消息称阿里千问模型已在特斯拉车机内测,能听能答、能控车、能导航
据《科创板日报》援引知情人士消息,阿里千问模型已进入特斯拉中国车机深度测试阶段,上车在即。千问已在真实车机环境完成大量测试,未来能力可能远超单一“语音助手”定义,至少具备复杂语义与多任务路径规划、打通“点单—履约—支付”办事闭环、端云协同覆盖全场景三层能力。截至发稿,阿里云和特斯拉中国均未回应。
据《科创板日报》援引知情人士消息,阿里千问模型已进入特斯拉中国车机深度测试阶段,上车在即。千问已在真实车机环境完成大量测试,未来能力可能远超单一“语音助手”定义,至少具备复杂语义与多任务路径规划、打通“点单—履约—支付”办事闭环、端云协同覆盖全场景三层能力。截至发稿,阿里云和特斯拉中国均未回应。
PolyAI 推出 Dialog-RSN-1,一款直接感知来电者音频而非读取转写的对话模型,将话轮转换、语音识别、函数调用和回复生成融合为单一音频原生模型,已用于实时生产通话。
Skywork Note 上线七天,首批海外库存全部售罄。昆仑万维宣布加速推进整套智能硬件家族,包括录音背夹、AI 挂件 Recall(17.4 克,内置 VAD 语音检测)与 AI 戒指 TriRing(4 至 6 克,行业首个双麦克风降噪算法,可监测心率、HRV、血氧和睡眠)。Note 升级版 Skywork Mate 即将发售,支持 8 米拾音与 6nm AI 音频芯片。
阿里巴巴发布语音识别大模型 Qwen-Audio-3.0-ASR-Flash,在上下文一致性、行业词识别和热词定制化三个维度做了系统性优化,并具备语音润色能力,可直接输出结构化文本。
苹果CEO蒂姆·库克最后一次主持财报电话会议,公布2026财年第三财季营收1094亿美元,同比增长16%。iPhone营收543亿美元(增22%),Mac营收104亿美元(增29%),服务业务营收307亿美元(增12%)。库克宣布未来会议由约翰·特努斯主持,并透露与博通达成超300亿美元定制芯片协议。
avatarin 借助 OpenAI 的 GPT-Realtime,为山田电机顾客提供 24/7 多语言支持。上线两周内,已有 3 万人使用该智能体,92% 的调研反馈为正面评价。
印度人工智能企业 Sarvam AI 宣布将开发参数达万亿量级(T 级)的 AI 模型,预计未来六个月内完成,可在编程、网络安全、科学研究等领域与领先模型竞争。该公司现有 105B 模型表现出色,语音模型提供显著优于全球竞争者的性价比。Sarvam AI 还公布了 Bulbul V4 文本转语音模型和 Saaras V4 Multi-speaker 语音识别模型。
我的新最爱: Gemini Mac 应用 ➔ 按住 Fn ➔ 说话 ➔ 光标处直接生成干净、精炼的文本 无需任何编辑或复制粘贴 免费获取:https://gemini.google/mac

Typing is great, but speaking is faster. Bring Gemini directly into your desktop workflow to seamlessly reformat text between apps using just your voice. Watch it pull raw details from a plain document and transform them into a festive, emoji-filled email invite exactly where you need it.
SpaceXAI 昨日发布 Grok Voice Think Fast 2.0,是其最智能的语音对语音 AI 模型,每分钟音频费用 0.08 美元。该模型在语音到语音基准测试中质量指数达 82.9%,较 1.0 版提升 7.2 个百分点,可在说话时同步完成推理。
Today we’ve raised $52M Seed and we are announcing the public launch of S2.1 Pro. >It can clone a voice from 5 seconds of audio >2x faster than Cartesia & 1/6th the cost of Eleven Labs >most expressive model with word level control over emotion, intonation, pacing etc We support frontier AI companies including HeyGen, LiveKit, Retell, Sanas, and OpenArt all run our model in production. If you're a business and we can't cut your voice AI costs by 50%, we'll give you 1 year of Fish Audio for free. Book a demo: https://s.fish.audio/tmapke To celebrate our first birthday, we'll give you 1 month of S2.1 Pro for free. Like, retweet, and comment “Fish” to get it.
Waymo 为自动驾驶网约车 Ojai 推出 Gemini in Waymo 对话式 AI 助手与全新车载界面。乘客可通过屏幕或语音调节空调、查询信息并请求靠边停车,但 Gemini 不控制车辆移动或路线。Ojai 配备三块屏幕,系统根据座位显示不同内容,并支持 Calm Mode 调暗屏幕。
SpaceXAI has released Grok Voice Think Fast 2.0 today, with the High reasoning variant debuting at #2 on the Artificial Analysis Speech to Speech Index at 82.9%, and #1 on Tau Voice for Agentic Performance at 56.5% - among the fastest models at 0.70s Time to First Audio Grok Voice Think Fast 2.0 is SpaceXAI's successor to Grok Voice Think Fast 1.0 (75.7% on the Speech to Speech Index). It is the only model in the Index's top five with an average Time to First Audio under 1 second, achieving 0.70 seconds vs. 1.14 seconds for the next fastest, GPT-Realtime-2 High. Key takeaways: ➤ Speech to Speech Index: Grok Voice Think Fast 2.0 High debuts at #2 at 82.9%, only behind Qwen Audio 3.0 Realtime Plus (84.1%) and ahead of GPT-Realtime-2.1 High (79.1%) and GPT-Realtime-2 High (77.2%). This is up 7.3 percentage points from Grok Voice Think Fast 1.0 (75.7%) ➤ Speech to Speech Index by Benchmark: On Tau Voice, Grok Voice Think Fast 2.0 High is the new leader at 56.5%, just ahead of Qwen Audio 3.0 Realtime Plus at 54.6% and its predecessor Grok Voice Think Fast 1.0 at 52.1%. On Big Bench Audio, it achieves 97.2%, behind leader Qwen Audio 3.0 Realtime Plus at 99.2%. On our Full Duplex Bench subset, it scores 95.1%, up from 77.8% for Grok Voice Think Fast 1.0, the largest driver of its index gain, behind Qwen Audio 3.0 Realtime Plus at 98.4% ➤ Speed: The model’s average Time to First Audio on Big Bench Audio is 0.70 seconds, faster than GPT-Realtime-2 High (1.14s), GPT-Realtime-2.1 High (1.21s), and Grok Voice Think Fast 1.0 (1.25s), and well ahead of Qwen Audio 3.0 Realtime Plus (4.02s) ➤ Price: Grok Voice Think Fast 2.0 is priced at $4.80 per hour of input audio, up from $3.00 for Grok Voice Think Fast 1.0 and more expensive than Qwen Audio 3.0 Realtime Plus ($4.42) and GPT-Realtime-2 High ($4.14), but ~2.2x cheaper than GPT-Realtime-2.1 High ($10.75) Congratulations @SpaceXAI @elonmusk! See below for more detail ⬇️
突发:SpaceX 正在使用 Grok Voice Think Fast 2.0 处理星链客户服务电话。 在 A/B 测试中,这显著提升了销售转化率和支持解决率。Grok 也在帮助特斯拉的客户服务。

突发:Grok Voice Think Fast 2.0 在 Artificial Analysis 的 τ-Voice 基准测试中,智能体性能排名第一。

Encore AI 完成 3000 万美元 A 轮融资,由 Team8 领投。该公司通过分析企业与客户的通话、邮件等交互记录,提取成功策略并训练 AI 语音智能体,使其能辅助或自主完成客服与销售工作。Encore 目前拥有超过 40 家企业客户,年经常性收入较 18 个月前种子轮时增长超 5 倍。
OpenAI 通过 API 推出 GPT Transcribe 和 GPT Live Transcribe 两款语音识别模型。GPT Transcribe 处理预录音频速度约为实时的 34 倍,词错误率为 3.31%,定价降至每分钟 $0.0045。
OpenAI 通过 API 推出 GPT Transcribe 和 GPT Live Transcribe 两款新语音识别模型。GPT Transcribe 处理预录音频的速度约为实时的 34 倍,词错误率为 3.31%,较前代降低 0.7 个百分点,定价降至每分钟 $0.0045。
Inception Labs 把新 API key 的免费 token 额度从 1000 万提升到 1 亿,免费层速率限制提高 10 倍,并将 Mercury 2 上线 Baseten。Mercury 2 自发布以来持续优化,首 token 时间与端到端延迟降低,工具调用更可靠,在实时语音、搜索、编程智能体和多智能体工作流中改善明显。
OpenAI 发布 GPT-Live-Transcribe 和 GPT-Transcribe 两种转录模型,通过 API 调用。前者专为低延迟实时转录设计,每分钟 0.017 美元;后者优化异步转录,每分钟 0.0045 美元。在 Common Voice 22 种语言上,GPT-Transcribe 转录错误率为 19.27%,低于 Whisper (whisper-1) 的 40.37%。
Apple 为 Siri Expressive Voices 推出了一种内存高效的音频合成架构,其 detokenizer 在 AMX 上以约 10ms/步运行,峰值内存仅约 21MB。相比此前设备端系统,该架构将 Mean Opinion Score (MOS) 整体提升 +0.28(4.15 vs. 3.87),对话语音提升 +0.42(4.24 vs. 3.82)。

推荐理由:OpenAI 正式把转录拆成实时和异步两个模型,这是一个信号,语音 AI 的落地正在从通用走向场景专用,做语音产品的都该看一眼。
Fish Audio 完成 5000 万美元种子轮融资,由 Coreline Ventures 和 Capital Today 领投。该公司提供超过 15000 种自然语言控制的 AI 语音模型库,已有超 800 万用户,年经常性收入达 2100 万美元。其开源项目 Fish Speech 在 GitHub 获超 31000 星,最新 S2.1 Pro 模型仅通过付费 API 提供。
Sandbar 公司推出的智能戒指 Stream 将于今年晚些时候发货,其核心功能是向所有设备进行语音听写。用户只需将戒指靠近嘴边、按下触控板即可安静地录入文本,并能在 Mac 和 iPhone 之间无缝切换。该设备专注于捕捉佩戴者自己的声音而非周围环境,旨在解决手机输入繁琐的问题,让用户无需掏出手机即可快速记录想法或与 AI 助手对话。
阿里云 Qoder 上线实时语音交互智能体 QoderVoice,由全双工语音模型 Qwen-Audio-3.0-Realtime 驱动。用户可通过语音下达指令、讨论方案,智能体实时响应并执行任务,支持多轮协商与打断。QoderVoice 已登陆 Qoder 国际版,提供 3 天免费试用。
AI 电销服务已形成两条主流路径,单个机器人每天可拨出 800 到 1500 通电话,成本低至每分钟 0.12 元。升级版大模型智能体无需预设脚本,能通过语义理解和情绪识别实现“千人千面”沟通,定价约 5000 元。这些来电号码可经技术伪装,运营商难以追溯投诉,行业还普遍配备“一键去标记”功能清除骚扰标签。
GPT-Live 现已在 ChatGPT 语音功能中面向全球教育版、商业版和企业版用户开放。
Introducing GPT-Live, a new generation of voice models for natural human-AI interaction. Rolling out in ChatGPT starting today. You’ll want to turn the sound on for this one.
@PixVerse_ Have you guys removed the 'speech' option. It was there yesterday?
腾讯自选股旗下微证券早报正式接入腾讯混元大模型,推出AI语音播客,支持用户收听时随时打断并提问,AI主播能即时解答后接回主线。播客提供简洁/深度两种模式及单人/双人播报形态。同时,微证券AI智能助手接入腾讯混元记忆(Hy-Memory),在记忆评测中综合得分79.6,多跳召回率达90%。
腾讯自选股旗下微证券早报接入腾讯混元大模型,推出支持实时互动与随时打断的 AI 语音播客,用户可开口提问,AI 主播即时解答后续接回主线。播客提供简洁版与深度版、单人/双人播报模式。同时,微证券 AI 智能助手接入腾讯混元记忆(Hy-Memory),在记忆评测中综合得分 79.6,多跳召回率达 90%。
QwenAudio 开源 qwen-audio-agent,一个让 Agent 保持在线的实时语音运行时,前台对话与后台任务并行,任务结果自动回到当前对话。
推荐理由:原文给出了前台语音对话加后台 Agent 执行的架构设计与多款后端 Agent 接入方式,读者可据此评估是否接入自己的工作流。
My biggest tip for Grok Build is to VOICE PROMPT. ctrl + space then speak. It is WAY faster than typing. AND Grok is very good at understanding what you want if you just start speaking in a rambling stream of consciousness that is indistinguishable from verbal diarrhea.