#语音

抖音反诈工具“验证助手”新增识图与语音功能，方便老年用户鉴别诈骗

抖音反诈工具“验证助手”今日升级，新增语音输入和图片文本提取功能。验证框由多分类统一为单一输入框，系统通过意图识别模型自动判断信息类型并完成验证。老年人可上传可疑截图圈选文字区域，或语音描述短信、电话等内容，系统自动识别填入。截至目前，验证助手已累计服务超2800万人次，日均帮助约4万名用户鉴别风险。

Rohan Paul@rohanpaul_ai· 15:24AI 评分4646

该论文测试老年人日常言语能否成为有效的认知监测双胞胎，结论基本可行。AI通过学习个体随时间变化的说话方式（节奏、停顿、主题、风格习惯），捕捉临床快照易漏掉的小模式——认知衰退往往在语言中早于明显症状出现。个性化模型能检测出与思维能力相关的细微言语变化，而普通GPT回答大多错过这些信号。研究显示，日常对话可成为一种低负担的长期认知健康追踪方式。

阿里千问输入法上线 macOS 版：最快 300 字/分，AI 自动润色

阿里千问输入法 macOS 版今日上线官网，支持最快 300 字/分的 AI 语音输入，可自动润色、将口语转为工整文字，并支持 9 种方言，纯净无广告。官方预告 iOS、Android、Windows 版将于近日发布。此前千问团队已于今年 5 月推出千问语音输入法（千问 App 内的组件），具备去语气词、纠错、格式化整理及基于上下文的智能回复等能力，而本次上线的输入法则定位为独立 App，填补千问在移动端 AI 输入法赛道的空白。

Google Gemini@GeminiApp· 00:11AI 评分4747

从用语音实时创建图像，到支持小企业的新方式，以下是本月 Gemini Drops 的内容 🧵

中兴通讯发布 AI 智屏 2.0：支持语音助手，红外控制传统家电

中兴通讯在上海世界移动通信大会推出 AI 智屏 2.0，搭载 4TOPS 算力 AI 芯片、云台摄像头及 433MHz 无线技术，采用电子相框一体化造型与 10.1 英寸全贴合屏幕，支持“小兴小兴”语音助手。通过 360° 红外和 433MHz 无线可语音控制电视、空调等传统家电，集成温湿度与光线传感器实现场景化控制。覆盖智能管家、康养伙伴（多模态 AI 识别）、伴学搭子（AI 家庭教师/扫描同传）、生活助手（智能订票/点外卖）、用网卫士五大场景。

Gradium 发布实时语音翻译模型 stt-translate 和 s2s-translate

Gradium 发布两款实时语音翻译模型：stt-translate（语音转文本）和 s2s-translate（语音转语音）。两者覆盖英语、法语、德语、西班牙语、葡萄牙语共 5 种语言、20 个语言对，将转录和翻译合并为一步，传统 3 模型级联缩减为 2 模型。stt-translate 在 BLEU 和 MetricX 指标上领先 gemini-3.5-live-translate，BLEU 领先 gpt-realtime-translate，MetricX 可比。s2s-translate 平均延迟 3.0s，优于 gpt-realtime-translate（3.6s），略逊于 gemini-3.5-live-translate（2.9s）。支持从目录选择输出语音或克隆自己的声音，通过单条双工 WebSocket 传输。

jason@jxnlco· 01:42AI 评分5353

计算机！启动防火墙！ 使用 gpt-realtime-2，你可以在上下文中提示唤醒词、进行推理，并构建一些傻乎乎的游戏。 看我玩一个游戏 Simon Says... 剧透：它赢了我。

FFASR 排行榜发布：真实远场条件下 ASR 评测

Treble Technologies 与 Hugging Face 联合推出 FFASR（Far-Field ASR）排行榜，这是首个开源社区驱动的真实远场声学条件 ASR 评测基准。传统近场评测无法反映混响、背景噪声和麦克风距离带来的性能下降。FFASR 使用混合波模拟引擎生成声学数据，涵盖 14 种房间（20–470 m³）和三个信噪比级别（远场高 SNR >14 dB、中 SNR 8–12 dB、低 SNR <6 dB），加上近场干燥条件，共四类条件决定主排名。另有实验室实测/模拟验证轨道和移动声源 beta 版。性能指标同时报告词错误率（WER）和实时因子（RTFx，在 NVIDIA L4 GPU 上评估）。未来将支持多说话人场景、麦克风阵列和回声消除。

Google Home Speaker 评测：音质出色但操作繁琐

Google 新款 Home Speaker 售价 99 美元，体积小巧但音质饱满，低音优于同尺寸的 UE Wonderboom，清晰度和响度均超过 Amazon Echo Dot Max。配备三个麦克风，唤醒词识别灵敏，即便在淋浴中也能响应“Hey, Google”。外观呈彩色毛线球状，无可见按键；音量可通过点击左右侧调节，但触控区域小且方向不直观，顶部播放/暂停触控正常。灯光环隐藏于底部，反馈不够明显。不支持标准蓝牙，可通过 Google Cast 串流或与 Google TV Streamer 配对。内置 Gemini 智能助手，可用于控制家居、规划日程和查询信息。

OpenAI 开源 Plant Talk：让室内植物通过 ChatGPT 拥有“声音”

OpenAI 在 GitHub 开源 Plant Talk 项目，通过 Codex Desktop 连接 ChatGPT，让室内植物具备语音能力。用户可与植物语音交流，如询问“最近怎么样？”“需要浇水吗？”等。系统支持 Arduino、土壤湿度传感器、LM393 光照传感器获取环境数据，还可连接二氧化碳传感器、空气湿度传感器。用户可创建不同植物人格，如高冷仙人掌、话痨绿萝、吐槽多肉。搭建需配备麦克风、摄像头、扬声器的电脑及 OpenAI 账户。

OpenAI ChatGPT 语音最大规模升级：双向AI语音模型 Bidi 1 已上线测试

6月23日，部分用户反馈 ChatGPT 网页版和 App 版上线了双向 AI 语音模型 Bidi 1，位于设置模型选择器中，与标准语音和高级语音并列。该模型支持边说话边监听，用户可在对话中途打断并发出新指令，例如要求从1数到10时中途喊停倒数，模型会立即切换执行。OpenAI 尚未官宣，预计本周启动更大范围测试。

Jamendo 起诉英伟达未经授权用数万首音乐训练 AI 模型，索赔超 1780 万欧元

独立音乐平台 Jamendo 在美国加州联邦法院起诉英伟达，指控其未经授权使用 MTG-Jamendo 数据集（约 5.6 万首曲目）训练 Fugatto、Audio Flamingo 两款音频大模型。该数据集仅限非商用科研用途。2024 年 3 月发现后多次协商无果，2025 年 6 月寄出商用账单（1610 万欧元）并在比利时起诉。本次美国诉状主张直接著作权侵权、违约、不当得利、不正当竞争，最低索赔 1780 万欧元（含逾期利息）。

OpenBMB@OpenBMB· 11:39AI 评分6363

面壁智能（OpenBMB）的扩散式 TTS 模型 VoxCPM-0.5B 已通过 Apple Core AI 完全部署至 iPhone 端侧，无需联网。该模型整合了 MiniCPM4 语言模型、LocDiT flow-matching 和 AudioVAE，每一层均运行于 Neural Engine 和 GPU 上。模型权重和部署代码已开源至 HuggingFace 与 GitHub。

火山引擎发布豆包音频生成模型 1.0，支持多模态参考生成与长时音色一致性

火山引擎昨日发布豆包音频生成模型 1.0（Doubao-Seed-Audio 1.0），首次支持文本、音频等多模态参考生成，端到端输出目标音频，长时生成中保持多角色音色一致性。用户可通过单条 Prompt 编排角色对白、情绪语气、背景音乐、环境氛围，直接产出成片级音频。模型一次支持 2 分钟音频创作，可多次延长且保持音色统一；实现零样本多模态生成，支持音色与风格解耦控制。火山方舟已开启 API 邀测，个人用户可免费体验 30 分钟创作额度。该模型即将上线剪映、即梦、番茄等产品。

苹果 tvOS 27 测试版现 Siri AI 代码，Apple TV 与 HomePod 酝酿扩展 AI 功能

tvOS 27 首个开发者测试版代码显示，苹果正为 Apple TV 和 HomePod 引入 AI 功能。系统底层新增多个 Apple Intelligence 相关框架，HomePod 首次设置流程中直接提及 Siri AI。代码中还出现 N1 芯片（蓝牙与 Wi-Fi 处理器），该芯片未搭载于当前在售机型，被视作苹果推进智能家居新品的线索。

如何使用NVIDIA Canary-1B-v2进行ASR、翻译和自动SRT字幕导出

该教程通过Python使用NVIDIA Canary-1B-v2构建语音识别与翻译管线：先安装NeMo ASR工具包和音频依赖，在GPU上加载模型；将音频处理为16 kHz单声道格式后，执行英语ASR，将语音翻译为25种语言，生成词级和时间段时间戳，导出SRT字幕文件，并支持长文本转录、批处理与推理速度基准测试。

Meta 三款自有品牌智能眼镜首发亮相，299-399 美元

Meta 首次以自有品牌推出三款智能眼镜：Adventurer、Fury 及与凯莉·詹娜合作的 Starfire。Adventurer 和 Fury 售价 299 美元，Starfire 售价 399 美元，均比去年雷朋 Meta Wayfarer 便宜 80 美元。眼镜由 Meta 设计、依视路陆逊梯卡生产，内置摄像头、扬声器，支持与 Meta AI 对话、翻译及拍摄，预装最新 AI 模型 Muse Spark。鼻托三档可调，提供多种配色与镜片选项。Meta 透露未来可能推出无摄像头版本，并计划最终进入 AR 眼镜市场。

网易有道发布 Confucius4-TTS：14 语种跨语种无口音语音克隆开源模型

网易有道推出“子曰 4.0”TTS 引擎 Confucius4-TTS，声称是业内首个支持 14 种语言跨语种无口音、且无需参考文本即可完成语音克隆的开源模型。用户仅需 3 秒音频即可实现零样本音色克隆，克隆音色与原声相似度超 85%，任务准确度达 97%。模型支持中文、英语等 14 种语言，首创音频 Prompt 情感克隆迁移。底层采用 GPT 式语义大模型、SSL 预训练特征与 ECAPA-TDNN 说话人编码器、Flow Matching 框架。已全量开源（Apache 协议），提供 54GB 资源包供本地部署。

豆包音频生成模型1.0发布，重新定义AI音频创作

火山引擎正式发布豆包音频生成模型1.0（Doubao-Seed-Audio 1.0），支持文本与音频参考生成，端到端输出目标音频。单条Prompt可编排多角色对白、情绪语气、背景音乐及环境氛围，长时生成中保持多角色音色一致性，无需后期多轨混音。模型支持0样本多模态输入，无需额外训练即可生成；实现音色与风格解耦控制及“一声多角”能力。一次支持2分钟音频创作，多次延长保持音色统一。已开启火山方舟API邀测，个人用户享30分钟创作额度，即将上线剪映、即梦、番茄等产品。

vLLM-Omni 详解 Qwen3-TTS、VoxCPM2 等 TTS 推理优化工程实践

vLLM-Omni 团队详解 TTS 推理优化工程实践，覆盖 Qwen3-TTS、VoxCPM2、Fish Speech S2 Pro 和 Higgs Audio V3 四款模型。

Rohan Paul@rohanpaul_ai· 02:10AI 评分5454

语音AI平台Bland (@usebland) 每周处理超过350万次电话，累计已处理超5.13亿次。公司获得1亿美元C轮融资，将用于训练模型以处理紧急、高风险、长达45分钟的电话呼叫。Bland专注于受监管行业，主打高压力、后果严重的电话场景。

华为智慧屏推送系统更新：新增儿童时长管控、畅连小窗调节等

华为智慧屏今日推送系统更新，主要新增或优化：标准模式新增儿童时长管控（设置>通用>使用时间管理）；畅连小窗支持自由调节窗口大小；观看影视剧时可呼叫小艺进行人物、剧情等问答；超级桌面分辨率由1080P提升至2K；遥控器支持控制外接设备（需开启CEC）；开关机菜单支持自定义预设焦点；智慧屏可与全屋吸顶音箱联动；AI语音唤醒准确率和响应时延优化；门锁画中画联动显示接听设备名称及位置，并支持挂断。官方暂未公布新版本具体型号及适用机型。

jason@jxnlco· 15:04AI 评分6060

Guinness Chen 表示，2026年6月了，别再手动编辑提示词，应该按住听写按钮即兴说上10分钟，把脑海里的每个碎片、警告、例子和感觉都交给模型——大语言模型最擅长的就是从语言中重建潜在意图。Jason Liu 称赞他只发好内容，观点总是很棒，并建议大家关注他 @guinnesschen。

豆包 App 灰测打车功能，由曹操出行提供服务

豆包在 App 内灰度上线一键打车服务，由曹操出行提供运力。获灰测用户可直接在对话框口述出行需求，系统自动识别起止地点、人数与用车偏好，匹配曹操出行后一键确认派单。目前北京、杭州部分用户已获灰测资格。曹操出行司机接单后弹窗提示“本单是豆包服务订单”，完成可获 2 元平台惊喜服务费。曹操出行上周在2026国际汽车及供应链博览会（香港）发布 RoboX 战略，提出“双十万计划”——到2030年累计部署10万辆Robotaxi与10万辆Robovan，同时成立AI事业部推进全面AI转型。

Rohan Paul@rohanpaul_ai· 07:06AI 评分5252

Techcrunch: 安巴尼正将Jio拥有5亿用户的电信网络转变为印度最大的日常AI智能体试验场。 Jio Call Agent将嵌入电话通话中，征得同意后监听、转录语音、总结对话，并触发行动，如打车或订餐。 这个计划看起来像是AI正从独立应用向网络层移动。

马斯克：Grok 语音控制特斯拉 FSD 功能将在 3 个月左右推出

马斯克在 X 平台回复称，Grok 语音控制特斯拉 FSD（监督版）功能预计约三个月后上线，今年秋季推送全系车辆。此前 Grok 已作为车载助手上线，通过 2025 假日版本更新增加导航语音指令，2026 春季更新新增“嘿 Grok”唤醒与位置提醒。新功能将允许用户用自然语言设定 FSD 行驶逻辑，无需手动打转向灯；停车场景提升显著，可实时口述精准泊车指令，弥补 14.1 版本“抵达目的地自动泊车”模式有限。

X.PIN@thexpin· 22:23AI 评分6565

微信于6月20日扩大了对小微（Xiaowei）的灰度测试——一个内置在主应用中的对话助手，可通过文本或语音运行。它能操作微信原生功能并调用小程序完成任务：打车、外卖、订酒店、查快递。它还能根据单条提示词生成一个可运行的小程序。生成的应用程序目前为

visionOS 27 今秋推送：M5 Vision Pro 头显独占 Siri 语音定制和苹果最强本地 AI 模型

visionOS 27 将于今秋推送。M5 Vision Pro 独占 Siri 语音定制（Voice Customization），用户可自由调整语气表现力和语速；同时独占搭载 AFM 3 Core Advanced 本地 AI 模型，该模型支持原生多模态能力并采用稀疏架构，需 M5 芯片算力支撑。M2 款 Vision Pro 可共享 visionOS 27 大部分升级，包括 Siri AI、全景照片转空间场景、重新设计的控制中心、更智能的自然语言理解及语音操作交互等。苹果承诺未来通过云端计算为 M2 设备提供部分 AI 功能的折中方案，具体细节尚未公布。

印度首富安巴尼：印度必须成为 AI 的创造者和全球领导者

信实工业在年度股东大会上发布 AI 通话助手 Jio Call Agent，直接嵌入 Jio 电信网络，可转录对话、生成摘要，并帮助用户叫车、点餐和预订，用户通过“Hey Jio”唤醒，预计今年晚些上线，覆盖超 5 亿用户。同时推出 AI 版 MyJio，支持自然语言指令完成开通 eSIM、选漫游套餐等操作；TeleFrame 可利用 AI 智能体主动显示天气预警、日程和家庭提醒。信实还通过 Reliance Intelligence 为消费者、企业和政府开发支持印度 22 种语言的 AI 基础设施。安巴尼强调印度不能只做 AI 消费者，而应成为创造者和全球领导者。

信实工业推出多款AI服务，涵盖通话、应用与家居

印度信实工业在年度股东大会上发布AI服务：Jio Call Agent可加入电话会议转录、总结并执行叫车、订餐等任务，通过“Hey Jio”激活，今年晚些时候面向超5亿用户上线；MyJio应用新增AI版，支持自然语言激活eSIM、选择漫游套餐；家庭显示设备TeleFrame利用AI智能体推送天气、日程提醒；还推出医疗、教育、农业和中小企业AI套件，支持22种印度语言。公司计划投资1100亿美元建设AI基础设施，并与Google、Meta、Nvidia合作。此外，Jio Platforms董事会批准IPO草案，拟发行最多2.7亿股新股。

OpenBMB@OpenBMB· 21:19AI 评分5454

社区开发者基于 VoxCPM2 与 ComfyUI 构建了 VoiceGate，实现自动语音提取（ASR）、大语言模型翻译、多语言语音合成（支持 30 多种语言和 9 种方言，含语音克隆与音色设计）、时间戳对齐音频以及背景音分离混音。核心创新 VoiceBridge 插件首次在 ComfyUI 中引入 SRT 时间戳驱动的 TTS 对齐，实现字幕级精细控制，解决 AI 配音音视频不同步问题。应用包括中文视频转英/日/韩等多语言，以及全球视频转中文及方言。

xAI@xai· 01:21精选AI 评分6666

xAI 的 Grok TTS 模型在 @Vapi_AI 的 Humanness Index 盲测中以 96 分（真人 100 分）位居榜首。该指数选取同一声音和引文，经各模型克隆后由听众盲评。

《粉雄救兵》Karamo Brown 推出健康应用 Kē，含 AI 数字克隆“AI Karamo”

《粉雄救兵》生活教练 Karamo Brown 推出健康应用 Kē，其核心特色为基于 AI 初创公司 Delphi 技术打造的“AI Karamo”数字克隆。该克隆通过学习 Brown 的采访、播客等内容，可与用户实时对话并提供建议。应用还提供个性化健身计划、基于家中食材的营养指导、冥想视频及社区支持功能。Kē 已上线 iOS 和 Android，订阅费 $14.99/月，提供 3 天免费试用。

波兰政府入股 ElevenLabs 并共同发起 AI Lab Poland

波兰政府通过 BGK 集团旗下的 Vinci 入股 ElevenLabs，与 Andreessen Horowitz、Sequoia、ICONIQ 一同成为投资方。

火山引擎上线豆包实时语音模型3.0 API 服务，开启邀测

火山引擎上线豆包实时语音模型3.0（Seeduplex）API 服务并开启邀测。该模型为原生全双工端到端语音大模型，具备精准遵循、抗干扰、动态判停三大优势。可在多人对话中安静待命，指定话题出现时主动加入；支持通过自定义工具在实时交互中完成预定日历、发送邮件等任务。抗干扰力提升，误回复率与误打断率大幅降低；判停延迟缩短约250ms，复杂场景抢话比例下降40%，用户主动打断延迟缩短约300ms。适用于汽车智能座舱、智能硬件、智能客服等场景。

科大讯飞 AI 眼镜首销：40克重量、122种语言翻译，4299元

讯飞AI眼镜6月18日在京东首销，定价4299元（部分国补后3369元），重40克，获SGS舒适认证。核心搭载语音同传大模型，支持122种语言翻译，覆盖通话翻译、线上同传、同声传译（8米全向拾音）、面对面翻译（18语种离线）、视觉翻译及附赠App权益等六大场景。还支持实时提词、蓝牙遥控翻页，内置GlassClaw AI助理，可开会自动总结图文纪要。

MOSS-TTS-Local-Transformer-v1.5 在 SGLang-Omni 上：原生流式 48 kHz 语音服务

MOSS-TTS-Local-Transformer-v1.5 是一款开源 TTS 模型，支持 48 kHz 立体声、零样本声音克隆、最长 10 分钟长文本合成、时长控制及 31 种语言。其核心采用 Qwen3-4B 骨干与约 2B 参数的 MOSS-Audio-Tokenizer-v2 音频编解码器，通过 12 个 RVQ 码本运行。SGLang-Omni 以三阶段流水线部署该模型。在 Seed-TTS-Eval 上词错误率 5.10%、语音相似度 69.23%，CV3-Eval 上 WER 7.48%、SIM 61.59%，MiniMax Multilingual 上 WER 6.37%、SIM 75.31%，X Voice 上 WER 20.48%、SIM 63.00%。

Google发布99美元Gemini智能音箱

Google推出首款专为Gemini打造的智能音箱Google Home Speaker，售价99.99美元。支持自然语言请求和多步指令，可在说话中途纠正，并具备连续对话功能。内置10种新声音。高级AI功能需订阅Google Home Premium（月费10美元或年费100美元），包括Gemini Live自由对话、Nest摄像头活动摘要等。即日起预售，本月发货。

谷歌 Home Speaker 开启预售，6 月 25 日开售

谷歌去年八月发布的新款智能音箱 Google Home Speaker 现已开启预售，售价 $99.99，6 月 25 日正式开售。扁球体织物外观有淡褐、瓷白、翠绿和浆果红四色。支持 360 度声场，底部环形灯带在语音交互时亮起，配备三个远场麦克风和静音开关。内部搭载四核 A55 处理器及专用 NPU，运行本地 AI 模型提升降噪。仅有一个 58mm 全频驱动单元，音质介于 Nest Audio 与 Nest Mini 之间。可与 Google TV Streamer 配对实现沉浸式音频，兼容其他 Nest 设备。购买附赠六个月 Google Home Premium，启用 Gemini Live 支持连续对话。

Artificial Analysis@ArtificialAnlys· 23:15AI 评分6565

Soniox 发布 v5 Real-Time 流式 STT 模型，在 AA-WER Streaming 基准上处于准确率与延迟的帕累托前沿。First Final 转录 WER 4.5%（延迟 0.05s），比 Deepgram Flux (7.4%, 0.02s) 和 Nova-3 Realtime (6.7%, 0.06s) 更准确，比 Cartesia Ink-2 (3.7%, 0.09s) 和 ElevenLabs Scribe v2 Realtime (3.6%, 0.14s) 更快。First Partial 转录 WER 4.7%（延迟 0.05s），准确率仅次于上述两款模型但速度更快。价格 $2/1000 分钟，为所有测试专有流式模型最低。支持 60+ 语言及实时翻译。