合成模型 dots.tts：打造可持续扩展的 TTS 基座
小红书 dots 团队开源 20 亿参数全连续端到端自回归语音合成模型 dots.tts，在 Seed-TTS-Eval 三个子集上取得最佳平均内容准确度和平均说话人相似度。
推荐理由：连续自回归跳过离散 Token 的信息损失，又用语义编码器回灌历史抑制累积误差，为音色克隆和低步数流式共用同一基座提供了路径。
IT之家·人工智能AI 评分4444 小米澎湃 OS 4 Beta 版明日起陆续推送，柔光玻璃、超级小爱 2.0 等升级亮点公布
小米澎湃 OS 4 Beta 版将于 8 月 14 日下午起分批推送，首批覆盖 Xiaomi 17 系列、REDMI K90 系列及 Xiaomi Pad 8 系列等机型。
IT之家·人工智能AI 评分4646 苹果拟向出版商支付最高数亿美元获取新闻内容，改进 AI 版 Siri
苹果正与多家出版商洽谈多年期合作协议，获取新闻内容以支持 AI 驱动的 Siri 功能，该功能预计今年晚些时候推出。苹果提出按内容实际使用量付费的灵活方案，并讨论过一笔规模可能达数亿美元的预算。此前苹果曾试验 AI 生成新闻摘要，因生成错误标题引发担忧后已关闭该功能。
Rohan Paul@rohanpaul_aiAI 评分4242
TechCrunch：AIAI 评分4343 Mesh 个人 CRM 应用登陆 Android
Automattic 旗下个人 CRM 应用 Mesh 正式登陆 Android，支持分屏、弹出视图、键盘快捷键、主屏小组件及跨设备实时同步。其 AI 功能 Nexus AI 目前处于早期访问阶段，可帮助用户按公司、城市或专业领域检索人脉。Mesh 免费版支持最多 1,000 个联系人，个人数据不会用于广告定向。
Sundar Pichai@sundarpichaiAI 评分5858引用Rick Osterloh@rosterlohThe best of Gemini is right at the heart of the new Pixel 11 phones and the new Pixel Watch 5. We call it Gemini Intelligence. It’s no longer just an operating system that helps you use your phone, it’s an intelligence system that gets things done for you.
TechCrunch：AIAI 评分4848 Google 发布 Pixel 11 系列、Pixel Watch 5 及 Pixel Tag
Google 在 Made by Google 2026 活动上发布 Pixel 11 系列、Pixel Watch 5 及对标 AirTag 的 Pixel Tag。Pixel 11 起售价 $899，相机条薄 40% 以上，基础存储翻倍至 256GB；Pro 版起售价 $1,099，抗刮擦能力提升两倍以上。Pixel Tag 售价 $29，接入 Find Hub 网络。
IT之家·人工智能AI 评分4343 苹果发布 watchOS 27、tvOS 27 第三个公测版
苹果今天发布 watchOS 27 和 tvOS 27 第三个公测版，Apple TV 与 Apple Watch 用户可在秋季正式版前提前体验。watchOS 27 加入 Siri AI 功能，支持在手腕上使用 Siri，并新增独立 Siri 应用、Smart Stack 手势与智能建议；Workout Buddy 无需 iPhone 即可运行。
- Rohan Paul@rohanpaul_aiAI 评分4343
引用Soniox@soniox_aiIntroducing Soniox TTS v2, our most powerful text-to-speech model yet. Soniox TTS v2 brings extraordinary voice quality, expressive control through audio tags, exceptional precision, high-fidelity voice cloning, more than 60 languages, natural language mixing, and low-latency streaming together in one model. Built from the ground up with a new model architecture, audio codec, and highly optimized inference engine, Soniox TTS v2 delivers frontier TTS at just $0.70 per generated hour. Available globally today as tts-rt-v2. Try it out: https://soniox.com/text-to-speech Turn the sound on and hear what’s possible. 🔊
The Verge：AIAI 评分5353 Bose CEO Lila Snyder 谈高品质音频之争：从产品公司转向多品牌与技术授权
Bose CEO Lila Snyder 在 Decoder 访谈中详解公司转型：从单一品牌转向多品牌，收购 McIntosh Labs 和 Sonus faber 进入奢华音频领域，并新增 Audio Tech 技术授权业务，向 Motorola、Xreal、Sena 等公司输出 Bose 音频技术。她同时回应了 AI 可穿戴设备崛起对耳机市场的潜在冲击。
IT之家·人工智能AI 评分4343 福特海外推出新 AI 助手：可查油量与拖曳能力，明年上车
福特与林肯车型正陆续获得一款 AI 助手，车主可通过手机应用询问燃油余量、保养需求及拖曳能力等车辆状态信息。该助手采用聊天机器人形式，能读取绑定车辆的实时遥测数据，并支持上传照片判断装载可行性。车载语音版本计划明年推出，功能分批开放，最终将覆盖 800 万名车主。
MarkTechPostAI 评分5656 字节跳动 Seed 团队发布 SeedRealtime：原生音视频全双工大模型，一个模型同时看、听、说
字节跳动 Seed 团队推出 SeedRealtime，一款原生音视频全双工大模型，将音频、视频和文本统一在一个端到端架构中，并行处理感知、理解、决策与表达，并将轮次切换内化到模型内部，取代外部语音活动检测器。该模型已在豆包 App 中上线，但未发布技术报告、参数规模、开源权重或 API。字节内部人工评估显示，其节奏问题相比级联架构减半，但未提供基准分数或延迟数据。
MarkTechPost精选AI 评分7575 NVIDIA 发布 NemotronLabs VoiceChat 11B：开源全双工语音模型，支持约 450 毫秒轮换与实时工具调用
NVIDIA 发布开源端到端全双工语音对话模型 NemotronLabs VoiceChat 11B，在统一网络中完成流式语音理解与生成，实测轮换延迟 448 毫秒。该模型为首个支持对话中工具调用的开源全双工模型，通过独立输出通道及预置“保持”话术避免 API 执行期间冷场。权重与容器已公开，但仅限研究用途，需单张 80 GB 显存 GPU，目前无托管 API。
推荐理由：端到端语音模型消除级联延迟，而工具调用侧通道和保留消息设计在不中断对话的前提下补齐了API等待期，让实时语音智能体更容易工程化。
IT之家·人工智能精选AI 评分7272 OpenAI 桌面端 ChatGPT 上线语音交互功能，可语音操控电脑执行多步骤任务
OpenAI 更新 ChatGPT 桌面应用，新增对 ChatGPT Voice 的支持，用户可直接通过语音对话控制 AI 智能体并让其在电脑上执行任务。该功能基于全新语音模型系列 ChatGPT-Live，支持 ChatGPT Work 和 Codex，在 macOS 上还可借助 Appshots 访问屏幕内容。
推荐理由：桌面端语音不再只是对话，演示中一条指令完成创建线程、提PR和定位Bug，语音开始成为开发者工作流中的可执行指令层。
Greg Brockman@gdb精选AI 评分7171引用Adam Fry@adamhfry本周的 ChatGPT 功能更新 - 8月7日： 1/ 网页编辑器中的富文本格式——当你粘贴邮件或文档时，我们的编辑器会保留格式；复制粘贴太常见了，我们早就该做这个了！ 2/ 为付费用户更新模型——GPT 5.6 Sol 在快速聊天和深度推理中更加一致。你现在会得到一个滑块，让你选择 ChatGPT 在回答中投入多少思考。移动端滑块上的触觉反馈（振动）很有趣！ 3/ 无限文本消息——免费用户将获得 GPT 5.6 Luna，并享有无限文本消息。让所有人都更智能。即将推出。 4/ 快速 Android 相机——我们在 Android 上让点击 ChatGPT 中的“相机”来拍摄新照片并提问变得快多了。 5/ 语音 x 文件——你现在可以在我们由 GPT-Live 驱动的新 ChatGPT 语音体验中上传文件并提问。 本周的团队演示非常棒。队列里有很多内容，接下来几个月会很精彩。在评论中告诉我们你期待什么！
推荐理由：推理深度滑块把算力分配交给用户，对需要精细控制推理时长与成本的流程更有用，免费无限消息则解除了日常对话量限制。
DogeDesigner@cb_dogeAI 评分4040Grok 语音模式现在有 27 种不同的音色。 网页端也可使用。试试看吧。
The Verge：AIAI 评分4646 Fenix Flexin 不再否认用 AI 制作《Rubberz》
洛杉矶说唱歌手 Fenix Flexin 回应 AI 制作争议，称“从未说过没用 AI”，并强调 AI 与录音过程无关。此前制作人 Medasin 指认 AI 工具 Treblo（原 Sonauto）参与制作，该公司发布的 AI 检测器也将其标记为 Treblo AI 生成。Fenix 上月接受 Hot 97 采访时曾明确表示歌曲“没有 AI”。
Suno@suno精选AI 评分6565
推荐理由：移动端录制与生成流程打通，创作者用手机采集声音即可快速应用到曲目中，省去了跨工具处理音色的步骤。
IT之家·人工智能AI 评分4646 Suno 将为 AI 生成音乐添加隐水印，防止滥用现象发生
Suno 将为平台内生成的 AI 音乐添加隐藏式水印和指纹识别技术，当歌曲被上传到其他平台时，用户可识别其是否由 Suno 生成。同时，Suno 将设置下载限制，以解决 AI 音乐在流媒体平台被反复上传的问题。此举正值索尼音乐、环球音乐和华纳音乐等巨头组成联盟，要求禁止 AI 垃圾歌曲进入全球音乐排行榜。
通义 QwenAudio：原创语音项目精选AI 评分6262 QwenAudio Toolkits 发布公开预览，打造 Agent 驱动的本地音视频创作工作台
QwenAudio Toolkits 是一款本地优先的桌面工作台，定位为对话式 Agent 驱动的音视频创作 IDE，首个公开预览支持 Apple Silicon、macOS 14.2 及以上版本。
推荐理由：官方文档给出了能力清单、支持范围和隐私边界，读者可以据此评估这款本地音频 AI 工作台是否适合自己的创作流程。
