#语音

字节跳动发布 Seed Audio 1.0 音频创作模型：支持精细时间控制与多语种生成

字节跳动 Seed 官方今日发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，支持按时间线精准控制声音进场。该模型支持 20+ 语种音频生成，在文本生成音色能力的 AB 主观评测中表现出显著优势，多数场景音频可用率达 90% 以上。目前 Seed Audio 1.0 已在火山方舟体验中心上线。

字节跳动发布 Seed Audio 1.0 音频创作模型，统一建模人声与音效实现端到端影视级音频生成

字节跳动 Seed 团队发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，支持 100ms 间隔精度的时间控制、单次约 2 分钟音频的延展生成及 20+ 语种自然生成。该模型已在火山方舟体验中心上线，多数场景音频可用率达 90% 以上，多语言音频自然度 MOS 超 4 分。

京东发布 JoyAI-Talker 实时语音交互模型与 JoyAI-Video-Edit 视频编辑模型

京东在 WAIC 2026 上推出 JoyAI-Talker 实时语音交互模型与 JoyAI-Video-Edit 实时视频编辑模型。JoyAI-Talker 具备低延迟对话、情绪理解、工具调用和记忆能力，支持声纹识别用户身份；JoyAI-Video-Edit 支持自定义画面和边预览边修改，用户可用自然语言增删物体、替换人物、重构场景。京东还开源了行业最大人类视角数据集 EgoLive。

社交平台 Soul 推出 AI 智能硬件 B Soul，搭载多模态大模型 SoulX

社交平台 Soul 在 2026 世界人工智能大会上推出 AI 硬件“B Soul”，将多模态交互大模型 SoulX 的语音交互与情感表达能力融入可随身携带的终端，实现随时唤醒、自然交流和持续陪伴。配套 App 与小程序负责关系养成与记忆沉淀，硬件设备则让 AI 陪伴可携带、可触发、可回应。B Soul 预计今年 8 月逐步量产销售。

网易有道 OpenPods 亮相 WAIC：国内首款苹果 MFi 认证开放式 AI 耳机，耳机盒可独立录音翻译

网易有道在 WAIC 展出国内首款苹果 MFi 认证开放式 AI 耳机 OpenPods，支持十余种语种实时互译与同传，录音转写准确率达 98%，可自动生成结构化纪要与思维导图。耳机盒内置麦克风与扬声器，可独立完成面对面双语对话，无需连接手机。产品单耳重 7.0 克，配合耳机舱续航 24 小时，已量产，预计今年 8 月发布。

风投用Zoom改名抗议AI笔记应用泛滥

风险投资人Jeremy Levine将Zoom昵称改为“我不同意转录或录音”，以抗议AI笔记应用日益泛滥。另一位投资人Eric Bahn表示，现在与创始人开会时默认对方会录音。Levine称这一趋势是“社会不可接受的行为”，会扼杀自发性对话。

阿里千问 AI 眼镜将升级为智能体眼镜，联合 Bose 打造首款 AI 智能体耳机

千问在 2026 世界人工智能大会首日宣布，其 AI 眼镜将升级为智能体眼镜，并联合 Bose 推出首款 AI 智能体耳机。升级后的眼镜支持全双工语音、眼动追踪、体征监测（心率、血氧、HRV）等新技术，可调用第三方 Skill 和 Agent。上述硬件技术年内将应用于千问 AI 智能体眼镜，已发售的 S1、G1 也将通过 OTA 引入 Agent 能力。

阿里千问输入法移动版上线：无广告无弹窗无需注册，支持 AI 自动润色

阿里旗下千问输入法 iOS 版 7 月 16 日上线 App Store，安卓版同日陆续上架各大商店。该输入法基于自研 CosyVoice 语音大模型，语音输入最快每分钟 300 字，支持 9 种方言及中英混合识别，单次录音最长 3 分钟。其核心差异在于大模型驱动的语义理解与润色能力，可自动过滤语气词、纠正口误并格式化输出，且承诺无广告、无弹窗、无需注册即可使用全部功能。

这届WAIC，千问AI智能体眼镜、耳机申请出战！

2026世界人工智能大会首日，千问推出AI智能体眼镜与首款AI智能体耳机两大硬件。智能体眼镜升级全双工语音、眼动追踪、体征监测等技术，并实现行业首个用户体征实时监测，可测量心率、血氧、HRV等数据。上述技术年内应用于千问AI智能体眼镜，已发售的千问AI眼镜S1、G1将通过OTA引入Agent能力；耳机由千问与Bose联合打造，支持同声传译、会议纪要等功能。

Rohan Paul@rohanpaul_ai· 11:02AI 评分4141

a16z 合伙人 David George 指出，最前沿公司的研究人员已不再打字，而是通过“耳语”输入指令，同时运行成群 AI 智能体。他认为打字速度比思维慢 5-10 倍，语音交互正成为高效工作的新标准。这一趋势正在重塑风险投资与技术行业本身。

Spotify 去年已下架 7500 万首 AI 生成歌曲，加强平台治理

Spotify 去年已下架超过 7500 万首 AI 生成的歌曲。平台每天接收 10 万首上传，其中大量 AI 歌曲存在批量生产和刷量行为，挤压内容审核与版税分配系统。AI 辅助创作与纯 AI 生成内容的界线因真实艺术家将 AI 工具纳入工作流而更难区分。

Sam Altman@sama· 03:57AI 评分5454

我现在和ChatGPT说话比打字更多了 新的语音模型真的跨过了一个门槛

小鹏海外车型接入谷歌地图导航服务，MONA L03 首发落地

小鹏宣布海外车型正式接入谷歌地图导航服务，成为亚太地区首个谷歌地图车载SDK合作伙伴，该功能将在MONA L03上首发落地。同时，小鹏升级了海外版座舱操作系统XOS 6，重构语音交互架构，首批支持英语、德语、法语等多语言交叉识别。小鹏第二代VLA物理世界大模型已打通中国与欧洲市场，正加快推进欧洲量产适配，图灵AI智驾针对欧洲路权规则升级了行人优先、交通标志识别及隐性规则理解等能力。

华为鸿蒙座舱 OTA 计划公布：新一代智能体上车，本月推送首个版本

华为公布鸿蒙座舱 OTA 计划，2026.7版本将推送HarmonySpace V5.2，包含新一代智能体升级、KFC Agent语音创建智慧场景、AI调音魔方及车载激光投影露天影院模式等功能。2026.9-2026.10版本将升级至HarmonySpace V6.0，新增舱内融合感知与全新IP主题。2027.1-2027.2版本的V6.1将带来主动建议2.0。

Patter SDK 教程：构建餐厅预订电话智能体，支持动态变量、护栏、延迟仪表盘与评估检查

Patter SDK 发布教程，演示如何构建一个餐厅预订场景的语音智能体工作流。该流程支持动态调用变量、注册可调用工具、应用输出护栏（如PII脱敏、脏话过滤、话题范围限制），并可在无需实时电话凭证的情况下运行脚本化通话模拟。教程还涵盖延迟与成本指标追踪、回归式评估检查，以及将智能体逻辑、工具调用、安全检查和通话模拟整合为单一结构化管线。

小米语音首席科学家 Daniel Povey 当选 2026 ISCA Fellow

小米语音首席科学家 Daniel Povey 当选 2026 ISCA Fellow，全球仅 100 余人获此殊荣。他因在语音识别声学建模、序列训练创新方法及开源工具 Kaldi 的贡献入选，是继 2023 年 IEEE Fellow 后再获殊荣。其团队推出的 OmniVoice 模型支持 600+ 语言，开源 3 个月 Huggingface 下载量超 500 万次。

OpenAI@OpenAI· 05:29AI 评分5656

近距离观察 GPT-Live 在智能方面的改进：该模型能够一边保持对话，一边同时处理多项任务，例如查询航班、查看当地天气以及实时规划行程。

ChatGPT@ChatGPTapp· 01:23AI 评分6060

在“设置”>“语音”中启用“后台对话”以支持实时活动 🔊

Spotify 为 Premium 用户推出 AI 语音对话功能，可直接与音乐播放器聊天

Spotify 向 Premium 用户开放 AI 语音界面测试版，用户可在应用内通过语音或文字指令控制播放、查询歌曲/艺术家/播客信息及个人收听历史。该功能还支持回答常识性问题，但复杂话题可能引发模型幻觉。测试版面向美国、爱尔兰和瑞典 18 岁以上用户开放。

Suno@suno· 23:45AI 评分4848

让你的文字唱起来 🎶 Suno 现已加入你的 iMessage 键盘 请确保将你的 Suno 应用更新至最新版本

Rime 获 2400 万美元 A 轮融资，用自建录音棚数据训练企业语音 AI

旧金山语音 AI 初创公司 Rime 完成 2400 万美元 A 轮融资，由 M13 Ventures 领投。Rime 自建录音棚采集对话数据训练模型，并采用音素架构适配不同行业术语发音，客户无需重新训练。公司已服务 Mayo Clinic、Dialpad 等客户，并计划将 35 人团队扩招至模型开发、工程和合作岗位。

消息称百度为苹果 Apple 智能提供 AI 搜索功能，阿里千问也将集成

知情人士透露，百度正为苹果 Apple 智能开发基于 AI 的搜索功能，可处理图像和文本，并升级中国版 Siri。同时，阿里巴巴宣布阿里千问将作为 AI 能力集成至 Apple 智能，为 iOS、iPadOS、macOS 和 visionOS 的中国用户提供文本与图像理解、内容生成等体验。Apple 智能大模型已于 2026 年 7 月 8 日备案，适用场景为苹果手机。

微信鸿蒙版 App 8.0.19.41 邀测升级，收藏聊天记录可转存为笔记

微信鸿蒙版 App 今日开启 8.0.19.41 (8393513) 版本邀测升级，测试时间为 2026/7/15-2026/8/14。新版本新增收藏的聊天记录支持转存为笔记、相机录制视频时切换前后摄像头、聊天界面双击文字消息放大显示等功能。此外，元宝由联系人态变更为 AI 功能态，支持鸿蒙端开启聊天；灰度测试朋友圈发送后删除可重新编辑、发送实况照片等多项功能。

阿里发布实时语音交互对话模型 Qwen-Audio-3.0-Realtime

阿里巴巴今日发布实时语音交互对话模型 Qwen-Audio-3.0-Realtime，包含推理更强的 Plus 版本和速度更快的 Flash 版本。该模型在 S2S 语音指令遵循基准 VStyle 上取得 SOTA 效果，并在 Artificial Analysis 子项中综合排名第一，超越 OpenAI GPT-Realtime-2。

阿里发布 Qwen-Audio-3.0-Realtime，在 Artificial Analysis 语音推理子项中综合排名第一

阿里通义实验室发布实时语音交互模型 Qwen-Audio-3.0-Realtime，在 Artificial Analysis 的 Speech Reasoning 子项中综合排名第一，超越 OpenAI GPT-Realtime-2。

Qwen-Audio-3.0-Realtime 如何让语音交互“懂倾听，更聪明”？

阿里语音交互模型 Fun-Realtime-AudioChat 全面升级并更名为 Qwen-Audio-3.0-Realtime，支持根据语境动态调整语气与情感、音色克隆，并内置多模态双工控制模型，实现声纹级背景过滤。

MacWhisper 14 发布：新增编辑器视图，修复 CPU 占用过高问题

MacWhisper 14.0 更新发布，新增编辑器视图（Editor View），允许用户在主界面直接编辑转录稿、添加段落、重新分配发言人。该版本还改进了 AI 服务界面，修复了 CPU 空闲占用率过高等问题。同步推出的 14.1 更新新增 Gladia 作为云转录提供商。

OpenAI 首款硬件曝光：无屏智能音箱定位 AI 伴侣，支持 GPT-Live 语音交互

彭博社报道称 OpenAI 首款消费级设备是一款可移动、无屏幕的智能音箱，定位为 AI 伴侣，可部署在家庭环境中辅助工作效率。该设备内置摄像头和传感器以理解用户周围环境，搭载超越传统智能音箱的先进 AI 模型，可充当智能家居中枢控制联网设备，并支持通过 GPT-Live 系列模型进行 AI 聊天式交互。

Artificial Analysis@ArtificialAnlys· 05:36AI 评分6262

阿里巴巴最新文本转语音模型Qwen-Audio-3.0-TTS-Plus在Artificial Analysis语音竞技场排行榜上以1,236 Elo分（±17）超越Simba 3.2（1,234分）、Gemini 3.1 Flash TTS（1,214分）和Sonic 3.5（1,207分），成为提供商语音类别新领头羊。该模型生成速度为每秒16个字符，低于竞品；定价为每百万字符27.59美元，介于Gemini 3.1 Flash TTS（18.31美元）和Sonic 3.5（39.00美元）之间。模型提升了自然度和上下文语调，延续了阿里在语言、图像、视频生成领域的强劲发布势头。

OpenAI 或于今年发布 ChatGPT 智能音箱，无屏幕但配备摄像头与传感器

据 Bloomberg 报道，OpenAI 的首款硬件设备将是一款可与 ChatGPT 对话的智能音箱。该设备没有屏幕，但会利用摄像头和额外传感器来“理解”用户环境。它还配备可充电电池，支持随身携带，并提供智能家居控制功能。报道发布前不久，苹果刚起诉 OpenAI 窃取硬件机密；OpenAI 回应称“未发现任何证据表明该投诉有依据”。

Hinge 创始人 Justin McLeod 获 1800 万美元融资，打造 AI 语音约会服务 Overtone

Hinge 创始人 Justin McLeod 为其新公司 Overtone 筹集 1800 万美元，Match Group、FirstMark Capital 和 Pace Capital 参投。Overtone 定位为“由 AI 驱动的语音优先服务”，提供高度精选的匹配介绍，而非传统滑动匹配的约会应用。该服务将于今年晚些时候在特定地区上线，关系专家 Esther Perel 已加入董事会。

Apple 通过 iOS 27 公测版向所有用户开放新版 Siri AI

Apple 发布 iOS 27 公测版，首次让普通用户试用其史上最大规模的 Siri 改版。新版 Siri 可访问设备上的邮件、照片和消息，并深度集成于操作系统，覆盖 iPhone、iPad、Mac 等全产品线。其 AI 底层采用 Apple Intelligence 与基于 Google Gemini 知识蒸馏的自研 Foundation Models。

Spotify 正在测试 AI 聊天机器人功能“Talk to Spotify”

Spotify 正在测试一项名为“Talk to Spotify”的新 AI 功能，允许 Premium 订阅用户通过对话式聊天机器人来播放和探索音乐、有声书及播客。该功能出现在移动端应用的首页和“正在播放”视图，用户可在 AI 文本框中输入请求，或点击麦克风图标进行语音交互。与 Amazon Music 去年整合 Alexa Plus 的类似功能不同，Spotify 的聊天机器人不仅能提供 AI 推荐和常识问答，还能引用用户的播放列表和收藏内容。

Google AI Developers@googleaidevs· 23:33精选AI 评分7070

Google AI 发布 Gemini 3.5 Live Translate，支持 70+ 语言、近实时延迟的语音到语音翻译。该模型直接处理原始音频流，保留说话者语调、节奏和音高。东南亚超级应用 Grab 正探索将其用于司机与乘客间的跨语言沟通，其用户每月发起超 1000 万次语音通话。开发者可通过 Gemini Live API 集成 LiveKit、Fishjam、Pipecat 或 Vision Agents 构建应用。LiveKit 已实现虚拟会议室多语言即时理解；Software Mansion 结合 MoQ 协议突破流媒体瓶颈；VisionAgents AI 展示了动态多语言切换能力。开发者可在 Google AI Studio 试用并获取 Cookbook 示例代码。

Google AI Developers@googleaidevs· 23:33AI 评分4646

Gemini 3.5 Live Translate 并非逐句翻译文本，而是实时处理原始音频。这消除了延迟，并确保说话者自然声音的每一个细微差别都得以保留。 了解开发者如何用它构建令人印象深刻的多语言应用 ⬇️

Spotify 为 Premium 用户推出类 ChatGPT 音乐助手

Spotify 宣布为 Premium 用户推出基于 AI 的交互式音乐助手，用户可通过打字或语音与 App 进行多轮对话，以选择音乐、播客或有声书。该功能目前在美国、爱尔兰和瑞典的 iOS 及 Android 设备上以 Beta 版形式提供，面向 18 岁以上用户，仅支持英语。Spotify 确认该功能混合使用了自有 AI 技术与多家供应商的模型。用户可询问歌曲灵感、专辑发行日期、收听历史，或通过“播放一些我没听过的艺人”等指令动态调整播放列表，并支持保存歌曲、添加到队列或关注艺人。

微信鸿蒙版 8.0.19.38 邀测更新：视频录屏可切换摄像头，新增 AI 写歌模型选择

微信鸿蒙版 App 开启 8.0.19.38 (8393510) 版本邀测升级，并放出更多名额。新版本支持微信相机录制视频时切换前后摄像头、通过朋友验证时新增添加电话选项、收藏的聊天记录转存为笔记。灰度功能包括：朋友圈删除后重新编辑、聊天界面发送实况照片、设置中新增提示音和铃声。听一听设置新增 AI 写歌模型选择，元宝由联系人态变更为 AI 功能态，支持鸿蒙端开启聊天。此外还修复了一些已知问题。

Inception Labs 发布 Mercury 2：首个在 NVIDIA GPU 上每秒解码超 1000 token 的推理扩散语言模型

Inception Labs 发布 Mercury 2，称其为全球首个推理扩散语言模型（dLLM），在 NVIDIA H100 上以 1000+ token/秒并行解码，300 token 的推理链可在约 300ms 内完成，适配语音对话延迟预算。

jason@jxnlco· 10:01AI 评分7070

Jason Liu 分享如何结合 ChatGPT 实时语音模式与 Codex 实现“口述-成稿-剪辑”全流程。他先用语音提示让 ChatGPT 像代笔一样安静倾听、只追问模糊点，到家即得转录稿。接着将转录 URL 交给 Codex，用提示词“只用我的词”将口述转为短文，保留个人语气、去除填充词和重复。最后将成稿视频交给 Codex，通过转录工具、FFmpeg 和 Remotion 自动剪辑、去口头禅、叠加字幕和图片。这套工作流源自他此前与真人代笔的合作经验，旨在降低写作摩擦，让更多想法得以分享。

Greg Brockman@gdb· 06:26AI 评分4141

GPT-Live 是一种全新水平的体验。