跳到正文
#语音
8月7日周五
  2. 公众号：面壁智能41

    独立开发者用VoxCPM克隆网红声音实现实时对话，获百万播放

    独立开发者叶小叔用面壁智能开源的VoxCPM声音克隆模型，成功让AI克隆网红声音并实现实时对话，视频在抖音获100万播放、X上5.9万人围观。此前他尝试本地开源模型（TTS合成需14-40秒）和云端Cartesia Pro（中文效果不佳）均失败，最终租用RunPod L4 GPU（$0.4/小时）部署VoxCPM，TTS首包延迟不到1秒，端到端体感2-3秒。

  3. 公众号：面壁智能65

    独立开发者用 VoxCPM 克隆网红声音，让 AI 终于“会聊天”了

    独立开发者叶小叔用面壁智能开源的 VoxCPM 克隆千万粉丝网红声音，搭建 STT → LLM → VoxCPM（TTS）三段式实时对话管道，TTS 首包延迟不到 1 秒，端到端体感 2 到 3 秒。

    推荐理由：案例的实践价值在于澄清了实时对话 TTS 环节的选择逻辑：中文原生支持与默认参数平衡往往优于盲目追求极致克隆，这一取舍对同类项目具直接参考。

  4. IT之家·人工智能46

    影石 GO Ultra 上线 AI 语音助手，分区域接入阿里千问和 Gemini

    影石 Insta360 今日为 GO Ultra 拇指相机上线 AI 语音助手，中国大陆接入阿里千问大模型，中国港澳台及海外使用 Google Gemini，翻译结果可通过机身扬声器播报。该助手以影石自研为核心，端侧完成声纹识别与意图判断，云端承担问答、模式切换等任务，集成面对面互译、拍图问答、语音问答三项能力，支持“Hey Kira”或长按拍摄键唤醒。

  5. IT之家·人工智能66

    阿里千问 App 推出定时任务、办公助理、语音通话等多项新功能，并支持 Qwen3.8-MAX

    千问 App 今日宣布功能上新，推出思考研究、定时任务、办公助理、语音通话、智能体广场等多项新功能，同时支持最新旗舰模型 Qwen3.8-MAX。其中办公助理可连接备忘录、日历、邮件等应用，并操作电脑和浏览器，调用各种 Skill 自主完成多步骤任务。千问还支持手机与 PC 跨端协同，语音通话 7x24 小时在线，智能体广场首批上线服务覆盖物流、房产、理财等十多个领域。

  6. Rohan Paul44

    彭博社报道，OpenAI 首款消费设备是一款冰球大小的无屏 AI 音箱，定价 300-400 美元，计划 2027 年发布。设备采用环形设计，内置电池、麦克风、摄像头及灯光运动部件，以灯光和动作作为交互界面，并通过摄像头感知周围视觉环境、随时间学习用户偏好。该音箱是 OpenAI 设备家族首款产品，最终目标是取代智能手机的硬件。

  8. TechCrunch：AI55

    OpenAI 新款 AI 智能音箱据报售价 300-400 美元

    OpenAI 与 Jony Ive 设计工作室 LoveFrom 合作开发的 AI 智能音箱据报将采用“甜甜圈”造型，由高品质金属制成并带有可动部件，预计售价 300-400 美元，高于亚马逊主流智能音箱的 40-240 美元区间。该设备被描述为 ChatGPT 的“物理化身”，计划于 2027 年发布。OpenAI 正因涉嫌窃取商业机密遭苹果起诉，公司已否认相关指控。

8月6日周四
  1. OpenBMB65

    面壁智能 OpenBMB 在 #BuildSmall 黑客松推出 AMNESIAC，一款反向图灵测试交互游戏：玩家需说服 AI 审讯官 A.M.N. 自己是人类。该游戏由 MiniCPM-o 4.5 驱动实时对话与推理，VoxCPM 生成审讯官语音，并结合摄像头面部表情、脉搏信号与响应计时进行多模态审讯。项目已开源至 HuggingFace。

    推荐理由：将摄像头面部信号、语音对话和LoRA角色塑形组合进一个可玩演示，为交互式AI角色提供了比常见聊天机器人更丰富的多模态模板。

  4. IT之家·人工智能52

    微软 VS Code 1.132 发布：内置浏览器引入元素级反馈、支持多语言语音输入

    微软发布 VS Code 1.132 版本，内置浏览器新增元素级反馈，用户可对特定网页元素发表评论并向 Agent 智能体提供精确反馈。终端语音输入改进，听写默认由设备端多语言 Nemotron 3.5 处理，并支持保留 shell 语法。更新还加入侧边聊天（/btw 触发）及混合 Markdown 编辑器的差异比较功能。

  5. The Decoder：AI News75

    Google 将于 2026 年 9 月起关闭 Google Assistant，Gemini 接管 Android 与 Wear OS

    Google 将从 2026 年 9 月 4 日起在 Android 和 Wear OS 上关闭 Google Assistant，由 Gemini 接管助手功能，涉及手机、平板、手表、耳机及 Android Auto 车辆。推送可能需数周完成，之后无法回退。Gemini 还将登陆 Google TV、Google Home 音箱和智能屏，但这一转变将考验其能否匹敌旧助手在简单指令上的可靠性。

  6. Rohan Paul61

    Wispr Flow 推出 Notetaker，通过 Mac 原生音频监听会议，无需以访客身份拨入，因此 Zoom、Google Meet、Teams、Discord 及线下对话均适用。工具结合日历、自定义词典和 Slack 等上下文提升转写准确率，会后可二次处理修正错误，并支持通过 MCP 将笔记推送至 Claude、ChatGPT 或自定义智能体，Granola 用户可一键导入历史记录。

    引用Tanay Kothari@tankots

    It's no secret how we feel about typing at Wispr Flow. The truth is, we hate messy meeting notes too. Introducing Notetaker 👇 https://wisprflow.ai/notetaker

8月5日周三
  4. IT之家·人工智能70

    字节跳动发布音视频全双工大模型 SeedRealtime，已上线豆包 App

    字节跳动 Seed 今日推出原生音视频全双工大模型 SeedRealtime，用统一架构融合音频、视频与文本，支持“边看、边听、边说”的实时交互。端到端评测显示，相比级联模型，其音视频对话节奏问题减少一半。该模型已在豆包 App 全量上线，更新至最新版本后可在对话框选择“打电话”体验。

  5. 字节 Seed：Research Feed78

    字节 Seed 发布 SeedRealtime 音视频全双工大模型，走向全模态自然交互

    字节 Seed 发布 SeedRealtime，用统一架构原生融合音频、视频与文本，实现“边看、边听、边说”的实时交互。相比级联模型，其音视频对话节奏问题减少一半，并已在豆包 App 全量上线，率先实现音视频全双工技术的规模化落地。

    推荐理由：SeedRealtime 将音视频感知与表达统一到同一端到端模型中，级联系统常见的说话节奏问题减少了一半，实时场景中能主动提醒并自然停顿，为全模态智能助手交互提供了新的技术路线。

  7. IT之家·人工智能46

    通用汽车正开发自研车载 AI 智能助手，整合实时遥测数据

    通用汽车正开发一款全新车载 AI 智能助手，能力将超过已引入旗下车型的 Gemini AI。该助手结合对话式 AI、车辆知识及 OnStar 智能服务，能调用汽车传感器实时遥测数据，比 Gemini 更了解车辆状态、驾驶环境与用户需求。目前尚未公布具体发布时间，完成后仍需在完整车型阵容中测试以确保稳定性和安全性。

  8. TechCrunch：AI53

    Wrinkles：一款用AI语音导览揭示身边地点隐藏故事的App

    Wrinkles是一款基于位置的AI语音导览应用，已在iOS和Android上线，可自动为用户讲述身边建筑、街道的隐藏历史与本地故事。该应用在全球177个国家建立了130万个兴趣点，并允许历史学家、博物馆、创作者和品牌添加内容。Wrinkles由David Stemler和Ryan Hansan联合创立，目前对用户免费，收入主要来自博物馆、旅游局等合作方。

  9. LangChain：Blog64

    如何用 LangSmith 评估语音智能体

    LangChain 官方博客介绍如何用 LangSmith 评估语音智能体，覆盖执行、结果与来电者体验三个层面。评估手段包括 LangSmith traces、代码评估器、LLM judges 和人工审查，帮助开发者系统化验证语音智能体的实际表现。

8月4日周二
  1. Tencent Hy54

    AI 终于能真正听懂你了。👂 Hy ASR 3.0 预览版今日上线。 由 Hy3 语言大脑驱动 → 精准语音识别 + 深度语义理解 优势领域：• 通用识别 • 上下文感知 • 多场景鲁棒性 • 方言覆盖 嘈杂的真实世界音频？输出干净、连贯的转录文本，精准捕捉你的意图。 公开 + 内部评测：领先水平。多语言 WER ≈ 3%。 语音体验迎来升级。🔥 #HyASR #TencentAI #Hy3

  2. 公众号：腾讯混元65

    腾讯混元发布 Hy ASR 3.0 preview：真正懂上下文的语音识别

    腾讯混元发布新一代语音识别模型 Hy ASR 3.0 preview，基于大语言模型 Hy3 与 MoE 架构，融合高精度识别与语义理解。其在开源评测集中中文普通话 WER 3.34%、英语 WER 2.62%、粤语 WER 3.12%，并支持上下文纠错、热词注入及高噪耳语等场景。该模型已上线腾讯云 API，元宝 App 首发并免费开放。

    推荐理由：将 LLM 语义理解融入语音识别，上下文纠错和热词注入降低了专业场景的接入成本，元宝已集成可体验。

  3. Rohan Paul46

    OpenAI 详解 GPT-Live 实时语音架构，支持边听边说，无需独立轮次检测。深度推理与工具调用并行运行，对话不中断；音频传输与应用逻辑分离，慢工具调用不冻结对话。媒体前端与推理逻辑改用 Go 重写，p95 帧交付达旧系统 p50 水平；会话启动用 WARP 将 WebRTC 设置从六次网络往返降至一次。

    引用OpenAI@OpenAI

    GPT-Live 可以边说边听。 为了让这在 ChatGPT 规模下显得自然，我们从头重建了从客户端到模型的语音技术栈。 这一新架构让音频持续流动，因此更深入的推理和工具调用不会打断对话。

  4. IT之家·人工智能50

    微软测试首款自研全双工 AI 语音模型 MAI Realtime：支持 16 种语言、2 种语音

    微软正测试其首款原生实时语音模型 MAI Realtime，采用双向全双工交互，可同步聆听和回应，无需严格轮次交替。该模型支持中文等 16 种语言，测试提供 Victoria 和 Grant 两种语音风格，用户可指定语言或启用自动检测。目前已在 MAI Playground 平台邀请部分合作伙伴测试，上线 Microsoft Foundry 及 Copilot 语音功能的时间尚不清楚。

  5. Greg Brockman66

    GPT-Live 是一种用于实时音频的新架构和栈： GPT-Live 可以在说话的同时聆听。 为了让这种体验在 ChatGPT 规模下显得自然，我们从客户端到模型重建了语音栈。 这一新架构让音频持续流动，因此更深入的推理和工具使用不会打断对话。

    引用OpenAI@OpenAI

    GPT-Live 可以边说边听。 为了让这在 ChatGPT 规模下显得自然，我们从头重建了从客户端到模型的语音技术栈。 这一新架构让音频持续流动，因此更深入的推理和工具调用不会打断对话。

    推荐理由：在 GPT-Live 架构下推理与工具调用期间音频流不间断，语音交互的等待感和打断感被显著消除，适用于需要持续对话的陪伴和协作场景。

  8. TechCrunch：AI69

    Siri AI 上线，但为何令人感觉平淡？

    Siri AI 已随 7 月发布的 iOS 27 消费者测试版上线，能理解个人上下文、调用世界知识回答问题，并支持自然对话、打字输入及独立应用。该功能由 Apple 与 Google 合作，利用 Gemini AI 模型训练自有 Apple Foundation Models，可在 Apple Silicon 和 Private Cloud Compute 上运行。

8月3日周一
  1. IT之家·人工智能51

    讯飞 AI 眼镜体验：翻译成熟完善，AI 助理近在眼前

    科大讯飞发布首款AI眼镜，主打翻译场景，支持旁听同传、面对面翻译等四大模式，覆盖122种语言，依托5+1麦克风阵列可清晰捕捉8-10米内声音，翻译延迟约1秒。眼镜重40g，搭载1200万像素摄像头，支持视觉翻译，并可调用桌面助手Loomy完成总结、存档等任务。售价4299元，续航可支撑一个白天高强度使用。

  2. IT之家·人工智能50

    京东外卖推出 AI 智能头盔：搭载 AI 语音助手，内置“单王路线”

    京东外卖今日官宣推出 AI 智能头盔，首批将免费发放给全职骑手，后续逐步向全体骑手开放。头盔搭载 AI 语音助手，支持语音接单、拨打电话，内置“单王路线”提供导航提醒，并具备“商户环境核验”功能，可自动解析订单备注并在送达前主动提醒骑手。

  3. Manus：Blog44

    Manus 上线 ElevenLabs 连接器：一次对话生成语音、转录音频并构建音频应用

    ElevenLabs 连接器已在 Manus 上线，用户通过对话即可生成语音、转录录音、克隆声音并构建音频应用，无需编写代码或管理 API 密钥。该连接器需绑定有效的 ElevenLabs 账户，音频生成与转录均通过 ElevenLabs API 在用户自有账户环境中完成，账单和使用记录仍由 ElevenLabs 管理。可用功能取决于用户的 ElevenLabs 套餐和积分余额。

8月2日周日
  1. IT之家·人工智能48

    OpenAI CEO 奥尔特曼提出用 AI 打造亲子晨间播客，遭网友批评

    OpenAI CEO 萨姆·奥尔特曼分享用 ChatGPT 关联家人日历、生成亲子晨间播客的“酷炫用法”，遭网友广泛批评。《怪诞小镇》创作者亚历克斯·赫希回复“你为什么不直接和自己的孩子聊天呢”，获赞约为原帖的 10 倍。OpenAI 总裁格雷格·布罗克曼也部分认同，称员工不喜欢 ChatGPT 提出请求，但愿意帮助同事。

8月1日周六
  1. IT之家·人工智能50

    环球、索尼、华纳等唱片公司提议将低质 AI 音乐从排行榜中剔除

    环球音乐集团、索尼音乐、华纳音乐集团等多家唱片公司提议将低质量的 AI 生成音乐从国际排行榜中剔除。新提议要求歌曲必须满足“实质上由人类创作”等标准，否则禁止进入排行榜；AI 仅起辅助作用的歌曲仍可打榜，但须符合 AI 服务条款且训练数据拥有合法使用权。国际唱片业协会 IFPI 已表态支持，但尚无排行榜机构立即采纳。

7月31日周五