跳到正文
#语音
7月14日周二
  1. The Verge：AI64

    Siri AI 在 iOS 27 公测版中已开始改变 iPhone 使用方式

    iOS 27 首个公开测试版今日发布。Siri AI 是本次更新的核心亮点，已在日常使用中显著改变 iPhone 交互方式。该版本被定位为 Snow Leopard 式更新，侧重系统修复与速度优化，包括应用启动、照片搜索和 AirDrop 传输提速。Messages 应用新增行内回复和 RCS 端到端加密支持，Liquid Glass 界面也得到进一步精炼。

7月13日周一
  1. TechCrunch：AI52

    Waze 推出多项 AI 新功能，部分由 Gemini 驱动

    Google 旗下导航应用 Waze 推出多项 AI 新功能，部分由 Gemini 驱动。个性化导航可根据用户行程历史和城市交通模式推荐路线，现已全球上线 Android 和 iOS。用户可通过 Gemini 语音搜索目的地，如“找一家现在营业的咖啡店”，该功能面向全球 Waze beta 社区开放。新增摩托车模式，利用 AI 考虑两轮车专属捷径和道路限制，提供更准确 ETA，已在阿根廷、巴西等 7 国上线。用户还可通过自然语言报告道路关闭或地址变更，以及开启“少话模式”减少语音提示干扰。

  2. IT之家·人工智能51

    华为 FreeClip 2 耳机联动豆包功能全量上线，鸿蒙手机支持小艺/豆包双智能体

    华为 FreeClip 2 系列耳机联动豆包功能已全量上线。下载华为智慧音频和豆包 App 后，鸿蒙手机可实现小艺与豆包双智能体在线，苹果/安卓用户也能通过豆包进行消息播报和面对面翻译。该耳机已推送鸿蒙 HarmonyOS 6.1.0.370 版本升级，新增支持 HarmonyOS 设备绑定豆包。FreeClip 2 搭载第三代自研低功耗芯片，首次引入 NPU AI 处理器，算力提升 10 倍；支持 L2HC 音频编码、星闪精确查找及星闪音频，单次续航 9 小时，首发价 1249 元。

  3. The Verge：AI63

    Waze 接入 Gemini，新增多项 AI 功能

    Google 将旗舰 AI 智能体 Gemini 集成到导航应用 Waze 中，推出四项新更新。其中两项涉及 Gemini：一是升级对话式报告功能，驾驶员可用自然语音指令报告交通事件、道路封闭或过时门牌号等地图更新；二是新增目的地搜索，支持类似“找一家还在营业的咖啡店”的语音查询。该功能最早于 2024 年引入。

7月12日周日
  1. IT之家·人工智能48

    特斯拉正开发 Grok 语音控制 FSD 功能

    特斯拉 AI 负责人 Ashok Elluswamy 确认，利用 Grok 语音控制 FSD 的功能正在开发中。该功能旨在让用户通过自然语言指挥车辆，如指定驶入哪个车道或哪户人家的车道，并让车辆记住停车位置。Grok 已于去年夏天接入特斯拉车机，支持语音添加导航途经点、修改路线及基于地点的提醒。马斯克上月表示该功能预计“大约三个月内”推出。未来 Grok 还可能进一步接管车窗、空调等车内功能。

7月11日周六
  2. IT之家·人工智能41

    三星 One UI 9 版录音机应用曝光：加入云端转录，增强文件管理

    科技媒体 SamMobile 通过挖掘 One UI 9 系统发现，三星录音机应用将新增“云端转录”功能，可将语音录音上传至三星服务器，由云端 AI 生成转录文本以提升准确性。此前仅录音摘要使用云端 AI，转写依赖设备端 AI。新版本还加入录音格式转换选项，支持保存为 MP3 或 WAV 格式（当前为 M4A），并新增独立“管理存储”页面，自动按“长录音”“短录音”等类别归类录音。界面方面，列表内播放录音时将显示动态波形动画。

7月10日周五
  1. Greg Brockman40

    ChatGPT 语音是一项真正的进步。 我们过去总是不得不扭曲自己去适应电脑。现在感觉我们正在进入一个自然交互的新时代。 预计我们很快就会花更少的时间盯着屏幕，并认为今天的应用程序极其不友好。

    引用Ethan Mollick@emollick

    The new ChatGPT voice is quite impressive to use, really worth a minute to try it out on your phone. (while staying aware that the voice model is not going to be as smart as a full thinking model)

  3. IT之家·人工智能55

    小米9款音箱及智能家庭屏已内置超级小爱，支持跨端多指令语控

    小米宣布9款音箱及智能家庭屏设备已内置超级小爱，支持AI大模型问答、多轮连续对话与拟人语气、跨端多指令语控（一句话控车、控家、查信息），以及家中设备问答和语音创建智能场景。此外，超级小爱已接入微信A2A助手能力，支持一句话给微信好友发消息、打电话。

  4. Rohan Paul42

    OpenAI’s GPT-Live 🤯 语音AI不再是“接近成功”。它现在已经足够好，可以移除人类电话工作的整个层级。 它不需要绝对完美就能颠覆5000亿美元的电话客服行业。它只需要更便宜、更快、足够好。 [引用 @hey_madni]：Duolingo 完蛋了 💀 GPT-Live 在你说话时修正语法

    引用Madni Aghadi@hey_madni

    Duolingo is cooked 💀 GPT-Live fixes grammar while you speak

  5. Rohan Paul57

    Cresta 发布训练模拟器，让呼叫中心人工客服在真实客户对话前，通过动态 AI 模拟客户练习处理困难电话。管理者可直接用提示词构建场景，AI 客户能动态回应、对薄弱回答施压、对通用答案表露沮丧，并在客服失控时升级对话。引用推文指出“真实客户对话不是学习场所”，该模拟器替代脚本角色扮演，帮助客服提前实战演练。

    引用Cresta@cresta

    Live customer conversations are no place for agents to learn on the job. Cresta Training Simulator replaces scripted role-play with live, dynamic AI simulations that help human agents practice before going live. Learn more ➡️ https://cresta.com/blog/cresta-launches-training-simulator-bringing-ai-agent-technology-to-human-agent-training

  6. TechCrunch：AI54

    巴黎AI语音初创Gradium获1亿美元种子轮融资，Nvidia参投

    巴黎AI语音初创公司Gradium周四宣布，向包括Nvidia在内的新投资者重新开放种子轮融资，总融资额达1亿美元。资金将用于在湾区设立办公室并争夺人才。Gradium于去年12月从法国AI实验室Kyutai剥离，此前已获7000万美元融资，投资者包括FirstMark Capital、Eurazeo、DST Global Partners、Eric Schmidt及Xavier Niel。公司由前Google Brain、DeepMind和Facebook研究员Neil Zeghidour联合创立，主推超低延迟语音AI模型，实现近乎即时的语音响应。尽管面临ElevenLabs、Google Gemini等竞争，Gradium已赢得法国汽车制造商雷诺等大客户。

7月9日周四
  1. Greg Brockman79

    如果你想成为我们的设计合作伙伴，一起测试 GPT-Live API（无论是开发创意新应用还是集成到现有产品中），请与我们联系 — gdb@openai.com。非常期待看到这项技术能为开发者解锁哪些新想法。

    引用OpenAI@OpenAI

    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.

  3. IT之家·人工智能50

    腾讯搜狗输入法鸿蒙版全面适配，支持多端剪贴板互通

    腾讯搜狗输入法官宣其鸿蒙版已完成全面适配，用户可在华为应用市场更新至最新版本体验完整功能，成为行业首个全面适配鸿蒙生态的输入法。核心升级包括跨设备复制粘贴（登录同一账号后在鸿蒙、Android、iOS、Windows、Mac间一键复制文字与图片，可自主关闭任一设备互联）、语音识别（基于腾讯混元大模型，准确率提升至98%，支持方言与外语混合输入及文本润色）以及个性化体验（皮肤资源与各平台同步，个人词库云端自动记录输入习惯）。

  5. Simon Willison 博客69

    GPT‑Live 发布

    OpenAI 将 ChatGPT 语音模式升级为 GPT‑Live 模型。新模型在 iPhone 应用预览中表现令人印象深刻，能够将需要搜索、深度推理的复杂任务委托给后台的 GPT-5.5，同时保持对话流畅。此前语音模式基于 GPT-4o 时代模型，知识截止于 2024 年。预览期间作者遇到模型打断并嘲笑非幽默语句的 bug，已向 OpenAI 反馈并得到调整。作者最长一次对话持续 1 小时。

  6. IT之家·人工智能79

    OpenAI 最智能语音模型：GPT-Live-1/mini 登场，边听边说让 AI 对话更接近真人聊天

    OpenAI于7月9日发布GPT-Live-1与GPT-Live-1 mini全双工语音模型，可同时聆听与说话，每秒多次判断是否继续倾听、打断或调用工具。复杂任务可委托后台GPT-5.5系列模型执行。即日起向全球ChatGPT用户开放，Go、Plus和Pro订阅用户可用GPT-Live-1，免费用户可用GPT-Live-1 mini。新模型在5-10分钟配对对话中偏好得分高于Advanced Voice Mode。支持可视化卡片、搜索、记忆、图片和文件上传。安全评测在自伤、情感依赖等维度上表现相当或更优。

  10. The Decoder：AI News83

    OpenAI 推出 GPT-Live：全双工语音模型，可同时听与说

    OpenAI 发布 GPT-Live 语音模型，采用全双工架构，支持同时听和说、用户打断以及“mhmm”等填充词，对话更自然。两个版本：GPT-Live-1 面向 Go、Plus、Pro 付费用户，GPT-Live-1 mini 面向免费用户，覆盖 iOS、Android 和网页。复杂任务（网页搜索、推理）委托给后台 GPT-5.5，用户可选 Instant、Medium、High 三个推理级别。用户偏好度测试中，GPT-Live-1 达 75.7%，GPT-Live-1 mini 达 69.2%。在 GPQA 科学推理测试中，高推理级别达 84.2%（Advanced Voice Mode 为 45.3%）；在 BrowseComp 智能体搜索基准上得 75.2%（Advanced Voice Mode 为 0.7%）。新增视觉卡片与九种语音，内置危机热线、年龄适配及家长控制等安全措施。

  11. MarkTechPost67

    OpenAI 发布 GPT-Live 全双工语音模型家族，首批 GPT-Live-1 与 mini 版

    OpenAI 今日推出 GPT-Live 全双工语音模型家族，首批包括 GPT-Live-1 与 GPT-Live-1 mini。该模型可同时收听与说话，能在对话中发出“嗯”等简短反馈，并在用户思考时保持安静。遇到搜索、深度推理或复杂任务时，GPT-Live 将其委托给后台的 GPT-5.5 处理，自身维持对话流畅。人工评估中，GPT-Live-1 及 mini 在自然度、轮流交谈等维度被测试者强烈偏好于 Advanced Voice Mode。自动化基准测试显示，GPT-Live-1 在 GPQA、BrowseComp 和 τ³-Voice Telecom 上均有显著提升。即日起向全球 ChatGPT 用户推送，API 预计随后开放。首发不支持视频、屏幕共享及完整多语言。

  13. TechCrunch：AI77

    OpenAI发布全双工语音模型GPT-Live-1系列，对话更自然

    OpenAI今日推出全双工语音模型GPT-Live-1及GPT-Live-1 mini，能同时听与说，支持自然打断和实时翻译。ChatGPT原有Advanced Voice Mode默认替换为GPT-Live-1 mini，付费用户可用更大模型。新模型解决了此前打断用户说话和智能不足的问题，并可调用GPT-5.5等文本模型完成搜索、推理或智能体任务。模型能长时间静默吸收对话上下文，必要时呈现视觉信息。OpenAI表示该语音模式可支持30-40分钟对话，但不作为AI伴侣，已内置针对青少年的年龄适宜回复和自伤话题资源。演示中印地语实时翻译带有浓重美式口音，语调书卷气较重。

  18. jason76

    Jason Liu分享使用ChatGPT Voice功能写作的体验。他每天回家路上通过语音与模型对话，要求模型在他口述文章时除非有值得追问的点否则不打断。他连续讲20分钟，模型仅插话五六次（如“嗯”“好主意”），且当用户继续说话时会礼貌停止回应。结束后可追问模型刚才想提的点。他还测试了用此功能与不同语言的人交谈、头脑风暴和学习新概念。他认为这种流畅的语音交互是实现AGI造福人类的重要一步。

  19. The Verge：AI76

    ChatGPT语音模式升级：GPT-Live-1全双工模型减少打断，支持实时翻译

    OpenAI为ChatGPT推出语音模式新模型GPT-Live-1，采用全双工架构，可同时说话和聆听，减少打断并在停顿后等待用户继续。该模型能自动调用GPT-5.5等文本模型进行推理或联网搜索，并针对天气、股票、体育等话题生成AI可视化内容。新增实时翻译功能，可在用户说话时同步翻译。用户还可要求ChatGPT停止说话直至被点名。内置安全防护，在“高风险”情境下避免有害回复或结束对话，并为自伤话题提供专家审核的危机热线支持，为青少年提供适龄回复。GPT-Live-1已登陆iOS、Android及网页端，面向Go、Plus、Pro订阅用户推送，免费用户默认使用更小、更高效的GPT-Live-1 mini。

  20. OpenAI：官网动态77

    OpenAI 发布 GPT‑Live 新一代全双工语音模型

    OpenAI 今日推出 GPT‑Live，基于全双工架构实现同时听与说，支持自然打断与实时回馈。该模型每秒多次判断是否说话、倾听、打断或调用工具，并将搜索、推理等复杂任务委托给后台 GPT‑5.5，保持对话流畅。即日起向全球 ChatGPT 用户提供 GPT‑Live‑1 和 GPT‑Live‑1 mini 两个版本。人类评估显示，在 5‑10 分钟对话中，GPT‑Live‑1 系列在自然度、轮流、打断等方面显著优于 Advanced Voice Mode；在 GPQA、BrowseComp 和 τ³‑Voice Telecom 基准测试中也表现更强。未来将开放 API。

    推荐理由：GPT‑Live 不是简单的语音版本升级，全双工架构让 AI 终于能同时听和说，加上后台调用 GPT‑5.5，对话体验跨了一大步，做语音应用的产品人该重新思考交互流程了。

  22. Artificial Analysis65

    Artificial Analysis 推出 Controlled Voice Arena，通过声音克隆标准化评估文本转语音模型。所有模型基于相同 8 个克隆声音（2 美式男/女、2 英式男/女）测试，以分离音色偏好与模型质量。总体排名：Cartesia Sonic 3.5（1,122 Elo）居首，ElevenLabs Eleven v3（1,088）和 Inworld Realtime TTS-2 - Research Preview（1,070）紧随其后。美式口音前三相同；英式口音中 Inworld（1,075）升至第二。开源模型方面，FishAudio S2 Pro（1,034）领先。

7月8日周三
  1. IT之家·人工智能50

    消息称亚马逊推进Alexa智能体计划，成本高昂引发内部担忧

    亚马逊正研发代号Moonraker的Alexa项目，旨在实现“多请求”交互，如同时叫车并发短信，将语音助手推向AI智能体赛道。Moonraker已成为Alexa+升级中成本最高的项目之一，内部文件预测其2026年GPU算力开销超1亿美元。亚马逊将部署数百块英伟达GPU，并采用Anthropic Sonnet模型提供高级推理与视觉响应功能。高昂的研发与运行成本已引发高管担忧，部分人士建议推迟或缩减项目规模。

  3. IT之家·人工智能53

    OpenAI 更新 2.1 系列 GPT Realtime AI 模型，p95 延迟至少降低 25%

    OpenAI 7 月 7 日发布 gpt-realtime-2.1 和 gpt-realtime-2.1-mini 两款 Realtime 模型，通过优化缓存使 p95 延迟至少下降 25%。gpt-realtime-2.1-mini 支持实时音频与文本输入、工具调用与函数调用，可在执行前内部推理。gpt-realtime-2.1 增强字母数字识别、静音噪声处理、中断处理、指令遵循及可配置推理强度（minimal/low/medium/high/xhigh 五档，默认 low）。价格方面，2.1 文本输入每百万 tokens 4 美元，音频输入 32 美元，输出 64 美元；mini 对应价格更低。